دکتر شاهرخ والایی به همراه تیم پژوهشی خود موفق شدند، یک سیستم هوشمند و بسیار ارزشمند برای تشخیص های پزشکی حرفه ای طراحی کنند.
به گزارش سرویس آی تی انتخاب به نقل از مدیکال لایف ساینس، این پژوهشگر ایرانی نوعی متفاوت از سیستم های آموزش هوش مصنوعی را با شبیه سازی اشعه ایکس طراحی کرده است.
هوش مصنوعی (AI) پتانسیل واقعی برای بهبود سرعت و دقت تشخیص پزشکی را داراست . اما پیش از اینکه پزشکان بتوانند توانایی AI را برای شناسایی شرایط در تصاویر مانند اشعه ایکس به کار گیرند، باید الگوریتم ها را آموزش دهند که چه ساختاری را هدایت کنند.
شناسایی آسیب های نادر در تصاویر پزشکی به دلیل کمبود تصاویری است که می تواند برای آموزش سیستم های AI در محیط یادگیری تحت نظارت استفاده شود. درواقع این موضوع یک چالش همیشگی و قدیمی برای محققان است.
اکنون دکتر شاهرخ والایی و تیم او یک رویکرد جدید را طراحی کرده اند؛ استفاده از یادگیری ماشین برای تولید اشعه ایکس های کامپیوتری برای تقویت مجموعه های آموزشی هوش مصنوعی.
واالایی در این خصوص می گوید: "به یک معنا، ما از یادگیری ماشین برای انجام یادگیری ماشین استفاده می کنیم."
سرپرست این تیم که در دانشگاه تورنتو فعالیت می کنند در توضیح پروژه خود می گوید. "ما در حال ایجاد شبیه سازی اشعه X که منعکس کننده شرایط نادر خاص است هستیم. به طوری که ما می توانیم داده ها را با اشعه X واقعی ترکیب و به یک پایگاه داده بزرگ ارسال کنیم .این داده ها برای آموزش شبکه های عصبی و شناسایی اختلالات استفاده می شوند."
والایی ادامه می دهد: " هوش مصنوعی توانایی کمک به بسیاری از راهکارهای پزشکی را دارد.اما برای انجام این کار، ما نیاز به اطلاعات زیادی داریم. در حال حاضر هزاران تصویر برچسب دار، نیاز داریم که فقط برای بعضی از شرایط نادر کاربردی نباشند."
برای ایجاد این اشعه ایکس مصنوعی، تیم دکتر ولایی با استفاده از یک تکنیک هوش مصنوعی به نام "شبکه رقابتی ژن کانولوشن عمیق" (DCGAN) برای تولید و بهبود تصاویر شبیه سازی شده استفاده می کند.
درواقع GAN یک نوع الگوریتم ساخته شده از دو شبکه است: یکی که تصاویر را تولید می کند و دیگری که سعی می کند تصاویر مصنوعی را از تصاویر واقعی تشخیص دهد. هر 2 شبکه آموزش داده می شوند . هنگامی که تعداد کافی اشعه X مصنوعی ایجاد می شود ، آنها را با اشعه X واقعی ترکیب .و برای آموزش شبکه عصبی کانولوشن عمیق، مورد استفاده قرار می دهند.
MIMLab دقت مجموعه داده های تکمیل شده خود را به مجموعه داده اصلی در مقایسه با سیستم AI خود مقایسه کرد و دریافت که دقت طبقه بندی 20٪ برای شرایط مشترک بهبود یافته است. برای بعضی از شرایط نادر، دقت به حدود 40 درصد افزایش یافت .
