با توجه به محبوبیت روزافزون و پذیرش «علم داده»، راهحلهای مختلفی توسط ابزارهای آسان و کاربرپسند علوم داده ارائه شده که میتوانند برای طراحی و ساخت مدلهای پیچیده داده مورد استفاده قرار گیرند. بهترین قسمت استفاده از این ابزارها این است که فرد در زبانهای برنامهنویسی نیازی به تخصص ندارد زیرا آنها با انواع توابع و الگوریتمهای از پیش تعریفشده طراحی شدهاند. در نتیجه، کسب و کارها میتوانند از بین انواع ابزارهای علم داده که برای عملکردهایی مانند ذخیرهسازی، تجزیه و تحلیل، مدلسازی و تجسم دادهها استفاده میشوند بسته به نیازهای خود، ابزار مناسب را برگزینند. این ابزارها جایگزین کدنویسی هستند و واسط گرافیکی (GUI) کاربرپسندی دارند به طوری که هرکسی با حداقل آشنایی با الگوریتمهای تحلیل داده، به سادگی میتواند از آنها برای ساخت مدل استفاده کند. در ادامه تعدادی از ابزارهای علم داده که دانشمندان داده معمولاً برای جمعآوری و تبدیل دادهها برای یک فرایند تصمیمگیری بهتر از آنها استفاده میکنند، معرفی میشوند.
یادگیری عمیق (Deep Learning) بخشی از یادگیری ماشین
(Machine Learning) است که برای حل مشکلات پیچیده و ایجاد راهحلهای هوشمند و مؤثر استفاده میشود. مفهوم اصلی یادگیری عمیق از ساختار و عملکرد مغز انسان گرفته شده است. یادگیری عمیق از شبکههای عصبی مصنوعی(ANN) برای تجزیهوتحلیل دادهها و پیشبینی استفاده میکند و تقریباً در هر بخش از صنعت کاربردی خاص دارد. در این تحقیق با برترین کاربردهای یادگیری عمیق آشنا میشویم.
دستیاران مجازی (Virtual Assistants)
یکی از کاربردهای یادگیری عمیق برای دستیاران مجازی است. دستیاران مجازی یکی از برنامههای کاربردی مبتنی بر کلود (Cloud-based) هستند که دستورهای صوتی زبان طبیعی را درک میکنند و وظیفههای خاصی را برای کاربر انجام میدهند. الکسا (Alexa)، کورتانا (Cortana)، سیری (Siri) و دستیار گوگل (Google Assistant) نمونههایی از دستیاران مجازی هستند. برای کار با تمامی قابلیتهای این دستیاران مجازی به اینترنت نیاز داریم. هر بار که یک فرمان به دستیار داده میشود آنها با استفاده از الگوریتمهای یادگیری عمیق و براساس تجربههای گذشته خود تجربه کاربری بهتری ارائه میکنند.
چتباتها (Chatbots)
چتباتها میتوانند مشکلات مشتری را در چند ثانیه حل کنند. چتبات برنامه کاربردی هوش مصنوعی (Artificial Intelligence) برای چت آنلاین از طریق متن یا تبدیل متن به گفتار است. این چتباتها قادر به برقراری ارتباط و انجام دادن اقدامات مشابه با انسان هستند. چتباتها در تعامل با مشتری، بازاریابی در شبکههای اجتماعی و پیامرسانی فوری به مشتری بسیار استفاده میشوند. آنها پاسخهایی خودکار به کاربر ارائه میکنند. چتباتها از الگوریتمهای یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) برای کار خود بهره میبرند.
پزشکی (Healthcare)
یادگیری عمیق در پزشکی نیز کاربرد بسیار ویژهای دارد. در حال حاضر، تشخیص بیماری بهکمک کامپیوتر با استفاده از یادگیری عمیق امکانپذیر شده است که در آن برای تحقیقات پزشکی، کشف دارو و تشخیص بیماریهای خطرناک، مانند سرطان، از طریق تصویربرداری پزشکی از یادگیری عمیق استفاده میشود.
سرگرمی (Entertainment)
شرکتهایی مانند Netflix, Amazon, YouTube, Spotify فیلمها، آهنگها و ویدیوهای مرتبطی را برای افزایش تجربه مشتری خود به کاربر پیشنهاد میدهند. همه اینها به لطف یادگیری ماشین امکانپذیر است و این حوزه یکی از مهمترین کاربردهای یادگیری عمیق محسوب میشود. براساس سابقه جستوجو و علایق و رفتار یک فرد، شرکتهای پخش آنلاین پیشنهادهایی را برای کمک به کاربر در انتخاب محصولات و خدمات ارائه میکنند؛ همچنین از تکنیکهای یادگیری عمیق برای افزودن صدا به فیلمهای بیصدا و ایجاد زیرنویس بهصورت خودکار استفاده میشود.
تجمیع اخبار و تشخیص اخبار جعلی
(News Aggregation and Fake News Detection)
یادگیری عمیق به ما امکان میدهد اخبار را بسته به علایق خوانندگان سفارشی کنیم. میتوانیم اطلاعات خبری را براساس پارامترهای اجتماعی، جغرافیایی، اقتصادی و ترجیحات فردی خواننده جمعآوری و فیلتر کنیم؛ همچنین شبکههای عصبی به ایجاد طبقهبندی کنندههایی کمک میکنند که میتوانند اخبار جعلی و مغرضانه را شناسایی و آنها را حذف کنند؛ همچنین آنها به ما در مورد نقض احتمالی حریم خصوصی هشدار میدهند.
امروزه راههایی برای فیلتر کردن خبرهای بد و زشت از اخبار مورد نظر شما وجود دارد. استفاده گسترده از یادگیری عمیق در جمع آوری اخبار، موجب تقویت تلاشها برای سفارشی سازی اخبار براساس خواسته خوانندگان است. اگرچه ممکن است این مسئله جدید به نظر نرسد، اما سطح جدیدتری از پیچیدگی برای تعریف کلمات خواننده برای فیلتر کردن اخبار مطابق با پارامترهای جغرافیایی، اجتماعی، اقتصادی همراه با تنظیمات فردی خواننده در حال انجام است.
از سوی دیگر، کشف اخبار جعلی در دنیای امروز که اینترنت به منبع اصلی همه اطلاعات واقعی و جعلی تبدیل شده است، یک اصل مهم است. تفکیک اخبار جعلی بسیار دشوار است زیرا رباتها آن را به صورت خودکار در کانالها تکرار میکنند. کمبریج آنالیتیکا یک نمونه کلاسیک از چگونگی تأثیر اخبار جعلی، اطلاعات شخصی و آمار است.
آهنگسازی (Composing Music)
با کمک یادگیری عمیق، یک ماشین میتواند نتها، ساختارها و الگوهای موسیقی را بیاموزد و بهطور مستقل، شروع به تولید موسیقی کند. از مدلهای مولد مبتنی بر یادگیری عمیق، مانند WaveNet، میتوان برای ایجاد صدای خام (Raw Audio) استفاده کرد؛ همچنین شبکه عصبی LSTM برای تولید خودکار موسیقی و جعبهابزار Music21 Python برای موسیقیشناسی به کمک کامپیوتر استفاده میشود.
رنگآمیزی تصاویر (Image Coloring)
رنگآمیزی تصاویر با استفاده از یادگیری عمیق پیشرفتهای چشمگیری کرده است. رنگآمیزی تصاویر، یعنی یک تصویر خاکستری، به سیستم وارد و سپس در خروجی تصویر رنگی را دریافت کنیم؛ برای مثال، ChromaGAN نمونهای از مدل رنگآمیزی تصاویر است.
رباتیک (Robotics)
یادگیری عمیق در ساخت رباتها برای انجام دادن وظایف مشابه انسان استفاده میشود. این رباتها که از یادگیری عمیق بهره میبرند از بهروزرسانیهای لحظهای یا بلادرنگ برای تشخیص موانع موجود در مسیر خود و برنامهریزی سریع حرکت خود استفاده میکنند. از این رباتها میتوان برای حمل کالا در بیمارستانها، کارخانهها، انبارها و تولید محصولات استفاده کرد.
زیرنویس تصاویر (Image Captioning)
زیرنویس تصاویر بهمعنای ایجاد توصیف متنی از یک تصویر است. برای درک محتوای تصویر از بینایی ماشین (Computer vision) استفاده میشود و از مدل زبانی (Language Model) برای تبدیل درک تصویر به کلمهها استفاده میشود. مایکروسافت ربات زیرنویس خود را ساخته است که میتوانیم در آن یک تصویر یا URL تصویر را بارگذاری کنیم تا توضیحات متنی تصویر را نمایش دهد. یکی دیگر از برنامههای کاربردی که یک عنوان کامل برای تصاویر را ارائه میدهد Caption AI است.
تبلیغات (Advertising)
در تبلیغات هم یادگیری عمیق کاربردهای متنوعی دارد؛ برای مثال، یادگیری عمیق به بهبود تجربه کاربر کمک میکند. یادگیری عمیق به ناشران و تبلیغکنندگان کمک میکند تا کمپینهای تبلیغاتی را تقویت کنند و شبکههای تبلیغاتی را قادر میکند تا هزینههای مصرفی برای هر کمپین را کاهش دهند. با استفاده از یادگیری عمیق میتوان تبلیغات را مبتنی بر داده ایجاد کرد تا برای هر کاربر مطابق با علاقهها و جستوجوهایش محصولات مناسبی را تبلیغ کرد.
خودروهای خودران
یادگیری عمیق نیرویی است که خودروهای خودران را به واقعیت تبدیل کرده است. برای اجرای این کار، یک میلیون مجموعه داده برای ساخت یک مدل، آموزش ماشین برای یادگیری و سپس آزمایش نتایج در یک محیط امن به سیستم داده میشود. آزمایشگاههای هوش مصنوعی Uber در پیتسبورگ نه تنها در زمینه ایجاد امنیت برای خودروهای بدون راننده کار میکنند بلکه چندین ویژگی هوشمند مانند گزینههای امکانات غذا با استفاده از خودروهای بدون راننده را نیز در آنها ادغام میکنند.
نگرانی عمده برای توسعه دهندگان خودروهای خودران، مدیریت سناریوهای بیسابقه است. وجود یک چرخه منظم تست و پیاده سازی معمولی برای الگوریتمهای یادگیری عمیق موجب اطمینان از رانندگی ایمن با مواجهه بیشتر و بیشتر با میلیونها سناریو است. دادههای حاصل از دوربینها، حسگرها، نقشه برداریهای جغرافیایی به ایجاد مدلهای مختصر و پیچیده برای پیمایش ترافیک، شناسایی مسیرها، تابلوها، مسیرهای مخصوص عابر پیاده و عناصر در زمان مورد نیاز مانند حجم ترافیک و انسداد جادهها کمک میکند. طبق گفته فوربس،MIT در حال توسعه سیستم جدیدی است که به خودروهای خودمختار امکان میدهد بدون نقشه حرکت کنند زیرا نقشه برداری سه بعدی هنوز محدود به مناطق پر برخوردار جهان است و در سایر نقاط جهان به همان اندازه مؤثر نیست.
تدی اورت، دانشجوی کارشناسی ارشد CSAIL معتقد است دلیل این که قبلاً این نوع رویکرد بدون نقشه تا کنون انجام نشده است، این است که دستیابی به همان دقت و قابلیت اطمینان همانند نقشههای دقیق، بسیار دشوارتر است. سیستمی از این دست که میتواند فقط با حسگرهای روی صفحه حرکت کند، نشان میدهد که اتومبیلهای خودران قادر به حرکت در تعداد کمی از جادههایی هستند که شرکتهای فناوری از آنها نقشه برداری کردهاند.
یادگیری عمیق در حوزه سلامت
یادگیری عمیق به متخصصان و محققان پزشکی کمک میکند تا فرصتهای پنهان در دادهها را کشف کرده و به صنعت مراقبتهای بهداشتی و سلامت بهتر خدمت کنند. یادگیری عمیق در حوزه سلامت، تجزیه و تحلیل دقیق هر بیماری را در اختیار پزشکان قرار میدهد و به آنها کمک میکند تا بهتر فرآیند درمان را انجام دهند. بنابراین تصمیمات پزشکی بهتری را در پی دارد. در ادامه با چند مورد از مهمترین کاربردهای یادگیری عمیق در حوزه پزشکی و سلامت اشاره میشود.
تجویز داروی مناسب
یادگیری عمیق در حوزه مراقبتهای بهداشتی به کشف داروها و توسعه آنها کمک میکند. این فناوری سابقه پزشکی بیمار را تجزیه و تحلیل کرده و بهترین درمان را برای آنها ارائه میدهد. همچنین، این فناوری از علائم و آزمایشهای بیمار بینش (Insight) میگیرد.
تصویربرداری پزشکی
از تکنیکهای تصویربرداری پزشکی مانند اسکن MRI، سی تی اسکن، نوار قلب، برای تشخیص بیماریهای مهلک مانند بیماریهای قلبی، سرطان، تومور مغزی استفاده میشود. از این رو، یادگیری عمیق به پزشکان کمک میکند تا بیماری را بهتر تجزیه و تحلیل کرده و بهترین درمان را برای بیماران ارائه دهند.
تقلب در بیمه
از یادگیری عمیق برای تجزیه و تحلیل ادعاهای کلاهبرداری بیمه درمانی استفاده میشود. با تجزیه و تحلیل پیش بینی، میتوان ادعاهای کلاهبرداری را که احتمال دارد در آینده رخ دهد، پیش بینی کرد. علاوه بر این، یادگیری عمیق به صنعت بیمه کمک میکند تا تخفیف و پیشنهاداتی را برای بیماران مورد نظر خود ارائه دهد.
بیماری آلزایمر
آلزایمر یکی از چالشهای مهم صنعت پزشکی است. از تکنیک یادگیری عمیق برای تشخیص بیماری آلزایمر در مراحل اولیه استفاده میشود.
ژنوم
از تکنیک یادگیری عمیق برای درک ژنوم و کمک به بیماران برای کسب اطلاعات در مورد بیماریهایی که ممکن است بر آنها تأثیر بگذارد، استفاده میشود. یادگیری عمیق، آینده امیدوار کنندهای در زمینه ژنومیک و صنعت بیمه دارد. انتلیک میگوید که آنها از تکنیک یادگیری عمیق برای سریعتر و دقیقتر کردن پزشکان استفاده میکنند. Cellscope از تکنیک یادگیری عمیق استفاده میکند و به والدین کمک میکند تا سلامت فرزندان خود را از طریق یک دستگاه هوشمند در زمان واقعی کنترل کنند. بنابراین ملاقاتهای مکرر با پزشک را به حداقل میرساند. یادگیری عمیق در مراقبتهای بهداشتی میتواند کاربردهای شگفت انگیزی را در اختیار پزشکان و بیماران قرار دهد. به پزشکان کمک میکند تا درمانهای پزشکی بهتری انجام دهند.
جراحیها
جراحی با کمک هوش مصنوعی، متداولترین کاربرد یادگیری عمیق در پزشکی است. یادگیری عمیق در این بخش به کمک پزشکان میآید و با تحلیل و بررسی الگوهای جراحیهای پیشین، جراح را در حین جراحی همراهی میکند. معمولاً راهکارهای جراحی ارائه شده توسط یادگیری عمیق، مدت بستری بیمار را تا ۲۱٪ کاهش میدهد؛ چرا که این راهکارها تا حد ممکن غیر تهاجمی یا با میزان تهاجمی بسیار کمتر هستند و بدن بیمار برای بهبودی از این نوع جراحی به زمان کمتری نیاز دارد.
ساخت اندامهای مصنوعی
یکی دیگر از کاربردهای یادگیری عمیق در پزشکی، ساخت اندامها و ارگانهای مصنوعی است. قطعاً ساخت چنین مصنوعاتی نیازمند بررسی دقیق عملکرد بدن انسان و شیوه پاسخگویی آن به محرکهای گوناگون است. دانشمندان و مهندسان پزشکی برای ساخت این اندامها از هوش مصنوعی کمک میگیرند و با استفاده از الگوریتمهای یادگیری عمیق حجم عظیمی از دادههای پزشکی را مورد بررسی قرار میدهند و با تشخیص الگوهای گوناگون طراحی اولیه اندامها را انجام میدهند. استفاده از این روش در طراحی اندامها سرعت و دقت تولید را تا حد زیادی افزایش میدهد.
ژنتیک
DNA انسان، تمامی اطلاعات ژنتیکی او را در خود جای داده است. گسترش کاربردهای یادگیری عمیق در پزشکی این امکان را برای متخصصین ژنتیک فراهم کرده که با بررسی ژنومهای هر فرد به ناشناختههای بدن انسان دست پیدا کنند. درواقع، یادگیری عمیق با تحلیل دادههای ژنتیکی و دستهبندی آنها و همچنین شناسایی الگوهای همسان، درک و شناخت ما از ژنومها را افزایش داده است. این موضوع میتواند در پیشبینی و طبقهبندی جهشهای ژنتیکی، اتصال ژنوتایپ به فنوتایپ و رفع مشکلات ژنتیکی به پزشکان یاری برساند.
داروسازی
در دهههای اخیر، کاربرد یادگیری عمیق در پزشکی به مرحله جدیدتری وارد شده و حوزه داروسازی را نیز در بر گرفته است. یادگیری عمیق در این بخش با پیشبینی فعالیتهای زیستی سلولها، طراحی مولکولی جدید، پیشبینی پیوندهای مولکولی و تجزیه و تحلیل تصاویر بیولوژیکی به کمک داروسازان میآید و کشف داروهای جدید را امکانپذیر میکند.
پردازش تصاویر
کاربرد یادگیری عمیق در پردازش تصویر یکی دیگر از کاربردهای بسیار چالش برانگیز این سیستم در دنیای طراحیهای کامپیوتری است. خوشبختانه کاربرد یادگیری عمیق در پردازش تصویر نیز میتواند بسیار کمک کننده باشد. معمولاً پردازش تصاویر میتواند با مشکلات زیادی مثل خطاهای دستهبندی تصویر، رنگبندی تصویر، بازسازی مجدد تصویر و مشکلاتی از این دست همراه باشد. کاربرد یادگیری عمیق در پردازش تصویر به ارائه سرویسها و نرمافزارهای گوناگونی اختصاص دارد که میتوانند با بررسی هزاران الگوی مختلف از میان دادههای مرتبط با مشکلات تصویر، این خطاهای اساسی را شناسایی و برطرف کنند.
یادگیری عمیق برای تشخیص انواع سرطان
انکولوژیست ها سالها است که از روشهای تصویربرداری پزشکی مانند توموگرافی کامپیوتری، تصویربرداری با رزونانس مغناطیسی و اشعه ایکس استفاده میکنند. در حالی که ثابت شده است که این سیستمها برای بسیاری از انواع سرطان مؤثر هستند اما تعداد زیادی از بیماران از سرطانهایی رنج میبرند که با این دستگاهها قابل تشخیص نیستند. شبکههای عصبی مانند شبکههای عصبی پیچشی، وعدههای مربوط به آینده تشخیص سرطان را محقق میکنند. براساس همان تصاویر پزشکی، شبکههای عصبی مصنوعی میتوانند سرطان را در مراحل اولیه با درصد خطای کمتر تشخیص داده و نتایج بهتری را برای بیماران فراهم کنند. به تازگی، دانشمندان موفق به آموزش مدلهای مختلفی از یادگیری عمیق برای تشخیص انواع مختلف سرطان با دقت بالا شدهاند.
در ادامه نمونههایی از تحقیقات دانشمندان را بررسی میکنیم:
یادگیری عمیق در پیشبینی بیماری و درمان
در سال ۲۰۰۶ هزینه بستری افرادی که به بیماری قابل پیش پیشگیری دچار شده بودند در آمریکا به ۳۰ میلیارد دلار رسید. نیمی از بیماران بستری شده از دو بیماری رنج میبرند: مشکلات قلبی و دیابت. از یادگیری عمیق میتوان برای بهبود میزان تشخیص و مدت زمان لازم برای ایجاد پیش آگاهی استفاده کرد. این امر میتواند تعداد بستری شدگان را به شدت کاهش دهد. برخی از تیمهای تحقیقاتی در حال حاضر راه حلهای خود را برای این مشکل به کار میگیرند.
رتینوپاتی دیابتی
در کشورهای در حال توسعه، بیش از ۴۱۵ میلیون نفر از نوعی نابینایی به نام رتینوپاتی دیابتی رنج میبرند که از عوارض ناشی از دیابت است. یادگیری عمیق میتواند به جلوگیری از این بیماری کمک کند. یک مدل از شبکههای عصبی مصنوعی، میتواند با دادههای گرفته شده از تصویربرداری شبکیه، تشخیص خونریزی، علائم اولیه و شاخصهای رتینوپاتی دیابتی کار کند. بیماران دیابتی به دلیل تغییرات شدید سطح قند خون، به این عارضه دچار میشوند. این در حالی است که بیماران دیابتی را میتوان از نظر سطح گلوکز کنترل کرد. یک مدل یادگیری عمیق میتواند از این دادهها برای پیشبینی زمان افزایش و کاهش سطح گلوکز خون بیماران استفاده کند و به آنها اجازه میدهد تا با خوردن یک میان وعده پر شکر یا تزریق انسولین، عکس العمل نشان دهند.
ویروس نقص سیستم ایمنی انسان (HIV)
بیش از ۳۶ میلیون نفر در سراسر جهان از ویروس نقص سیستم ایمنی بدن رنج میبرند. این افراد برای درمان وضعیت خود نیاز به دریافت دوز روزانه داروهای ضد ویروس دارند. HIV میتواند به سرعت جهش یابد. بنابراین، برای ادامه درمان HIV، باید داروهای تجویز شده برای بیماران را تغییر دهیم. استفاده از یک الگوی یادگیری عمیق به نام یادگیری تقویتی میتواند به ما در مقابله با این نوع ویروسها کمک کند. در این روش، مدل پیچشی میتواند بسیاری از نشانگرهای زیستی را با استفاده از هر دوز دارو ردیابی کرده و بهترین مسیر عملی را برای درمان مداوم فراهم کند.
تیمی از محققان در دانشگاه تورنتو ابزاری به نام DeepBind ایجاد کردهاند. طوری که یک مدل شبکه عصبی پیچشی که دادههای ژنومی را میگیرد و توالی پروتئینهای اتصال دهنده DNA و RNA را پیش بینی میکند. محققان میتوانند از DeepBind برای ایجاد مدلهای رایانهای استفاده کنند که اثرات تغییرات در توالی DNA را نشان دهد. آنها میتوانند از این اطلاعات برای توسعه ابزارها و داروهای تشخیصی پیشرفتهتر استفاده کنند.
موارد مربوط به حریم خصوصی ناشی از استفاده از یادگیری عمیق در بهداشت و درمان
با وجود مزایای بسیاری که استفاده از سیستمهای سلامت الکترونیک به همراه دارد همچنان ریسکهایی را نیز به دنبال خواهند داشت. دادههای ذخیره شده در این سیستمها حامل اطلاعات شخصی بیماران است که در بسیاری موارد افراد ترجیح میدهند این اطلاعات محرمانه باقی بمانند. بیمارستانها همچنین دادههای غیر پزشکی، مانند آدرس بیماران و اطلاعات کارت اعتباری آنها را ذخیره میکنند که این سیستمها را به عنوان هدف اصلی هکرها تبدیل میکند. با وجود دادههای حساس ذخیره شده در سیستمهای سلامت الکترونیک و آسیب پذیری آنها، محافظت از آن و حفظ حریم خصوصی بیماران بسیار مهم است.
تعجب آور نیست که در آینده نزدیک، شاهد باشیم که میانگین «امید به زندگی» بشر ۲۰ سال افزایش یابد و این امر میسر نخواهد شد مگر توسط تکنیکهای هوش مصنوعی و یادگیری عمیق.
یادگیری عمیق در MRI
پای فناوری هوش مصنوعی به بخش تازهای از صنعت بهداشت و درمان باز شده و از این پس شاهد استفاده از یادگیری عمیق در MRI خواهیم بود. تصویربرداری تشدید مغناطیسی که بیشتر با نام MRI شناخته میشود ابزاری غیرتهاجمی برای تشخیص بیماری است. از این ابزار برای تشخیص و ارزیابی میزان پیشروی بیماریهای مغز و اعصاب، اختلالات اسکلتی-عضلانی، بیماریهای قلبی-عروقی و سرطان استفاده میشود. هرچند، MRI مزایای بیشتری نسبت به سایر تکنیکهای تصویربرداری پزشکی دارد اما سرعت کم آن منجر به افزایش هزینهها، مضطرب شدن بیماران و کاهش کیفیت تصویر میشود. علاوه بر این، گاهی مجبور میشویم به کودکان داروی آرامبخش بدهیم.
مؤسسه ملی بهداشت (NIH) کمکهزینهای به مبلغ ۳/۲ میلیون دلار (به مدت چهار سال) به گروهی بین رشتهای، متشکل از مهندسان، پزشکان و دانشمندان اهدا کرده است تا تکنیکهای سریعتر و دقیقتری برای MRI ارائه دهند. رهبری این گروه را دانشیار مهندسی پزشکی، رضوان احمد و استاد مهندسی کامپیوتر، فیلیپ اشنیتر بر عهده گرفتهاند.
در MRI بدن بیمار چندین بار اسکن میشود و این روند ممکن است یک یا بیشتر از یک ساعت به طول بینجامد. در طول اسکن از بیمار خواسته میشود چند دقیقه آرام و بیحرکت باقی بماند، زیرا کوچکترین حرکتی بر کیفیت تصویر تأثیر میگذارد. علاوه بر این، تقاضا برای استفاده از MRI در مواردی که زمان اهمیت زیادی دارد، رو به افزایش است؛ تصویربرداری از قلب در حال تپش یا رویدادهای گذرا که فقط چند ثانیه به طول میانجامند، نمونههایی از این دست هستند. حال کاربرد یادگیری عمیق در MRI قصد دارد عملکرد آن را بهبود بخشد.
اشنیتر معتقد است یکی از اصلیترین محرکهای کاهش مدت زمان MRI است. تلاش میشود از تمامی متغیرهایی که در روشهای تصویربرداری سنتی اندازهگیری میشوند استفاده نشود، اما در چنین حالتی تمامی اطلاعات کسبشده از این متغیرها از دست میرود.
نحوه کار یادگیری عمیق در MRI به این صورت است که این پژوهشگران به منظور جایگزینی اطلاعات از دست رفته و بازیابی تصویر یک چارچوب یادگیری عمیق قدرتمند و جامع را توسعه داده و صحت آن را ارزیابی میکنند. این چارچوب سرعت و کیفیت بازسازی تصویر MRI را افزایش میدهد. چارچوب پیشنهادی این پژوهشگران با استفاده از الگوریتمهای (Plug-and-Play (PnP مدلهای جمعآوری داده را با مدلهای تصویری آموزش داده شده تلفیق میکند. الگوریتمهای PnP سریعتر از روشهای سنتی تصویربرداری پزشکی، تصاویر را بازسازی میکنند و این درحالی است که کیفیت و ارزش تشخیصی این تصاویر بالاتر است. همچنین، این پژوهشگران برای ارتقای کیفیت تصاویر از متدهای کاهش نویز مبتنی بر یادگیری عمیق استفاده میکنند. متن پژوهش آنها در مجله پردازش سیگنال IEEE منتشر شده است.
وجه تمایز روش PnP دوگانه بودن آن است؛ به عبارت دیگر در این روش از رویکردهای مبتنی بر یادگیری ماشین و رویکردهای فیزیک مهندسی استفاده شده و برای ارائه تصویر نهایی متناوباً میان آنها تکرار میشود. چنانچه روش پیشنهادی این گروه برای استفاده از یادگیری عمیق در MRI به صورت کامل پیادهسازی و اجرا شود، مدت زمان اسکن MRI به نصف کاهش مییابد. در این روش نیازی به اصلاح سختافزاری نیست؛ پایانه کامپیوتری که به اسکنر MRI متصل شده است، محاسبات را انجام میدهد. پزشکان ترجیح میدهند تصاویری که اسکنر MRI ثبت میکند را بدون فوت وقت ببیند و بررسی کنند و در صورتی که این الگوریتم توسعه یابد میتوان امیدوار بود که در عرض چند ثانیه تصویر را بازیابی کند. این تیم برای نمایش کاربردهای گسترده الگوریتم خود، چارچوب آن را بر روی دادههای MRI بیمارانی که در رده سنی کودکان و بزرگسالان قرار داشتند آزمایش خواهند کرد. این چارچوب به طور خاص میتواند در تصویربرداری متحرک قلب و مغز کاربرد داشته باشد. به عقیده احمد، در صورت موفقیت این چارچوب، ارتقای کیفیت تصاویر و تسریع فرایند MRI میتواند تقریباً در تمامی کاربردهای MRI مفید باشد. اهمیت کاهش مدت زمان MRI به ویژه در هنگام اسکن بدن کودکان مشخص میشود.
تصویربرداری کودکان به مراتب دشوارتر است، زیرا کودکان کم سن و سال نمیتوانند آرام و بیحرکت در اسکنر MRI قرار بگیرند و به همین دلیل باید به آنها داروی آرامبخش داد. علاوه بر این «طبق نتایج تحقیقات مختلف، استفاده از داروی آرامبخش در طولانی مدت عوارض خاص خود را دارد و به همین دلیل مصرف آن را باید به حداقل رساند. از این رو، در تصویربرداری کودکان مهم است که بدن کودک را هر چه سریعتر اسکن کنیم. همچنین، این تیم در نتیجه استفاده از برخی روشهای خاص کاهش نویز در راهکاری که برای تصویربرداری از بدن ارائه داده بودند، به نتایج بهتری دست پیدا کردهاند. این الگوریتمها با حذف آرتیفکتهای غیرضروری از نمونهها، کیفیت تصاویر را ارتقا میدهند. هدف آنها این است که این روش را به گونهای توسعه دهند که در موارد خاص استفاده شود.
تصاویر مغز با تصاویر قلب تفاوت زیادی دارند و به همین دلیل میتوانیم روشهای کاهش نویز را برای موارد خاص آموزش دهیم. با توجه به اینکه این روش کاهش نویز بسیار خاص است، عملکرد بهتری نیز خواهد داشت. در طول فرایند آموزش، این گروه از هزاران دیتاست تصویری، از جمله دیتاست تصویری fastMRI دانشگاه نیویورک برای آموزش متد کاهش نویز خود استفاده کردند. روشهای کاهش نویز، شبکههای عصبی محاسباتی هستند و ساختار پردازشی آنها بسیار شبیه به مغز پستانداران است. ما برای آموزش آنها از تعداد زیادی تصویر پزشکی استفاده میکنیم و در نهایت آنها ساختار و نحوه حذف نویز از تصاویر پزشکی را میآموزند.
این پژوهشگران به عنوان بخشی از پروژه خود و برای کمک به پیشرفت بیشتر این حوزه، منبعی (Repository) متن باز از هزاران دیتاست تصویری قلب ایجاد کردهاند.
کاری که فلوریان نول با دیتاست fastMRI انجام داد الهامبخش این کار بوده است. ایجاد دیتاست به نوعی نقش کاتالیزور را برای پیشرفتهای این حوزه ایفا میکند. بسیاری از گروهها میتوانند این دادههای پزشکی را به کار گیرند و برای ارتقای عملکرد این متد با یکدیگر رقابت کنند. پژوهشگرانی از دانشگاه پزشکی ایالتی اوهایو، کارولینا زاربا، دانشیار بیماریهای قلبی-عروقی، اورلاندو سیمونتی، استاد رادیولوژی و بیماریهای قلبی-عروقی، گای بروک، دانشیار پژوهشی انفورماتیک زیستپزشکی پژوهشگران همکار در این پژوهش هستند. دکتر مای لان هو از بیمارستان ملی کودکان و فلوریان نول، دانشیار رادیولوژی از دانشگاه نیویورک نیز پژوهشگران همکار در این پژوهش هستند. این پژوهش تحت حمایت مؤسسه ملی تصویربرداری زیستپزشکی و مهندسی زیستشناسی (NIBIB) قرار دارد.
یادگیری عمیق و آینده انسان
کاربردهای یادگیری عمیق در لایههای تخصصیتری از زندگی ما ایرانیها در جریان است اما هنوز چند مثال کاملاً ملموس برای آن وجود دارد. یکی از شناختهشدهترین کاربردهای یادگیری عمیق در ایران، استفاده از این متد در صنعت رباتیک و ساخت رباتهای هوشمند است. ایران در زمینه رباتیک حرفهای زیادی برای گفتن دارد و مسابقات رباتیک هر ساله در گروههای سنی گوناگونی برگزار میشود.
شاید برای شما هم پیش آمده باشد که پس از یک سفر خارجی و گیر افتادن در موقعیتی اضطراری از اینکه زبان آن کشور را نمیدانید، احساس تأسف کرده باشید. خوشبختانه یکی از کاربردهای یادگیری عمیق، ترجمه یک زبان به چند زبان دیگر است. امروزه نرمافزارهای مترجم بسیار زیادی وجود دارند که میتوانند تمامی زبانهای زنده دنیا را به فارسی ترجمه کنند.
پهپادهای خودران یکی دیگر از مواردی هستند که با کمک یادگیری عمیق کنترل میشوند. حتماً نام پهپاد پستی به گوشتان خورده است، این پهپادها که هنوز در حد یک نظریه باقی ماندهاند، از دیگر کاربردهای یادگیری عمیق در ایران هستند که قرار است به زودی جای پستچیهای معمولی را بگیرند.
با توجه به کاربرد یادگیری عمیق در تمام بخشهای زندگی، پیشبینیها و گمانهزنیهای بسیاری درمورد آینده این شاخه از هوش مصنوعی صورت گرفته است. طبق این پیشبینیها به نظر میرسد که کاربرد یادگیری عمیق درآیندهای نه چندان دور شکل گستردهتری به خود میگیرد، برای مثال، پیشبینی میشود که جستوجو براساس مهندسی عصبی تبدیل به یکی از اجزای کلیدی برای ساخت مجموعه دادهها خواهد شد. همچنین کاربرد یادگیری عمیق در تقویت آموزشهای مجازی بدون نظارت، یکی از نقشهای قابل پیشبینی این عملکرد در آیندهای نزدیک است. جایگزینی هوش مصنوعی به جای حافظه کامپیوتر نیز یکی دیگر از کاربردهای یادگیری عمیق در آینده خواهد بود.
منابع:
http://viraai.com
https://virgool.io
https://amanjacademy.com
https://hooshio.com
https://karlancer.com
https://farashenasa.ir
http://cafetadris.com
دیدگاه ها