هوش مصنوعی در پزشکی

هوش مصنوعی را می توان با استفاده از تکنیک های مختلف توسعه داد. در رویکردهای سنتی، یک برنامه هوش مصنوعی از دستورالعمل‌های تعریف شده توسط انسان برای نحوه پردازش داده‌ها و تصمیم‌گیری پیروی می‌کند. برنامه‌ریزی برای هشدار دادن به پزشک برای تجویز دارو به بیمار مبتلا به فشار خون بالا، نمونه ای از این برنامه هاست. چنین رویکردهایی معمولا با استفاده از نتایج آزمایشات بالینی طراحی می شوند. از سوی دیگر، الگوریتم‌های یادگیری ماشین (ML) که به عنوان رویکردی مبتنی بر داده‌ها نیز شناخته می‌شود، داده های مشخصی را که ویژگی های اندازه گیری شده ای دارند، به عنوان ورودی دریافت کرده و از نحوه ی تحلیلی که از قبل بر روی آنها انجام شده است، «یاد می‌گیرند». الگوریتم، پس از آموزش این توانایی را به دست می آورد که تشخیص هایی بر اساس داده های ورودی به عمل بیاورد. به عبارت دیگر، داده های ورودی یک مجموعه بدون برنامه‌ریزی صریح برای رسیدن به یک پاسخ یا نتیجه‌گیری خاص هستند. الگوریتم‌های ML می‌توانند رمزگشایی الگوهای داده‌های بیمار را در مقیاس‌هایی بزرگ‌تر از توانایی تجزیه و تحلیل انسان بیاموزند و در عین حال به طور بالقوه همبستگی‌هایی را که قبلا ناشناخته بودند کشف کنند. این قابلیت‌ها می‌تواند به‌ویژه در محیط‌های بیمارستانی جریان‌های مداوم داده را از منابعی از جمله سوابق پزشکی بیمار و مطالعات بالینی فراهم کند. اکثر نرم افزارهای مبتنی بر ML از یک رویکرد نظارت شده استفاده می کنند که در آن داده های مورد استفاده برای آموزش و اعتبارسنجی الگوریتم از قبل توسط انسان برچسب گذاری می شود. به عنوان مثال، مجموعه ای از عکس های اشعه ایکس قفسه سینه از افرادی که سرطان ریه دارند و افرادی که سرطان ریه ندارند، به صورت دو گروه مشخص به عنوان مجموعه های یادگیری نرم افزار هوش مصنوعی استفاده می شوند. این الگوریتم تمام نمونه‌های موجود در مجموعه داده های آموزشی را بررسی می‌کند تا «یاد بگیرد» که کدام ویژگی‌های رادیوگرافی قفسه سینه بیشترین ارتباط را با تشخیص یا عدم تشخیص سرطان ریه دارد. سپس از تجزیه و تحلیل آن ها برای پیش‌بینی موارد جدید استفاده می‌کند. سپس توسعه دهندگان الگوریتم را آزمایش می کنند تا ببینند نتایج آن چقدر قابل تعمیم است. به عبارت دیگر بررسی می کنند که الگوریتم در یک مجموعه داده جدید چقدر موثر عمل می کند. برای اطمینان از اینکه الگوریتم در کاربردهای واقعی به اندازه کافی دقیق است، اعتبارسنجی های بیشتر توسط متخصصان ضروری است.