قدرت هوش مصنوعی در تشخیص سرطان ریه
تاریخ انتشار: ۳۱ اردیبهشت ۱۳۹۸ | کد خبر: ۲۳۸۴۷۴۹۸
به گزارش گروه علم و فناوری ایسکانیوز، طبق برآوردهای اخیر، سرطان ریه باعث مرگ تقریبا 160 هزار نفر در ایالات متحده میشود. تشخیص زود هنگام جهت جلوگیری از گسترش تومورها و بهبود نتایج بیماران سرطانی بسیارحیاتی است.
متخصصان اخیرا در غربالگری سرطان ریه از سی تی اسکن به جای استفاده از اشعه ایکس در قفسه سینه استفاده کردهاند.
بیشتر بخوانید:
اخباری که در وبسایت منتشر نمیشوند!
تحقیقات نشان داده است کهCT با دوز کم (LDCT) مرگ و میر ناشی از سرطان ریه را تا 20 درصد کاهش می دهد. با این حال، خطاهایی در روش LDCT وجود دارد اما به طور معمول تشخیص سرطان ریه را تا زمانی که بیماری به حالت پیشرفته رسیده باشد به تاخیر میاندازد.
تحقیقات جدید از این خطاها جلوگیری میکند. گروهی از دانشمندان از تکنیکهای هوش مصنوعی (AI) برای تشخیص تومورهای ریه در اسکن LDCT استفاده کرده اند.
«Daniel Tse» از محققین این طرح، اعلام کرد که الگوریتم یادگیری عمیق روی پایگاه داده های متعلق به بیمارستان های پزشکی شمال غربی در شیکاگو مورد استفاده قرار گرفت.
الگوریتم یادگیری عمیق، رایانهها را قادر به یادگیری با استفاده از مثالها می کند. در این مورد، محققان سیستم را با استفاده از اسکن اولیه LDCT و اسکن های جدیدتر آموزش دادند.
اسکن قبلی LDCT از آن جهت مفید است که سرعت رشد غیر طبیعی ندول های ریه را (که نشان دهنده بدخیمی است) نشان می دهد.
در تحقیق حاضر، هوش مصنوعی یک سیستم ارزیابی تصویر خودکار ارائه داد که دقیقا بدخیمی ندولهای ریه را بدون هیچ گونه دخالت انسانی پیش بینی میکند.
محققان ارزیابی های AI را با شش نفر از اعضای هیات علمی دانشگاه رادیولوژی ایالات متحده که 20 سال تجربه بالینی داشتند مورد بررسی قرار دادند.
هنگامی که اسکنهای قبلی LDCT در دسترس نبودند، مدل AI نتایج را با کاهش 11 درصد در جواب های منفی درست و 5 درصد در منفی نادرست، نشان داد. هنگامی که اسکنهای قبلی در دسترس بود، هوش مصنوعی همانند رادیولوژیستها عمل می کرد.
«مازیار اعتمادی» استادیار بیهوشی در دانشگاه نورث وسترن، دلیل این عملکرد خوب هوش مصنوعی در زمینه تشخیص را اینگونه بیان کرد:«رادیولوژیستها معمولا صدها تصاویر 2 بعدی یا تکههای آن را در یک CT اسکن بررسی میکنند، اما این سیستم یادگیری ماشین، ریهها را در یک تصویر بزرگ و یکپارچه سه بعدی می بیند.
توانایی AI در تشخیص زودهنگام سرطان ریه نسبت به نگاه انسان به تصاویر دو بعدی بسیار بالاتر است. این تکنولوژی از نظر تکنیکی 4بعدی محسوب می شود زیرا به یک سی تی اسکن در دو زمان(اسکن فعلی و پیشین) وابسته است.
دکتر اعتمادی به مزایای استفاده از فناوری های یادگیری عمیق و دقت آن اشاره کرد که این سیستم میتواند آسیبها را با خاصیت بیشتر دسته بندی کند.
وی در ادامه افزود با این روش نه تنها ابتلا به سرطان بهتر تشخیص داده میشود بلکه اگر کسی سرطان نداشته باشد، به طور بالقوه از مواردی چون بافت برداری تهاجمی، پر هزینه و خطرناک در امان است.
محققان اعلام کردند که لازم است نتایج این تحقیق در نمونههای بزرگتر مورد تایید قرار گیرد.
یادگیری عمیق Deep learning) یادگیری ژرف ماشین، یادگیری ساختار ژرف یا یادگیری سلسله مراتبی) یک زیر شاخه از یادگیری ماشینی و بر مبنای مجموعهای از الگوریتمهایی است که مفاهیم انتزاعی سطح بالا در دادگان را مدل میکند. این فرایند را با استفاده از یک گراف عمیق که دارای چندین لایه پردازشی متشکل از چندین لایه تبدیلات خطی و غیر خطی هستند، مدل میکنند. به بیان دیگر پایهٔ آن بر یادگیری نمایش دانش و ویژگیها در لایههای مدل است.
یک نمونه آموزشی (برای نمونه: تصویر یک گربه) میتواند به صورتهای گوناگون بسان یک بردار ریاضی پر شده از مقدار به ازای هر پیکسل و در دید کلی تر به شکل یک مجموعه از زیرشکلهای کوچکتر (نظیر اعضای صورت گربه) مدل سازی شود. برخی از این روشهای مدل سازی سبب ساده شدن فرایند یادگیری ماشین (برای نمونه: تشخیص تصویر گربه) میشوند. در یادگیری ژرف امید به جایگزینی استخراج این ویژگیهای تصویر به دست بشر (مانند اعضای گربه) با روشهای کامل خودکار بینظارت و نیمه نظارتی وجود دارد.
انگیزهٔ نخستین در به وجود آمدن این ساختار یادگیری از راه بررسی ساختار عصبی در مغز انسان الهام گرفته شدهاست که در آن یاختههای عصبی با فرستادن پیام به یکدیگر درک را امکانپذیر میکنند. بسته به فرضهای گوناگون در مورد نحوهٔ اتصال این یاختههای عصبی، مدلها و ساختارهای مختلفی در این حوزه پیشنهاد و بررسی شدهاند، هرچند که این مدلها به صورت طبیعی در مغز انسان وجود ندارد و مغز انسان پیچیدگیهای بیشتری را دارا است. این مدلها نظیر شبکه عصبی عمیق، شبکه عصبی پیچیده ، شبکه باور عمیق پیشرفتهای خوبی را در حوزههای پردازش زبانهای طبیعی، پردازش تصویر ایجاد کردهاند.
در حقیقت عبارت یادگیری عمیق، بررسی روشهای تازه برای شبکه عصبی مصنوعی است.
انتهای پیام/
178 / 159 هوش مصنوعی سرطان ریه یادگیری تقویتی اشعه X سی تی اسکنمنبع: ایسکانیوز
کلیدواژه: هوش مصنوعی سرطان ریه اشعه X سی تی اسکن
درخواست حذف خبر:
«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را بهطور اتوماتیک از وبسایت www.iscanews.ir دریافت کردهاست، لذا منبع این خبر، وبسایت «ایسکانیوز» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۲۳۸۴۷۴۹۸ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتیکه در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.
با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.
خبر بعدی:
تشخیص گرایش سیاسی افراد از روی چهرهشان توسط هوش مصنوعی
هوش مصنوعی میتواند جهتگیری سیاسی افراد را از روی چهرههایشان پیشبینی کند که البته مباحثی را درباره تهدید حریم خصوصی به میان آورده است.
به گزارش ایسنا، پژوهشگران پس از مطالعهای که نشان داد هوش مصنوعی میتواند در پیشبینی جهتگیری سیاسی افراد بر اساس تصاویر چهرههای بدون حالت و بی احساس آنها موفق باشد، هشدار میدهند که فناوریهای تشخیص چهره «تهدیدکنندهتر از آنچه قبلاً تصور میشد» هستند و «چالشهای جدی برای حفظ حریم خصوصی» ایجاد میکنند،
به نقل از نیویورک پست، مطالعهای که به تازگی در مجله American Psychologist منتشر شده است، میگوید که توانایی الگوریتم هوش مصنوعی برای حدس زدن دقیق دیدگاههای سیاسی یک فرد خیره کننده است.
مایال کوزینسکی نویسنده اصلی این مطالعه گفت که ۵۹۱ شرکتکننده یک پرسشنامه درباره گرایش سیاسی را قبل از اینکه هوش مصنوعی گرایش سیاسی آنها را از چهرهشان توصیف کند، پر کردند و هوش مصنوعی تحلیل خود را با پایگاه داده حاصل از آن پرسشنامهها برای پیشبینی گرایش سیاسی آنها مقایسه کرد.
کوزینسکی که دانشیار رفتار سازمانی در دانشکده تحصیلات تکمیلی بازرگانی دانشگاه استنفورد است، میگوید: من فکر میکنم که مردم متوجه نمیشوند که صرفاً با در اختیار قرار دادن یک عکس، چقدر خود را در معرض شناخت قرار میدهند.
ما میدانیم که گرایش جنسی، گرایش سیاسی و دیدگاههای مذهبی مردم باید محافظت شود. این قبلا متفاوت بود. در گذشته میتوانستید به حساب فیسبوک هر کسی وارد شوید و مثلاً دیدگاههای سیاسی، پسندها و صفحاتی که دنبال میکند را ببینید. اما سالها پیش فیسبوک این قابلیت را مسدود کرد، زیرا برای سیاستگذاران، فیسبوک و روزنامهنگاران واضح بود که از نظر حریم خصوصی قابل قبول نیست و خیلی خطرناک است.
اما همچنان میتوان به فیسبوک رفت و عکس هر کسی را دید. شخصی که عکسش را میبینید احتمالا هرگز شما را ندیده است و هرگز گرایش سیاسی خود را با شما به اشتراک نگذاشته است. با این حال، آنچه این مطالعه جدید نشان داده این است که تنها از روی عکس یک فرد، هر چند بدون احساس و حالت باشد، گرایش سیاسی وی را حدس زد.
پژوهشگران برای این مطالعه تصاویر شرکت کنندگان را به شیوهای بسیار کنترل شده جمعآوری کردند.
آنها میگویند شرکت کنندگان یک تیشرت مشکی ساده پوشیده بودند و زیورآلات خود را درآورده بودند و در صورت لزوم ریش خود را اصلاح کرده بودند. سپس از دستمال مرطوب صورت برای از بین بردن لوازم آرایشی استفاده شد تا زمانی که هیچ چیز روی پوست آنها باقی نماند. موهای بلند آنها با استفاده از کش مو، سنجاق مو و هدبند به عقب کشیده شد و در عین حال مراقب بودند که موهایشان بیرون نیاید.
سپس الگوریتم تشخیص چهره VGGFace۲ تصاویر چهره آنها را بررسی کرد.
نویسندگان میگویند، یافتههای آنها بر ضرورت تشخیص و رسیدگی به خطرات احتمالی فناوری تشخیص چهره برای حریم خصوصی افراد تأکید میکند.
آنها افزودند: شاید مهمتر از همه اینکه یافتههای ما نشان میدهد که فناوریهای نظارت بیومتریک گستردهتر از آنچه قبلا تصور میشد، تهدیدکننده هستند. در هر حال نتایج ما نشان میدهد که ویژگیهای صورت حتی در حالت خنثی و بدون ابراز احساسات نیز مقدار قابل توجهی از نشانهها را منتقل میکند که استفاده از فناوری تشخیص چهره میتواند نشان دهنده کنترل کمتر افراد بر حریم خصوصی خود باشد.
کوزینسکی میگوید، الگوریتمها را میتوان به راحتی برای میلیونها نفر به شکل بسیار سریع و ارزان اعمال کرد و مطالعه ما بیشتر یک داستان هشداردهنده در مورد این فناوری است که در تلفن همه وجود دارد و در همه جا به وفور استفاده میشود.
پژوهشگران در پایان به این نتیجه رسیدند که حتی تخمینهای خام از ویژگیهای شخصیتی افراد میتواند کارایی کمپینهای متقاعدسازی انبوه آنلاین را به طور قابل توجهی بهبود بخشد و پژوهشگران، مردم و سیاستگذاران باید توجه داشته باشند و سیاستهای سختگیرانهای را برای تنظیم ضبط و پردازش تصاویر چهره در نظر بگیرند.
انتهای پیام