ارزیابی هوش مصنوعی مدرن برای درمان بیماری‌های مغزی

منتشر شده در: sciencedaily به تاریخ ۱۴ اکتبر ۲۰۲۰
لینک مطلب اصلی: Assessing state of the art in AI for brain disease treatment

هوش مصنوعی به لطف معماری‌های جدید رایانه‌ای که به سرعت داده‌های پیچیده زیادی را پردازش می‌کنند، به خاطر توانایی در حل مشکلاتی که انسان‌ها معمولا نمیتوانند آنها را انجام دهند، مورد تحسین قرار می‌گیرد.
در نتیجه، روش‌های هوش مصنوعی، مانند یادگیری ماشینی، بینایی کامپیوتری و شبکه‌های عصبی، برای برخی از دشوارترین مشکلات در علم و جامعه به کار می‌روند.

یک مشکل دشوار تشخیص، درمان جراحی و نظارت بر بیماری‌های مغز است. دامنه تکنولوژی‌های هوش مصنوعی موجود برای مقابله با بیماری‌های مغزی به سرعت در حال افزایش است و روش‌های جدید هیجان انگیزی برای مشکلات مغزی به کار گرفته می‌شوند چون دانشمندان کامپیوتر درک عمیق‌تری از قابلیت‌های الگوریتم‌های پیشرفته به دست می‌آورند.

در مقاله‌ای که این هفته در زمینه مهندسی زیستی APL توسط انتشارات AIP منتشر شد، محققان ایتالیایی یک بررسی سیستماتیک از متون انجام دادند تا استفاده از هوش مصنوعی مدرن برای بیماری‌های مغزی را درک کنند. جستجوی آن‌ها منجر به کسب ۲۶۹۶ نتیجه شد و آن‌ها تمرکز خود را بر روی ۱۵۴ مقاله برتر متمرکز کردند و نگاه دقیق‌تری به آن‌ها انداختند.

بازبینی کیفی آن‌ها، جالب توجه‌ترین گوشه‌های توسعه هوش مصنوعی را روشن می‌سازد. به عنوان مثال، یک شبکه مقابله‌ای تولیدی برای ایجاد مصنوعی یک مغز پیر به منظور مشاهده پیشرفت بیماری در طول زمان مورد استفاده قرار گرفت.

نویسنده این کتاب، Alice Segato می‌گوید: « استفاده از تکنیک‌های هوش مصنوعی به تدریج راه‌حل‌های نظری کارآمدی را برای بسیاری از مشکلات بالینی دنیای واقعی مربوط به مغز به ارمغان می‌آورد.» « به ویژه در سال‌های اخیر، به دلیل تجمع داده‌های مرتبط و توسعه الگوریتم های موثرتر، امکان افزایش قابل‌ملاحظه درک مکانیزم‌های پیچیده مغزی وجود داشته‌است.»

تحلیل نویسندگان شامل هشت الگوی مراقبت از مغز، بررسی روش‌های هوش مصنوعی مورد استفاده برای پردازش اطلاعات در مورد ویژگی‌های ساختاری و ارتباطی مغز و در ارزیابی کاندید شدن جراحی، شناسایی حوزه‌های مشکل، پیش‌بینی مسیر بیماری، و کمک حین عمل است. داده‌های تصویری مورد استفاده برای مطالعه بیماری مغز، شامل داده‌های سه‌بعدی، مانند تصویربرداری تشدید مغناطیسی، تصویربرداری تانسور انتشار، توموگرافی نشری پوزیترون و تصویربرداری توموگرافی کامپیوتری، را می توان با استفاده از تکنیک بینایی کامپیوتر هوش مصنوعی تحلیل کرد.

اما نویسندگان با اشاره به اهمیت «الگوریتم های قابل‌تبیین» با مسیرهایی برای راه‌حل‌هایی که به وضوح مشخص شده‌اند، نه یک «جعبه سیاه»-- این اصطلاح برای هوش مصنوعی که به یک راه‌حل دقیق می‌رسد اما به فعالیت‌های داخلی که کمی درک می‌شوند یا دیده نمی‌شوند، متکی است، هشدار می‌دهند.

سیگاتو گفت: « اگر انسان‌ها نسخه‌های الگوریتمی یا تشخیص را بپذیرند، باید به آن‌ها اعتماد کنند.» «تلاش‌های محققان منجر به ایجاد الگوریتم های به طور فزاینده‌ای پیچیده و قابل تفسیر می‌شود، که می‌تواند به نفع استفاده فشرده‌تر از فن‌آوری‌های "هوشمند" در زمینه‌های بالینی عملی باشد.»

ترجمه این مقاله با استفاده از ربات ترجمه آنلاین مقالات هوش مصنوعی انجام شده و بصورت محدود مورد بازبینی انسانی قرار گرفته است. در نتیجه ممکن است دارای برخی اشکالات ترجمه باشد.