هوش مصنوعی و کاربرد آن در پزشکی قلب و عروق

هوش مصنوعی و کاربرد آن در پزشکی قلب و عروق -هوش مصنوعی (AI) حوزه ای را نشان می دهد که به سرعت در حال توسعه است. استفاده از آن می تواند تشخیص و درمان را در بسیاری از زمینه های پزشکی بهبود بخشد.

با وجود این پیشرفت عظیم، بسیاری از پزشکان آن را به عنوان یک جعبه سیاه درک می کنند و در مورد آن تردید دارند. این بررسی اصول یادگیری ماشینی را ارائه خواهد کرد.

طبقه بندی های مختلف هوش مصنوعی، مانند هوش مصنوعی نظارت شده در مقابل نظارت نشده و متمایز در مقابل هوش مصنوعی مولد، ارائه شده است.

تا آنجا که الگوریتم ها به سمت آن سوق داده شده اند، قیاس با هوش انسانی مورد بحث قرار می گیرند.

در مرحله دوم، متداول‌ترین مدل‌ها مانند جنگل تصادفی، خوشه‌بندی k-means، شبکه عصبی کانولوشنال و ترانسفورماتورها به گونه‌ای ارائه می‌شوند که بتوان ایده اصلی را درک کرد.

کاربردهای پزشکی مربوطه در پزشکی قلب و عروق به ترتیب برای همه مدل ها نامگذاری می شود.

هدف این بررسی اجمالی نشان دادن این است که اصطلاح هوش مصنوعی طیف وسیعی از مفاهیم مختلف را در بر می گیرد.

این باید به پزشکان در درک اصول هوش مصنوعی کمک کند تا در مورد کاربرد آن در قلب و عروق تصمیم بگیرند.

همچنین باید آنها را قادر سازد تا نتایج به دست آمده با کمک هوش مصنوعی را به طور انتقادی ارزیابی کنند.

هوش مصنوعی و کاربرد آن در پزشکی قلب و عروق

1. معرفی

در سال های اخیر، تبلیغات در مورد هوش مصنوعی (AI) در پزشکی وجود داشته است.

اگرچه تعاریف مختلفی از هوش انسان وجود دارد، اما تقریباً می توان آن را توانایی تجزیه و تحلیل موقعیت های پیچیده و عمل مناسب بر روی آنها توصیف کرد.

در قیاس، هوش مصنوعی را می توان به عنوان روشی برای دستیابی به رفتار و اهداف مشابه با ابزارهای مصنوعی، عمدتاً الگوریتم های رایانه ای، در نظر گرفت.

اصطلاح “هوش مصنوعی” در ابتدا توسط جان مک کارتی ابداع شد که از آن به عنوان “سیستمی که برای تکامل هوش نظم انسانی است” یاد کرد. 

پیشرفت های قابل توجه در هوش مصنوعی با رمز و راز همراه است، به خصوص در مطبوعات غیر روحانی.

این منجر به عباراتی مانند “هوش مصنوعی جعبه سیاه” شده است زیرا انسان ها به طور مستقیم نتایج را درک نمی کنند.

با این حال، دستاوردهای فنی زیادی در دنیای مدرن وجود دارد که انسان ها در نگاه اول به کمک آن ها نیاز دارند.

بسیاری از مدل های هوش مصنوعی را می توان به مدل های ریاضی ساده ردیابی کرد.

تنها کمیت عملیات و داده ها ردیابی نتایج را با جزئیات غیرممکن می کند. از سوی دیگر، این نیز دلیل اصلی رشد مداوم برنامه های کاربردی هوش مصنوعی است.

در دسترس بودن ظرفیت‌های محاسباتی بزرگ، داده‌های بزرگ و الگوریتم‌های ریاضی به ما این امکان را می‌دهد که الگوها را به روشی تشخیص دهیم که قبلا غیرممکن بود.

هدف این مقاله توضیح مبانی هوش مصنوعی است. در این زمینه، بر یادگیری ماشین (ML) تمرکز خواهد کرد. ML زیر مجموعه ای از هوش مصنوعی است.

ML توانایی پیش بینی و تصمیم گیری بر اساس داده ها است. از سوی دیگر، هوش مصنوعی یک اصطلاح کلی است که علاوه بر ML شامل زیرمجموعه‌های دیگری مانند پردازش زبان طبیعی (NLP)، بینایی رایانه (CV)، مدل‌های تبدیل متن به گفتار و روباتیک می‌شود.

به‌ویژه حوزه جدیدی از هوش مصنوعی به نام مدل‌های پایه، اخیراً اهمیت زیادی پیدا کرده است.

اصطلاح مدل پایه که در سال 2021 در استنفورد ابداع شد، سیستم‌های هوش مصنوعی را توصیف می‌کند که با حجم زیادی از داده‌ها آموزش داده شده‌اند تا بتوانند به وظایف مختلف رسیدگی کنند.

سپس می توان مدل ها را برای کارهای خاص (تنظیم دقیق) تطبیق داد. معروف‌ترین مدل‌های پایه عبارتند از مدل‌های زبان بزرگ (LLMs)، GPT-n (OpenAI)، BERT (Google)، LLaMA (Meta AI) و Claude (Anthropic AI). LLM ها معماری ترانسفورماتور را در بر می گیرند که در پایان بررسی ذکر شده است.

مدل های منتخب ML و کاربردهای آنها بر اساس این اصول در این بررسی ارائه خواهد شد. اطلاعات پشتیبان: جدول  S1 یک نمای کلی از مهم ترین الگوریتم ها، نمونه هایی از کاربرد آنها در قلب و عروق و مشکل خاصی که برای حل آنها طراحی شده اند، ارائه می دهد.

همچنین نشان داده خواهد شد که مفاهیم بسیاری از تحقیقات مغزی اتخاذ شده است.

از آنجایی که بسیاری از الگوریتم‌ها اخیراً توسعه یافته‌اند، کاربرد پزشکی آنها اغلب هنوز در مرحله آزمایشی یا ارزیابی است. بسیاری از کاربردها هنوز راه خود را برای استفاده معمول بالینی پیدا نکرده اند.

هوش مصنوعی و کاربرد آن در پزشکی قلب و عروق

2 اصول کلی هوش مصنوعی

2.1 غیر یادگیری در مقابل سیستم های یادگیری

برای تسهیل درک بیشتر، طبقه‌بندی هوش مصنوعی به الگوریتم‌های یادگیری و غیر یادگیری معرفی شده است.

در سیستم های غیر یادگیری، الگوریتم ها در موقعیت های خاص به روشی از پیش تعریف شده واکنش نشان می دهند.

سیستم همیشه به یک روش پاسخ می دهد. بنابراین، یاد نمی گیرد. برای مثال، برنامه های شطرنج کلاسیک به این صورت برنامه ریزی می شوند.

در مقابل، سیستم‌های هوش مصنوعی پیچیده‌تر از رویکردی استفاده می‌کنند که در آن سیستم‌ها یاد می‌گیرند.

در محاسبات کلاسیک، الگوریتمی که معمولاً برنامه نامیده می شود، با داده های ورودی تغذیه می شود که توسط برنامه پردازش می شود و در نتیجه خروجی به کاربر باز می گردد.

ساده ترین مثال در این زمینه یک ماشین حساب جیبی است. هنگام اجرای یک عملیات ریاضی، برنامه واقعی ماشین حساب تغییر نمی کند، به این معنی که برنامه در حال یادگیری نیست.

این با یادگیری الگوریتم های هوش مصنوعی متفاوت است. هنگامی که این الگوریتم ها با داده تغذیه می شوند، الگوریتم ها در حین پردازش تغییر می کنند، به این معنی که الگوریتم ها یاد می گیرند.

نام “ML” به این ویژگی اشاره دارد. اصولاً سیستم های یادگیری را می توان به شبکه های عصبی تقلید از مغز انسان (یادگیری عمیق) و معماری های جایگزین تقسیم کرد.

2.1.1 سیستم های یادگیری تقلید از مغز انسان

یادگیری عمیق زیرمجموعه ای از ML با استفاده از شبکه های عصبی مصنوعی (ANN) است که از ایده تکرار معماری مغز الهام گرفته شده است.

مغز طبیعی از نورون هایی تشکیل شده است که در لایه هایی قرار گرفته اند. این نورون ها از طریق دندریت ها ورودی دریافت می کنند.

هنگامی که ورودی‌های جمع‌شده به پتانسیل فعال‌سازی می‌رسند، نورون‌ها یک پتانسیل عمل ایجاد می‌کنند که از طریق آکسون به نورون‌های دیگر در لایه‌های دیگر ارسال می‌شود.

در قیاس با نورون، پایه ترین جزء یک شبکه عصبی مصنوعی، گره نامیده می شود. این گره ورودی را از گره های دیگر دریافت می کند.

این ورودی ها وزن و سوگیری نامیده می شوند که در طول یادگیری تنظیم می شوند. ورودی های یک گره خاص جمع می شوند و به یک تابع فعال سازی غیر خطی تغذیه می شوند که خروجی داده شده به لایه بعدی را محاسبه می کند.

در قیاس با مغز بیولوژیکی، شبکه‌های عصبی مصنوعی می‌توانند از لایه‌های زیادی تشکیل شده باشند، بنابراین صفت عمیق را حمل می‌کنند.

لایه اول به عنوان لایه ورودی نیز شناخته می شود و آخرین لایه لایه خروجی نامیده می شود. لایه های بین لایه های پنهان هستند .

این معماری ستون فقرات هر شبکه عصبی مصنوعی است. فرانک روزنبلات اولین ANN را در دهه 50 قرن گذشته برنامه ریزی کرد.

 این شکل اصلی شبکه عصبی پرسپترون چند لایه یا وانیلی نامیده می شود.

هوش مصنوعی و کاربرد آن در پزشکی قلب و عروق

اما ANN چگونه یاد می گیرد؟ اجازه دهید این موضوع را با مثال یادگیری تحت نظارت توضیح دهیم.

وظیفه این الگوریتم طبقه بندی تصاویر است، به عنوان مثال، اشعه ایکس قفسه سینه که سرطان ریه را نشان می دهد یا خیر.

این فرآیند را می توان به دو مرحله تقسیم کرد: در مرحله اول، ANN با داده های برچسب دار آموزش داده می شود.

برای توضیح ساده، داده‌های ورودی پیکسل‌های تصویر هستند و وزن‌ها معیاری از بزرگی هستند که هر پیکسل در طبقه‌بندی نقش دارد.

بسیاری از نمونه های داده از طریق شبکه منتشر می شوند. انتشار در این زمینه به این معنی است که الگوریتم سعی می کند ویژگی ها، پیکسل ها را در مورد تصاویر شناسایی کند که برای طبقه بندی مهم هستند.

خروجی هر نمونه داده با برچسب مربوطه مقایسه می شود و نرخ خطا محاسبه می شود.

این میزان خطا که از دست دادن نیز نامیده می شود، تفاوت بین مقدار پیش بینی شده شبکه و برچسب صحیح است که به آن حقیقت زمین نیز می گویند.

این تلفات سپس به الگوریتم تنظیم وزن ها بازگردانده می شود. این فرآیند پس انتشار نامیده می شود.

هدف فرآیند یادگیری به حداقل رساندن تفاوت بین پیش‌بینی شبکه و حقیقت زمین است. بنابراین، الگوریتم در طول این انتشار داده های مکرر و پس انتشار تغییر می کند.

در مفهوم ریاضی، یادگیری شامل تنظیم وزن ها و سوگیری ها است. پس از مرحله یادگیری، شبکه آموزش دیده می تواند داده های ناشناخته را طبقه بندی کند.

برای ماندن در نمونه اشعه ایکس قفسه سینه، در مرحله دوم، داده های ناشناخته و بدون برچسب به ANN داده می شود و ANN احتمال وجود سرطان ریه را نشان می دهد (شکل  1 ).

پس از ایجاد یک ANN، بررسی اینکه آیا یک سیستم هوش مصنوعی به اندازه کافی در دنیای واقعی کار می کند ضروری است.

برای این منظور، ارزیابی می‌شود که الگوریتم چگونه مجموعه داده‌های تست را به درستی طبقه‌بندی می‌کند.

در این زمینه، یک ماتریس ارزیابی شامل، از جمله، دقت، امتیاز F1، حساسیت و آماره C می تواند مورد استفاده قرار گیرد.

این مفاهیم جدید نیستند، اما انباشت داده های بزرگ و قابلیت محاسباتی برای اعمال الگوریتم های مربوطه، دانشمندان را در موقعیتی قرار می دهد که الگوهایی را در داده ها تشخیص دهند که برای مغز انسان شهودی نیستند.

هوش مصنوعی و کاربرد آن در پزشکی قلب و عروق

2.2 یادگیری تحت نظارت در مقابل یادگیری بدون نظارت

اگرچه یادگیری جزء همه اشکال هوش مصنوعی نیست، با این وجود می توان آن را به عنوان مهم ترین تکنیک برای انجام وظایف خاص توصیف کرد.

این زیرشاخه هوش مصنوعی ML نام دارد. هنگامی که ML از معماری یک شبکه عصبی استفاده می کند، به آن یادگیری عمیق نیز گفته می شود. بنابراین، یادگیری عمیق زیرمجموعه ای از ML است.

در این زمینه، دو نوع یادگیری متمایز می شود: تحت نظارت و بدون نظارت. همانطور که در بالا توضیح داده شد، در یادگیری تحت نظارت، الگوریتم ابتدا با داده های طبقه بندی شده به وضوح آموزش داده می شود، به عنوان مثال، تصاویر سرطان ریه یا نه.

الگوریتم ویژگی هایی را از این داده ها استخراج می کند. در مرحله دوم، الگوریتم داده ها را بر اساس این ویژگی ها طبقه بندی می کند.

در مقابل، مفهوم اصلی یادگیری بدون نظارت، شناسایی الگوهای ناشناخته در داده‌های بدون برچسب بدون کمک انسان است.

با این مفهوم، هیچ یادگیری متمایز با داده های برچسب دار وجود ندارد.

الگوریتم داده ها را تجزیه و تحلیل می کند و الگوها را به تنهایی تشخیص می دهد. این خوشه بندی از عملیات ریاضی خاصی مانند محاسبه فاصله اقلیدسی برای نقاط مختلف مرکز استفاده می کند.

با استفاده از این رویکرد، می توان انواع فرعی را در گروهی از بیماران با تشخیص چتری شناسایی کرد. به عنوان مثال، پنج زیرگروه نارسایی قلبی را می توان در دو مجموعه داده مبتنی بر جمعیت در بریتانیا شناسایی کرد. 

هوش مصنوعی و کاربرد آن در پزشکی قلب و عروق

2.3 هوش مصنوعی متمایز در مقابل مولد

الگوریتم های متمایز یک مجموعه داده را به گروه هایی تقسیم می کنند که دارای ویژگی های مشترک هستند. در فرآیند یادگیری، برچسب هایی به این گروه ها اختصاص داده می شود.

برای مثال، یک الگوریتم می‌تواند یاد بگیرد که تصاویر معمولی اشعه ایکس را از تصاویر بدخیم «تمایز» کند. برای دستیابی به این هدف می توان از الگوریتم های معماری عصبی یا معمولی استفاده کرد.

الگوریتم های مولد از الگوریتم های متمایز متمایز می شوند. هوش مصنوعی مولد می تواند محتوای جدید و اصلی مانند تصاویر و متن را با استفاده از الگوهای شناسایی شده در داده های موجود تولید کند.

این الگوریتم‌ها را می‌توان برای تقویت داده‌ها استفاده کرد، زیرا در بسیاری از زمینه‌ها فقط مقدار محدودی از داده‌های آموزشی موجود است. 

3 الگوریتم های ویژه هوش مصنوعی و کاربردهای آنها

3.1 جنگل تصادفی

3.1.1 شهود

یک مثال معمولی از ML، جنگل تصادفی است. بر خلاف الگوریتم های ارائه شده در زیر، این الگوریتم مبتنی بر معماری شبکه عصبی نیست اما همچنان می تواند یاد بگیرد.

این یک الگوریتم یادگیری نظارت شده است که بر روی مجموعه ای از درختان تصمیم ساخته شده است که باعث ایجاد نام آن می شود.

این یکی از رایج ترین الگوریتم های ML برای طبقه بندی و وظایف همبستگی است.

بلوک ساختمان جنگل تصادفی درخت تصمیم است. درخت تصمیم از گره های تصمیم و گره های ترک تشکیل شده است.

گره های تصمیم، پارامترها یا ویژگی های موجود مجموعه داده ها هستند. گره های ترک کلاس ها هستند.

گره های تصمیم گیری داده ها را بر اساس بیانیه ای در مورد این پارامترها تقسیم می کنند.

عبارت می تواند درست یا نادرست باشد و راه می تواند به گره تصمیم بعدی یا گره برگ برود. در هر مجموعه داده، شرایط تقسیم ممکن زیادی وجود دارد.

بخش ML در این زمینه یافتن بهترین پارامترهای تقسیم با بهترین مقادیر برش برای طبقه بندی مقادیر است. مقادیر مجموعه داده‌ها برای یک درخت تصمیم فردی گرفته می‌شوند و پیکربندی‌های مختلف گره‌های تصمیم و مقادیر برش برای جداسازی بهینه ارزیابی می‌شوند (شکل  2 ).

نقطه ضعف این الگوریتم این است که درخت‌های تصمیم بیش از حد با مجموعه داده‌های آموزشی سازگار هستند که بیش از حد برازش نامیده می‌شود.

که آنها را مستعد خطاهای تعمیم می کند. اینجاست که الگوریتم جنگل تصادفی وارد عمل می شود.

هوش مصنوعی و کاربرد آن در پزشکی قلب و عروق

ایده اصلی جنگل تصادفی ایجاد بسیاری از این درختان تصمیم است. آنها بر اساس داده های شناخته شده ساخته شده اند.

در مرحله اول، داده ها بوت استرپ می شوند، به این معنی که نمونه های تصادفی مجموعه داده های اصلی با جایگزینی گرفته می شوند.

با این داده های بوت استرپ، درخت های تصمیم با ویژگی های انتخاب شده تصادفی گره ها، تعداد گره ها به طور تصادفی انتخاب شده و ترتیب تصادفی گره ها ایجاد می شوند.

مزیت این انبوه درختان (این می تواند 100 درخت باشد) تنوع زیاد است که این رویکرد را برای طبقه بندی بسیار موثر می کند. پس از این “فرایند آموزشی”، یک نمونه ناشناخته را می توان طبقه بندی کرد.

هر درخت یک رأی برای طبقه بندی یک شی جدید بر اساس ویژگی های مربوطه می دهد. طبقه بندی نهایی “جنگل” از برچسبی پیروی می کند که بیشترین رای را دارد.

3.1.2 کاربرد بالینی

یک زمینه کاربردی هیجان انگیز، پیش بینی پیامدهای بیماری بر اساس پارامترهای از پیش تعریف شده است. به عنوان مثال، این مدل با موفقیت برای پیش بینی مرگ و میر در بیمارستان در بیماران نارسایی قلبی اعمال شده است. 

هوش مصنوعی و کاربرد آن در پزشکی قلب و عروق

3.2 K-means خوشه

3.2.1 شهود

خوشه K-means شکلی از تجزیه و تحلیل داده است که در آن داده ها به خوشه ها اختصاص می یابد. تعداد خوشه ها k است که نام این روش را می دهد.

مراکز خوشه بهینه به صورت تکراری یافت می شوند. بهترین تعداد خوشه ها را می توان با روش زانو محاسبه کرد. برای جزئیات این الگوریتم، شکل 3 را ببینید .

این اصل در نگاه اول ساده به نظر می رسد، اما الگوریتم همچنین نتایج عالی را در مجموعه داده های با ابعاد بالاتر با نمونه های متعدد ارائه می دهد.

3.2.2 کاربردهای بالینی

خوشه K-means در بسیاری از تنظیمات بالینی ضروری است، جایی که موجودیت های مختلف تحت شرایط چتر قرار می گیرند.

در این زمینه، تجزیه و تحلیل خوشه‌ای، زیر گروه‌های بیماری را با پاتوژنز و پیامدهای بالینی مختلف شناسایی می‌کند.

به عنوان مثال، تکنیک شناسایی خوشه ای برای شناسایی فنوتیپ های خاص در بیماران کودکان مبتلا به کاردیومیوپاتی اتساع یافته همراه با پیامد بد استفاده شده است.

نمونه ^دیگر ، تشخیص خودکار زیرگروه های بیماری عروق کرونر با استفاده از متغیرهای فنوتیپی و ژنتیکی 1329 بیمار است. 

هوش مصنوعی و کاربرد آن در پزشکی قلب و عروق

3.3 شبکه های عصبی کانولوشن (CNN)

3.3.1 شهود

یک نوع منحصر به فرد و پیچیده تر از یادگیری تحت نظارت، CNN ها هستند.

آنها در اینجا با جزئیات بیشتری توضیح داده شده اند زیرا قدرتمند و گسترده هستند. توسعه CNN ها نشان می دهد که چگونه معماری مغز برای علوم محاسباتی سازگار شده است.

در سال 1960، دو برنده جایزه نوبل، Torsten N. Wiesel و David H. Hubel، عملکرد قشر بینایی در قشر نوری گربه ها را بررسی کردند.

این عصب شناس تشخیص داد که سلول های خاصی در قشر نوری بر اساس جهت گیری اشیا آتش می گیرند.

این بدان معناست که برای مثال، برخی سلول ها به سمت خطوط افقی و برخی دیگر در خطوط عمودی شلیک می کنند.

علاوه بر این که این سلول ها فقط جهت گیری های بسیار پایه را تشخیص می دهند، آنها همچنین سلول ها و شبکه هایی را فرض کردند که الگوهای پیچیده را تشخیص می دهند. 

یک سی ان ان نیز به همین صورت عمل می کند. پیچیدگی یک عملیات ریاضی است که تابع سوم را روی دو تابع دیگر ایجاد می کند.

اگرچه CNN ها کاربردهای بسیار متفاوتی دارند، من می خواهم این اصل را با استفاده از مثال تشخیص تصویر توضیح دهم.

یک تصویر داده شده باید طبقه بندی شود. برای دستیابی به این هدف، تصویر با قالب‌های مختلفی که در علوم کامپیوتر فیلتر یا هسته نیز نامیده می‌شوند، مقایسه می‌شود.

این الگوها معمولاً الگوهای از پیش تعریف شده هستند. CNN میزان تطابق را ارزیابی می کند.

 از آنجایی که یک تصویر سیاه و سفید آرایه ای از پیکسل ها است که شدت مقیاس خاکستری را کد می کند، مقادیر عملیات ریاضی را می توان در معرض این پیکسل ها قرار داد. با استفاده از فیلترهای مختلف می توان ویژگی های ساده و پیچیده تری را در تصاویر شناسایی کرد.

برای رسیدن به این هدف، یک فیلتر بزرگ روی کل تصویر قرار نمی گیرد، بلکه یک فیلتر کوچک در خطوط روی تصویر بزرگ می لغزد.

در این زمینه، فیلترها را می توان به عنوان تصاویر کوچک نیز مشاهده کرد. به بیان واضح، الگوریتم به این موضوع نگاه می کند که آیا این تصاویر کوچک از چند پیکسل (مثلاً 8 × 8 پیکسل) را می توان در تصویر بزرگ یافت.

با کشیدن فیلتر روی تصویر بزرگ، در هر موقعیت عددی دریافت می کنیم که درجه تطابق را نشان می دهد.

اگر این اعداد را در موقعیت های مربوطه ردیف کنید، یک تصویر فیلتر شده دریافت می کنید.

با استفاده از چندین فیلتر مختلف، یک تصویر به پشته ای از تصاویر فیلتر شده تبدیل می شود.

پس از انجام عملیات بیشتر مانند عادی سازی (واحد خطی اصلاح شده – ReLU) و ادغام، این پشته تصویر فیلتر شده در یک لایه کاملاً متصل ادغام می شود.

هوش مصنوعی و کاربرد آن در پزشکی قلب و عروق

از آن زمان به بعد، فرآیندهای زیر مانند یک شبکه عصبی عمیق معمولی رخ می دهد (شکل  4 ).

3.3.2 کاربرد بالینی

این نوع شبکه به ویژه در طبقه بندی تصاویر ارزشمند است. در بسیاری از زمینه های پزشکی، تصاویر مربوط به بیماری های مختلف باید طبقه بندی شوند.

در قلب و عروق، CNN ها به طور موثر الکتروکاردیوگرام ها را طبقه بندی می کنند تا وابستگی کائوتریکوسپید ایستموس را از سایر مکانیسم های تاکی کاردی دهلیزی متمایز کنند.

 ^یکی دیگر از کاربردهای مهم بالینی در قلب و عروق، طبقه بندی تنگی عروق کرونر از نظر عملکردی مهم در سی تی آنژیوگرافی عروق کرونر است. 

اگرچه CNN ها در ابتدا در تشخیص تصویر استفاده می شدند، اما ابزار قدرتمندی در زمینه های دیگر نیز هستند.

این به طور مستقیم منطقی است زیرا تصاویر فقط آرایه های داده معمولی هستند.

به عنوان مثال، طبقه بندی قابل اعتماد صداهای قلب را می توان پس از پردازش توالی های صوتی به داده های مشابه داده های تصویر به دست آورد. 

3.4 شبکه های عصبی مکرر (RNN)

3.4.1 شهود

تا به حال، ما فقط در مورد شبکه های عصبی پیشخور بحث کرده ایم، به این معنی که اطلاعات فقط در یک جهت جریان دارد.

یکی دیگر از زیرشاخه های یادگیری تحت نظارت، RNN ها هستند. بر خلاف شبکه های پیشخور، آنها یک حلقه معطوف به عقب دارند.

لایه ها به لایه بعدی متصل می شوند، که سپس به لایه قبلی وصل می شود و یک حلقه تشکیل می دهد.

با این مکانیسم، داده های متوالی را می توان برای پیش بینی پردازش کرد. با در نظر گرفتن جدول زمانی به عنوان نمونه ای از رویدادهای متوالی، اظهاراتی در مورد آینده بر اساس یافته های گذشته و فعلی ساخته می شود.

به دلیل این حالت عملکرد، RNN ها بیشتر شبیه حافظه کوتاه مدت لوب فرونتال در انسان هستند. هنگامی که توپ پرتاب می شود، انسان تنها در صورتی می تواند در مورد موقعیت بعدی اظهار نظر معناداری داشته باشد که موقعیت های قبلی در نظر گرفته شود.

RNN ها پیش بینی های متوالی مشابهی را انجام می دهند.

3.4.2 کاربردهای بالینی

با توجه به این معماری، آنها به ویژه برای تجزیه و تحلیل رویدادهای متوالی مانند الکتروکاردیوگرام، داده صوتی در سمع، و پردازش زبان مناسب هستند.

 زمینه های امیدوارکننده دیگر، پیش بینی ایست قلبی در بیمارستان یا آسیب حاد کلیه در بیماران بستری در بیمارستان است.

توالی زمانی مقادیر آزمایشگاهی و نتایج تشخیصی در این موارد مورد تجزیه و تحلیل قرار می گیرد.

هوش مصنوعی و کاربرد آن در پزشکی قلب و عروق

3.5 یادگیری بازنمایی تحت نظارت خود

3.5.1 شهود

یادگیری تحت نظارت وابسته به برچسب گذاری مقدار زیادی از داده ها است. با این حال، برچسب گذاری داده ها گران است.

بنابراین، مجموعه داده های برچسب گذاری شده با کیفیت بالا محدود هستند. از این رو مفاهیم جدیدی در سال های اخیر توسعه یافته است.

یادگیری خود نظارتی یک رویکرد الگوریتمی است که نحوه یادگیری کودکان در 24 ماه اول را تقلید می کند.

در این دوره، کودکان در درجه اول با مشاهده می آموزند.

هنگام مشاهده، مغز یاد می گیرد که آینده را بر اساس گذشته پیش بینی کند یا تنها با نشان دادن بخش هایی از آن، کل تصویر را پیش بینی کند.

سپس پیش‌بینی با واقعیت مقایسه می‌شود و شبکه عصبی در مغز به طور مداوم اصلاح می‌شود. مفهومی از جهان از طریق مشاهده ایجاد می شود.

قرار دادن این در الگوریتم‌ها به این معنی است که فرآیند یادگیری به دو مرحله تقسیم می‌شود: (1) یک کار پراکسی طراحی می‌شود (مثلاً یک تصویر چرخانده می‌شود یا به قسمت‌هایی تقسیم می‌شود)، و مدل بر روی این کار بهانه آموزش داده می‌شود.

در طول این فرآیند، مدل ویژگی های بازنمایی تصویر را می آموزد. 

(2) مدل با داده های برچسب گذاری شده بسیار کمی در طول کار پایین دستی آموزش داده می شود.

3.5.2 کاربرد بالینی

این رویکرد با موفقیت در طبقه بندی تصاویر پزشکی استفاده شده است.

در قلب و عروق، یادگیری خود نظارتی برای اصلاح بازسازی آنژیوگرافی MR کرونری برای مصنوعات تنفسی استفاده شده است.

3.6 یادگیری تقویتی

3.6.1 شهود

یادگیری تقویتی از مفهوم شرطی سازی عامل که توسط اسکینر در علوم رفتاری معرفی شده است استفاده می کند.

یک نماینده می آموزد که بر اساس قوانین از پیش تعریف شده چه اقدامی انجام دهد تا بعداً بالاترین پاداش را دریافت کند.

عامل به طور مکرر تصمیمات مختلفی می گیرد تا زمانی که خط مشی بهینه را برای دستیابی به این هدف پیدا کند.

به عبارت دیگر، عامل از طریق آزمون و خطا یاد می گیرد. این مفهوم را می توان در سطح عصبی ردیابی کرد، زیرا نورون های دوپامینرژیک نوسانات فعالیت را بسته به موفقیت یا شکست نشان می دهند.

اجزای اساسی یک چارچوب تقویتی یک عامل و یک محیط هستند. عامل با محیط تعامل دارد. برای آوردن مثالی اسطوره‌ای: شاهزاده تسئوس در پیچ و خم به دنبال مینوتور می‌رود (شکل  5 ).

در این مورد، تسئوس عامل است و هزارتوی محیط. عامل در محیط اقدام می کند و برای آن پاداش می گیرد.

پاداش کامل معمولاً فوری نیست، زیرا مراحل زیادی باید برداشته شود. پس از هر مرحله، عامل در حالت جدیدی قرار می گیرد.

این حالت جدید ارزش خاصی دارد. برای بازگشت به مثال ماز، هر چه عامل به مینوتور نزدیکتر باشد، مقدار یک حالت بیشتر است.

اما چگونه نماینده می داند که در ابتدا چه گامی را باید بردارد؟ در اصل، عامل می تواند دو نوع عمل انجام دهد.

می تواند با برداشتن گام هایی با پاداش های مطلوب شناخته شده از محیط بهره برداری کند.

اما عامل همچنین می تواند محیط را کاوش کند، به این معنی که عامل یک گام تصادفی برای تعیین اینکه آیا این حرکت جدید با پاداش بیشتر یا کمتر همراه است یا خیر انجام می دهد.

این ترکیبی از اکتشاف و بهره برداری است که باعث یادگیری الگوریتم می شود. ریچارد بلمن این را به شکل ریاضی در 50 قرن گذشته بیان کرد.

3.6.2 کاربردهای بالینی

یادگیری تقویتی را می توان در موقعیت های پزشکی که تصمیم گیری متوالی اجباری است استفاده کرد.

بنابراین منطقه عملیاتی آن می تواند سیستم های پشتیبانی تصمیم گیری بالینی باشد. در این زمینه، یک تابع پاداش واضح باید تعریف شود.

اولین تجربیات با این الگوریتم ها در مورد تهویه مکانیکی یا دوز آرام بخش در پزشکی مراقبت های ویژه انجام شده است. 

یکی دیگر از رویکردهای جالب در قلب و عروق استفاده از یک مدل تقویتی برای یافتن دوز داروی ضد آریتمی دوفتیلید است.

3.7 ترانسفورماتورها

3.7.1 شهود

در واقع، مدل های ترانسفورماتور خارج از محدوده این بررسی هستند. با این حال، از آنجایی که سطح کاملاً جدیدی از هوش مصنوعی با آنها به دست آمده است، در این مرحله به طور مختصر در مورد آنها صحبت خواهیم کرد.

آنها متعلق به مدل های مولد هوش مصنوعی هستند که داده های جدیدی را بر اساس داده های موجود تولید می کنند.

این داده های جدید می توانند متن، تصویر یا کد باشند. دادن یک ورودی، که به آن «سریع» نیز می‌گویند، به مدل مولد، محتمل‌ترین پاسخ را از نظر آماری نشان می‌دهد.

در این ویژگی، آنها با مدل های تبعیض آمیز سابق تفاوت دارند. مدل های متمایز به عنوان خروجی احتمال تعلق به یک برچسب را می دهند.

تاریخچه ترانسفورماتورها با مقاله “توجه تنها چیزی است که نیاز دارید” آغاز شد که مفهوم اصلی این معماری جدید نیز هست.

 مکانیسم توجه تلاش می کند تا معنای هر قطعه از اطلاعات را در دنباله ای از اطلاعات شناسایی کند. در این توانایی، الگوریتم شبیه هوش انسانی است.

به عنوان مثال، وقتی یک انسان تصویری را می بیند، مغز انسان می تواند قسمت های مهم را از غیر مهم تشخیص دهد.

سپس مغز توجه را به این بخش‌های حیاتی معطوف می‌کند و ویژگی‌هایی را از این مناطق استخراج می‌کند.

ترانسفورماتورها متعلق به الگوریتم های یادگیری نیمه نظارتی هستند. آنها توسط مجموعه داده های بدون برچسب از قبل آموزش داده شده و توسط یادگیری نظارت شده تنظیم شده اند.

برخلاف RNN، ترانسفورماتورها داده ها را نه به صورت متوالی بلکه بر اساس الگوریتم توجه تجزیه و تحلیل می کنند.

این به ترانسفورماتورها اجازه می دهد تا تجزیه و تحلیل های موازی انجام دهند و روند یادگیری را تسریع کنند.

LLMهایی مانند GPT-3 و -4 (ترانسفورماتور از پیش آموزش دیده نسل سوم و چهارم) BERT (نمایش رمزگذار دوطرفه از ترانسفورماتورها) و کلود ترانسفورماتورهای شناخته شده هستند.

3.7.2 کاربرد بالینی

یکی از پیشگامانه ترین موفقیت های ترانسفورماتورها در پزشکی، پیش بینی ساختار سه بعدی پروتئین ها بر اساس توالی پروتئین ها با استفاده از الگوریتم AlphaFold است. 

تاکنون تنها کاربردهای جداگانه ای از ترانسفورماتورها در قلب و عروق وجود داشته است. اخیراً گزارش شده است که Chat-GPT می تواند توصیه های منطقی درستی برای پیشگیری از بیماری های قلبی عروقی ارائه دهد.

3.8 شبکه های عصبی نمودار (GNN)

3.8.1 شهود

ML کلاسیک مشکل شناخت روابط متنی را دارد. با این حال، این نقطه قوت GNN ها است. آنها را می توان در هر دو تنظیمات یادگیری تحت نظارت و بدون نظارت اعمال کرد.

گراف روشی ساختاریافته برای نمایش داده های مربوط به رابطه بین پارامترها است.

در اصل، یک گراف شامل گره هایی است که گرداب نیز نامیده می شوند و یال ها که پیوند نیز نامیده می شوند.

یک مثال معمولی از یک نمودار یک شبکه اجتماعی است که در آن گره ها افراد هستند و لبه ها روابطی هستند که افراد با یکدیگر دارند.

گره ها می توانند شامل ویژگی های شخصی مانند سرگرمی ها، تحصیل در مدرسه و غیره باشند. لبه ها روابط بین گره ها هستند.

با استفاده از این معماری پایه، می توان سه گانه بین دو گره ایجاد کرد، مانند “نویسنده در آلمان متولد شده است”.

در این مورد، گره ها “نویسنده” و “آلمان” هستند و لبه “متولد شده است”. مثال دیگر مولکول ها هستند که اتم ها گره ها و پیوندها لبه ها هستند.

پس از ایجاد گره ها و لبه ها، یک ماتریس مجاورت نشان دهنده اتصالات بین گره ها و یک ماتریس درجه است که تعداد اتصالات هر گره را نشان می دهد.

3.8.2 کاربردهای بالینی

GNN در قلب شناسی برای طبقه بندی نقشه های قطبی در تصویربرداری پرفیوژن قلب استفاده شده است.

 ^زمینه دیگر تخمین کسر جهشی بطن چپ در اکوکاردیوگرافی است. 

4 محدودیت های هوش مصنوعی

اگرچه هوش مصنوعی در بسیاری از زمینه‌های پزشکی به موفقیت چشمگیری دست یافته است، اما هنوز کامل نیست. سه محدودیت قابل توجه وجود دارد:

• آ.سوگیری داده ها و عدالت الگوریتمیدر یادگیری نظارت شده، کیفیت پیش‌بینی اساساً به کیفیت داده‌هایی که الگوریتم بر اساس آن آموزش داده شده است، متکی است. در این سناریو، طبقه بندی حقیقت زمینی بسیار مهم است. قابل قبول است که یک طبقه‌بندی تصویر فقط زمانی خوب کار کند که عکس‌های داده‌های آموزشی با دقت برچسب‌گذاری شوند. سوگیری داده ها در همین دسته قرار می گیرد. یک الگوریتم طبقه بندی اشعه ایکس که با داده های مردان آموزش داده شده است را نمی توان برای زنان اعمال کرد. با این حال، سوگیری داده ها اغلب آنقدر واضح نیست، اما می تواند بسیار ظریف باشد. از آنجایی که داده ها ثابت نیستند، جابجایی داده ها می تواند مشکلات قابل توجهی ایجاد کند. این دسته همچنین شامل عدالت الگوریتمی می شود. از آنجایی که الگوریتم ها اغلب با داده های تاریخی آموزش داده می شوند، این می تواند منجر به تبعیض گروه های آسیب پذیر شود. نمونه بارز آن الگوریتمی است که برای مدیریت سلامت میلیون ها بیمار استفاده شده است. این الگوریتم به اشتباه نشان داد که بیماران سیاه پوست به طور قابل توجهی بیمارتر از بیماران سفیدپوست هستند. 
• بخطرات امنیتیحملات خصمانه ورودی های مخربی به الگوریتم های ML هستند که عمداً سعی در ایجاد طبقه بندی اشتباه دارند. اگرچه هیچ نمونه ای گزارش نشده است، اما تهدید واقعی تلقی می شود و اقدامات متقابل مناسب در حال حاضر در حال توسعه است. 
• ج.تاثیر بر نتیجه بالینی

اگرچه مطالعات بیشتر و بیشتر با الگوریتم‌های هوش مصنوعی آینده‌نگر هستند، اما استاندارد طلایی در پزشکی همچنان کارآزمایی بالینی تصادفی‌سازی شده (RCT) است که تأثیر یک الگوریتم را بر پیامد بالینی بیماران ارزیابی می‌کند.

 به بیان عینی، کافی نیست که به اندازه حقیقت اصلی باشد، هر چند تعریف شده باشد. در نهایت، نتیجه بالینی در RCTها باید برابر یا بهتر از نتیجه حاصل از هوش انسانی باشد.

5 دیدگاه

در بسیاری از زمینه های هوش مصنوعی، تلاش هایی برای تقلید از ساختارهای مغز انسان صورت گرفته است.

با این حال، عملکرد و قابلیت های هوش انسانی با الگوریتم های فعلی دست نیافتنی است.

علوم اعصاب محاسباتی یک حوزه تحقیقاتی بین فناوری اطلاعات و علوم اعصاب است که فعالیت های علمی در این زمینه ها را در کنار هم قرار می دهد.

اگرچه شباهت های زیادی بین ANN ها و مغز انسان وجود دارد، اما تفاوت های اساسی نیز وجود دارد.

هوش مصنوعی نشان دهنده یک زمینه به سرعت در حال توسعه است. استفاده از آن می تواند تشخیص و درمان را در بسیاری از زمینه های پزشکی بهبود بخشد.

با این حال، استفاده هوشمندانه از هوش مصنوعی و نحوه عملکرد آن ضروری است. نباید برای پزشکان جعبه سیاه باشد.

اگرچه الگوریتم‌ها می‌توانند در بسیاری از موارد به طور مستقل عمل کنند، هنوز ضروری است که پزشکان آنها را درک کنند.

تصمیم نهایی در مورد تشخیص یا درمان باید با پزشک باقی بماند. این مرور کلی باید به درک اولیه از الگوریتم های اساسی هوش مصنوعی کمک کند.

با این حال، این بررسی تنها می تواند انتخاب کوچکی از الگوریتم ها را ارائه دهد و بنابراین ادعا نمی کند که کامل است.

هوش مصنوعی و کاربرد آن در پزشکی قلب و عروق

مهندس حمید تدینی: نویسنده و وبلاگ نویس مشهور، متخصص در زبان برنامه نویسی و هوش مصنوعی و ساکن آلمان است. مقالات روشنگر او به پیچیدگی های این زمینه ها می پردازد و به خوانندگان درک عمیقی از مفاهیم پیچیده فناوری ارائه می دهد. کار او به دلیل وضوح و دقت مشهور است.