به گزارش بنیان به نقل از Sciencedaily، محققین علوم کامپیوتر دانشگاه MIT در همکاری با دکتر داریوش مهتا زا اعضای مرکز جراحی حنجره بیمارستان عمومی ماساچوست امیدوارند بتوانند از قابلیت های هوش مصنوعی برای بهبود و تسریع روند تصمیم گیری در حوزه پزشکی بهره ببرند. این امر به آن ها اجازه می دهد که برخی از امور در حوزه پزشکی که معمولا به صورت دستی انجام می شود و به خاطر طیف وسیع داده ها مشکل است را به صورت خودکار انجام دهند.

حوزه "تحلیل پیشگویانه"(Predictive analytics)، برای کمک به تشخیص‌های بالینی و درمان بیماران بسیار امیدوارکننده نشان داده اند. مدل‌های یادگیری ماشینی، این قابلیت را دارند که برای یافتن الگوهای مربوط به داده‌های هر بیمار آموزش داده شوند و به تشخیص و شیمی‌درمانی بی خطر این بیماران کمک کنند و می توان از آن ها برای پیش‌بینی خطر ابتلا به بیماری‌های بدخیم مانند سرطان پستان استفاده کرد.

مجموعه‌ داده‌ها، معمولا اطلاعات افراد سالم و بیمار را در بر دارد اما داده‌های کمی در مورد هر فرد را شامل می‌شود. متخصصان باید ویژگی‌هایی را در این مجموعه داده‌ها پیدا کنند که برای پیش‌بینی بیماری‌ها مهم هستند. برای این امر زمینه تحقیقاتی به نام مهندسی ویژگی"(feature engineering) وجود دارد که فرآیندی دشوار و پرهزینه است و در صورت افزایش استفاده از حسگرهای پوشیدنی، می‌تواند چالش‌های بیشتری را به همراه داشته باشد. پژوهشگران با کمک حسگرهای پوشیدنی می‌توانند اطلاعات مربوط به الگوهای خواب، راه رفتن و صدای بیمار را به سادگی بررسی کنند. پژوهشگران MIT در بررسی جدید خود توانستند تنها پس از یک هفته بررسی اطلاعات بیماران، چند میلیارد نمونه داده برای هر بیمار ارائه دهند.

این پژوهش، مدلی را نشان می‌دهد که می‌تواند پیش‌بینی ویژگی‌های مربوط به اختلالات صوتی را به صورت خودکار انجام دهد. این ویژگی‌ها، در یک مجموعه داده شامل حدود 100 بیمار جای گرفته‌اند که داده‌های مربوط به اختلالات صوتی هر یک از آنها را به همراه چند میلیارد نمونه در بر دارد. به عبارت دیگر، این مجموعه، تعداد کمی از افراد را با تعداد گسترده‌ای از داده‌های مربوط به هر یک در بر دارد. این مجموعه داده، سیگنال‌هایی را شامل می‌شود که از یک حسگر نصب شده روی گردن افراد به دست آمده‌اند.

این مدل در آزمایش‌ها، به صورت خودکار از ویژگی‌های مربوط به داده‌ها استفاده می‌کند تا بیماران را با دقت بالا طبقه‌بندی کند. آسیب‌هایی که به حنجره وارد می‌شوند، معمولا در اثر استفاده بد از صدا مانند فریاد زدن پیش می‌آیند. مدل پژوهشگران MIT می‌تواند این کار را بدون بررسی دستی مجموعه داده‌ها انجام دهد. به عقیده خاویر اورتینز از نویسندگان ارشد این پژوهش، شاید جمع‌آوری مجموعه داده‌ها در بلند مدت ساده باشد اما این کار به پزشکانی نیاز دارد که دانش خود را برای طبقه‌بندی مجموعه داده‌ها به کار ببرند. هدف ما این است تا بخشی که متخصصان باید به صورت دستی انجام دهند، حذف کنیم و مدل یادگیری ماشینی را به جای مهندسی ویژگی به کار ببریم. مدل یادگیری ماشینی، این قابلیت را دارد تا برای یادگیری الگوهای هر بیماری مورد استفاده قرار گیرد. پژوهشگران باور دارند که توانایی شناسایی الگوهای روزانه صدا، گام مهمی در ابداع روش‌های بهتر برای پیشگیری، تشخیص و درمان اختلالات صوتی به شمار می‌رود. این مدل می‌تواند به طراحی روش‌های جدیدی برای شناسایی اختلالات صوتی و آگاه کردن افراد در مورد رفتارهای مضر برای صدا کمک کند.

پایان مطلب/