بخشی از پاورپوینت
اسلاید 1 :
بسم الله الرحمن الرحیم
اسلاید 2 :
موضوع تحقیق : هوش مصنوعی در پزشکی
درس : هوش مصنوعی
اسلاید 3 :
تاریخچه
هوش مصنوعی علمی است جوان با قدمتی بیش از نیم قرن . مباحث هوش مصنوعی پیش از بوجود آمدن علوم الکترونیک، توسط فلاسفه و ریاضی دانانی نظیر بول (Boole) که اقدام به ارائه قوانین و نظریههایی در باب منطق نمودند، مطرح شده بود. در سال ۱۹۴۳، با اختراع رایانههای الکترونیکی، هوش مصنوعی، دانشمندان را به چالشی بزرگ فراخواند. بنظر میرسید، فناوری در نهایت قادر به شبیه سازی رفتارهای هوشمندانه خواهد بود.
با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با دیده تردید به کارآمدی آن مینگریستند تنها پس از چهار دهه، شاهد تولد ماشینهای شطرنج باز و دیگر سامانههای هوشمند در صنایع گوناگون هستیم.
نام هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید. البته فعالیت درزمینه این علم از سال ۱۹۶۰ میلادی شروع شده بود.
آلن تورینگ در سال ۱۹۵۰ براساس محاسباتی تخمین زد که ۵۰ سال بعد کامپیوتری با یک میلیارد بیت حافظه خواهد توانست به موفقیتهایی در این زمینه دست پیدا کند. ولی هم اکنون نیز هیچ ماشینی نتوانسته است از بوته آزمون تورینگ با موفقیت خارج شود. در سال ۲۰۰۰ مفهوم هوش مصنوعی برای هیچ کس غیر قابل باور نبود .
در سال 1956، مككارتي با همكاري كلود شانون و ماروين مينسكي يك كارگاه آموزشي را با موضوع هوش مصنوعي برگزار ميكند و اين موضوع را در آنجا مطرح مينمايد. پس از آنكه موضوع هوشمصنوعي بهطور جدي مطرح ميگردد، مككارتي كار روي بازيهاي هوشمندانه ماشيني را آغاز ميكند و از حاصل اين كار، زبان LISP پديدار ميگردد، زباني براي توصيف خواستههاي هوشمندانه از ماشين. اين زبان در سال 1958 در دانشگاه MIT توسعه داده شد.
اسلاید 4 :
مككارتي در آن زمان معتقد بود كه ميتوان كاري كرد كه ماشين نيز هوشي همانند هوش انساني داشته باشد و LISP زباني است كه ميتواند اين هوش را توصيف كند . زبان LISP به جاي آنكه از منطق رياضي و كار روي اعداد استفاده كند، علامات و سمبلها را به اشياء تغيير ميدهد، يعني از تعدادي ليست براي توصيف منطق كاري برنامه بهره ميبرد و در نهايت، خروجي اين زبان تعدادي جمله يا عبارت توصيفي خواهد بود. البته امروزه هم از شكلهاي تازهتري از زبان LISP در سيستمهاي خبره (Expert) و برنامههاي پردازش زبان طبيعي(NLP) استفاده ميشود. اين زبان به قدري سطح بالا بود كه تازه در اواخر دهه هشتاد ميلادي كامپيوترهايي پديد آمدند كه توان كامل پردازش دستورات اين زبان را داشتند.
همه كساني كه نخستين گامها را در راه معرفي هوش مصنوعي برداشتند، يك هدف را در سرداشتند و آن رساندن سطح هوش ماشيني به سطح هوش انساني بود. اما امروزه ميدانيم كه مطالعه در زمينه هوش و درك عملكرد آن، بسيار پيچيده و دشوار است. اكنون موضوع هوش را ميتوان از دو جنبه بررسي نمود. جنبه نخست آن است كه آگاهي از جهان اطراف چگونه به دست ميآيد و چگونه ميتوان از يافتهها، و حقايق نتيجهگيري هوشمندانه نمود. يك سيستم هوشمند نيازمند دريافت دانستهها، تئوريهايي تخميني و غيرمشخص از اطراف است. وليكن از چيزهايي كه بهطور دقيق و نامشخص تعريف شدهاند، بايستي نتايج دقيقي استنتاج گردد. جنبه ديگر اين بررسي، حالت كشف و شهود هوشمندانه است . يعني بايد به طريقه كشف و شهود، راهي به سمت مقصد يافت كه اين راه از ميان هزاران راه ممكن و غيرممكن بايستي انتخاب گردد . اين موضوعات هنوز هم دلمشغوليهاي مككارتي هستند و راهحلهاي دقيقي براي حل آنها يافت نشده است.
اسلاید 5 :
هوش مصنوعی چیست؟
هوش مصنوعی (Artificial Intelligence) را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانشها، علوم، و فنون قدیم و جدید دانست. ریشهها و ایدههای اصلی آن را باید در فلسفه، زبانشناسی، ریاضیات، روانشناسی، نورولوژی، و فیزیولوژی نشان گرفت و شاخهها، فروع، و کاربردهای گونهگونه و فراوان آن را در علوم رایانه، علوم مهندسی، علوم زیستشناسی و پزشکی، علوم ارتباطات و زمینههای بسیار دیگر.
هوش مصنوعی را به عنوان کوششهائی در پی ساختن رایانه های نظام مند ( سخت افزار و نرم افزار ) که رفتاری شبیه انسان داشته باشند ، بیان می کنند . یک سیستم هوش مصنوعی به راستی نه مصنوعی است و نه هوشمندبلکه دستگاهی است هدف گرا که مسائل را به روش مصنوعی حل می کند
این سیستم ها بر پایه دانش ، تجربه و الگوهای استدلالی انسان به وجود آمده اند .
هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند «فکر» کند. اما برای دسته بندی و تعریف ماشینهای متفکر، میبایست به تعریف «هوش» پرداخت. همچنین به تعاریفی برای «آگاهی» و «درک» نیز نیازمندیم و در نهایت به معیاری برای سنجش هوش یک ماشین نیازمندیم .
اسلاید 6 :
شاید بتوان هوش مصنوعی را این گونه توصیف کرد:
«هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را میتوان وادار به کارهایی کرد که در حال حاضر انسانها آنها رابهتر انجام میدهند»
تعریف دیگری كه از هوش مصنوعی میتوان ارائه داد به قرار زیر است:
« هوش مصنوعی، شاخهایست از علم كامپیوتر كه ملزومات محاسباتی اعمالی همچون ادراك (Perception) ، استدلال (Reasoning) و یادگیری (Learning) را بررسی كرده و سیستمی جهت انجام چنین اعمالی ارائه میدهد.»
و در نهایت تعریف سوم هوش مصنوعی از قرار زیر است:
«هوش مصنوعی، مطالعه روشهایی است برای تبدیل كامپیوتر به ماشینی كه بتواند اعمال انجام شده توسط انسان را انجام دهد.»
اسلاید 7 :
هوش مصنوعی در کاربردهای پزشکی
پیشرفت در فناوری رایانه ای محققان را ترغیب کرد تا نرم افزاری بسازند که پزشکان بتوانند با کمک آن و بدون نیاز به مشورت مستقیم با متخصصین اقدام به تصمیم گیری نمایند
فناوری رایانه ای میتواند برای کاهش نرخ مرگ و میر و کاهش زمان انتظار برای دیدن متخصص استفاده شود
خدمات هوش مصنوعی در پزشکی
بهبود کیفیت تصمیم گیری پزشکی
بالا بردن رضایت بیمار
کمینه کردن بیماریهای پزشک زاد
کمینه کردن خطاهای پزشکی
کاهش هزینه و زمان
توانایی های مهارتی هوش مصنوعی در پزشکی
تامین کننده آزمایشگاهی برای امتحان، سازماندهی، ارائه و فهرست کردن دانش پزشکی
تولید کننده ابزار جدید برای پشتیبانی از تصمیم گیری آموزش و پژوهش پزشکی
تلفیق فعالیتهای پزشکی، رایانه ای، شناختی و دیگر علوم
ارائه دهنده رشته ای گران معنی برای تخصصهای پزشکی علمی آینده
اسلاید 8 :
شبکه های عصبی (Neural Network)
شبكههاي عصبي را ميتوان با اغماض زياد، مدلهاي الكترونيكي از ساختار عصبي مغز انسان ناميد. مكانيسم فراگيري و آموزش مغز اساساً بر تجربه استوار است. مدلهاي الكترونيكي شبكههاي عصبي طبيعي نيز بر اساس همين الگو بنا شدهاند و روش برخورد چنين مدلهايي با مسائل، با روشهاي محاسباتي كه بهطور معمول توسط سيستمهاي كامپيوتري در پيش گرفته شدهاند، تفاوت دارد. ميدانيم كه حتي سادهترين مغزهاي جانوري هم قادر به حل مسائلي هستند كه اگر نگوييم كه كامپيوترهاي امروزي از حل آنها عاجز هستند، حداقل در حل آنها دچار مشكل ميشوند. به عنوان مثال، مسائل مختلف شناسايي الگو، نمونهاي از مواردي هستند كه روشهاي معمول محاسباتي براي حل آنها به نتيجه مطلوب نميرسند.
درحاليكه مغز سادهترين جانوران بهراحتي از عهده چنين مسائلي بر ميآيد. تصور عموم كارشناسان IT بر آن است كه مدلهاي جديد محاسباتي كه بر اساس شبكههاي عصبي بنا ميشوند، جهش بعدي صنعت IT را شكل ميدهند. تحقيقات در اين زمينه نشان داده است كه مغز، اطلاعات را همانند الگوها (Pattern) ذخيره ميكند. فرآيند ذخيرهسازي اطلاعات بهصورت الگو و تجزيه و تحليل آن الگو، اساس روش نوين محاسباتي را تشكيل ميدهند. اين حوزه از دانش محاسباتي (Computation) به هيچ وجه از روشهاي برنامهنويسي سنتي استفاده نميكند و بهجاي آن از شبكههاي بزرگي كه بهصورت موازي آرايش شدهاند و تعليم يافتهاند، بهره ميجويد. در ادامه اين نوشته به اين واژگان كه در گرايش شبكههاي عصبي، معاني ويژهاي دارند، بيشتر خواهيم پرداخت.
اسلاید 9 :
شباهت با مغز
اگرچه مكانيسمهاي دقيق كاركرد مغز انسان (يا حتي جانوران) بهطور كامل شناخته شده نيست، اما با اين وجود جنبههاي شناخته شدهاي نيز وجود دارند كه الهام بخش تئوري شبكههاي عصبي بودهاند. بهعنوان مثال، يكي ازسلولهاي عصبي، معروف به نرون (Neuron) است كه دانش بشري آن را بهعنوان سازنده اصلي مغز ميانگارد. سلولهاي عصبي قادرند تا با اتصال بهيكديگر تشكيل شبكههاي عظيم بدهند. گفته ميشود كه هر نرون ميتواند به هزار تا ده هزار نرون ديگر اتصال يابد (حتي در اين مورد عدد دويست هزار هم به عنوان يك حد بالايي ذكر شده است).
قدرت خارقالعاده مغز انسان از تعداد بسيار زياد نرونها و ارتباطات بين آنها ناشي ميشود. ساختمان هر يك از نرونها نيز بهتنهايي بسيار پيچيده است. هر نرون از بخشها و زيرسيستمهاي زيادي تشكيل شده است كه از مكانيسمهاي كنترلي پيچيدهاي استفاده ميكنند.
اسلاید 10 :
سلولهاي عصبي ميتوانند از طريق مكانيسمهاي الكتروشيميايي اطلاعات را انتقال دهند. برحسب مكانيسمهاي بهكاررفته در ساختار نرونها، آنها را به بيش از يكصدگونه متفاوت طبقهبندي ميكنند. در اصطلاح فني، نرونها و ارتباطات بين آنها، فرايند دودويي(Binary)،
پايدار (Stable) يا همزمان (Synchronous) محسوب نميشوند.
در واقع، شبكههاي عصبي شبيهسازي شده يا كامپيوتري، فقط قادرند تا بخش كوچكي از خصوصيات و ويژگيهاي شبكههاي عصبي بيولوژيك را شبيهسازي كنند. در حقيقت، از ديد يك مهندس نرمافزار، هدف از ايجاد يك شبكه عصبي نرمافزاري، بيش از آنكه شبيهسازي مغز انسان باشد، ايجاد مكانيسم ديگري براي حل مسائل مهندسي با الهام از الگوي رفتاري شبكههاي بيولوژيك است.
اسلاید 11 :
روش كار نرونها
در شكل يك، نماي ساده شدهاي از ساختار يك نرون بيولوژيك نمايش داده شده است. بهطور خلاصه، يك نرون بيولوژيك، پس از دريافت سيگنالهاي ورودي (به شكل يك پالس الكتريكي) از سلولهاي ديگر، آن سيگنالها را با يكديگر تركيب كرده و پس از انجام يك عمل (Operation) ديگر بر روي سيگنال تركيبي، آن را بهصورت خروجي ظاهر ميسازد.
همانطور كه در تصوير مشاهده ميكنيد، نرونها از چهار بخش اصلي ساخته شدهاند. دندريتها (Dendrite)، سوما (Soma ) ، اكسان (Axon) و بالاخره، سيناپس (Synapse) دندريتها، همان اجزايي هستند كه بهشكل رشتههاي طويل از مركز سلول به اطراف پراكنده ميشوند. دندريتها نقش كانالهاي ارتباطي را براي انتقالدادن سيگنالهاي الكتريكي به مركز سلول بر عهده دارند.
اسلاید 12 :
در انتهاي دندريتها، ساختار بيولوژيكي ويژهاي بهنام سيناپس واقع شده است كه نقش دروازههاي اتصالي كانالهاي ارتباطي را ايفا ميكند. در واقع سيگنالهاي گوناگون از طريق سيناپسها و دندريتها به مركز سلول منتقل ميشوند و در آنجا با يكديگر تركيب ميشوند. عمل تركيب كه به آن اشاره كرديم، ميتواند يك عمل جمع جبري ساده باشد. اصولاً اگر چنين نيز نباشد، در مدلسازي رياضي ميتوان آنرا يك عمل جمع معمولي در نظر گرفت كه پس از آن تابع ويژهاي بر روي سيگنال اثر داده ميشود و خروجي به شكل سيگنال الكتريكي متفاوتي از طريق اكسان (و سيناپس آن) به سلولهاي ديگر انتقال داده ميشود.
البته تحقيقات جديد نمايانگر اين واقعيت هستند كه نرونهاي بيولوژيك بسيار پيچيدهتر از مدل سادهاي هستند كه در بالا تشريح شد . اما همين مدل ساده ميتواند زيربناي مستحكمي براي دانش شبكههاي عصبي مصنوعي (Artificial Neural Network = ANN) تلقي گردد و متخصصان گرايش شبكههاي عصبي يا هوش مصنوعي ميتوانند با پيگيري كارهاي دانشمندان علوم زيستشناسي، به بنيانگذاري ساختارهاي مناسبتري در آينده دست بزنند.
اسلاید 13 :
عمليات شبكههاي عصبي
تا اينجا تمام توجه ما معطوف ساختار دروني يك نرون مصنوعي يا المان پردازشي بود. اما بخش مهم ديگري در مراحل طراحي يك شبكه عصبي نيز وجود دارد . در واقع هنر يك طراح شبكههاي عصبي ميتواند در چگونگي تركيب نرونها در يك شبكه ( Neuran Clustering ) ، متجلي شود.علوم بيولوژي نشان دادهاند كه كلاسترين نرونها در شبكه عصبي مغز ما بهگونهاي است كه ما را قادر ميسازد تا اطلاعات را به صورتي پويا، تعاملي و خودسامان (Selforganizing) پردازش كنيم . در شبكههاي عصبي بيولوژيك، نرونها در ساختاري سه بعدي به يكديگر اتصال يافتهاند.
اتصالات بين نرونها در شبكههاي عصبي بيولوژيك آنقدر زياد و پيچيدهاست كه به هيچ وجه نميتوان شبكه مصنوعي مشابهي طراحي كرد. تكنولوژي مدارات مجتمع امروزي به ما امكان ميدهد كه شبكههاي عصبي را در ساختارهاي دو بعدي طراحي كنيم. علاوه بر اين، چنين شبكههاي مصنوعي داراي تعداد محدودي لايه و اتصالات بين نرونها خواهند بود. بدين ترتيب، اين واقعيات و محدوديتهاي فيزيكي تكنولوژي فعلي، دامنه كاربردهاي شبكههاي عصبي مبتنيبر تكنولوژي سيليكوني را مشخص ميسازند.
اسلاید 14 :
ساختار شبكههاي عصبي امروزي، از لايههاي نروني تشكيل شده است. در چنين ساختاري، نرونها علاوه بر آنكه در لايه خود به شكل محدودي به يكديگر اتصال داده شدهاند، از طريق اتصال بين لايهها نيز به نرونهاي طبقات مجاور ارتباط داده ميشوند. در شكل 10 نمونهاي از ساختار لايهاي يك شبكه عصبي مصنوعي نمايش داده شده است (تعداد اتصالات ممكن بين نرونها را در چنين ساختاري با تعداد اتصالات بين نرونهاي مغز انسان، مقايسه كنيد).
در اين توپولوژي، گروهي از نرونها از طريق وروديهاي خود با جهان واقعي ارتباط دارند. گروه ديگري از نرونها نيز از طريق خروجيهاي خود، جهان خارج را ميسازند. در واقع اين"جهان خارج" تصويري است كه شبكه عصبي از ورودي خود ميسازد يا ميتوان چنين گفت كه جهان خارج "تصوري" است كه شبكه عصبي از ورودي خود دارد. خلاصه آنكه در توپولوژي فوق، مابقي نرونها از ديد پنهان هستند.
شبکه های عصبی
شبکه های عصبی که بسیار سریع وتا حد قابل قبولی قابل اعتمادتر از پزشکان در پردازش اطلاعات پیچیده عمل میکنند
در سالهای اخیر شبکه های عصبی برای آنالیز تصاویر پزشکی به کار رفته اند ،ازآن جمله : تشخیص تومر، تشخیص و کلاسه بندی micro calcificationها، و طبقه بندی تصاویر اشعه X قفسه سینه.
اسلاید 15 :
چشم انسان
چشم انسان که در شکل زیر نشان داده شده است، تقریباً یک عدسی کروی با قطر 5/2 سانتیمتر میباشد که از چندین لایه مختلف که درونیترین آنها شبکیه نام دارد تشکیل شده است. ماهیچههای اطراف چشم اندازه لنز را تنظیم میکنند که اینکار چشم را قادر به زوم (Zoom) کردن روی اشیاء میکند. وظیفه عدسی چشم، فرم و شکل دادن به تصویری است که توسط میلیونها سلول گیرنده مخروطی (Cone) و میلهای (Rod) گرفته شده و برروی پرده شبکیه افتاده است، میباشد. سلولهای میلهای به یک عصب معمولی که از انتها به شبکیه ختم میشود و فقط در سطح نور پایین فعال است متصلند و سلولهای مخروطی هر کدام به یک عصب اتصال دارند. آنها در نورهای شدیدتر، بیشتر فعالند و میزان درک ما از رنگها را نوع فعالیت این مخروطها مشخص میکند.
در میان شبکیه ناحیهای بهنام نقطه کور وجود دارد که در آن هیچ گیرندهای موجود نیست. در این ناحیه اعصاب بهصورت جداگانه به عصب بینایی که سیگنالهای دریافت شده را به قشر بینایی مخ انتقال میدهند، وصل میشود.
اسلاید 16 :
پردازش اطلاعات در مغز
در مورد بینایی انسان متذکر شدیم که شاید یکی از قسمتهایی از مغز که بیشتر فعالیت درک تصویر را انجام میدهد ناحیه Visual Cortex باشد. همانطور که دیدهایم، اینجا ناحیهای است که اطلاعات منتقل شده در طول عصب بینایی در آن پردازش میشود. البته این را هم مدنظر داشته باشید که قسمتی از فعالیت پردازش اطلاعات در ناحیه شبکیه چشم قبل از اینکه اطلاعات به مغز برسند، انجام میشود.
البته خود ناحیه شبکیه بهعنوان قسمتی از مغز شمرده میشود. در ضمن این مسأله هم قبلاً مشخص شده است که نواحی مختلف قشر بینایی مخ در مقابل تصاویر مختلف عکسالعمل نشان میدهد. به عبارت دیگر هر قسمت از این ناحیه مربوط به یک حالت خاص است. مثلاً نواحی معین و مشخصی در مقابل رنگهای متفاوت عکسالعمل نشان میدهند و یا مثلاً نواحی وجود دارند که سلولهایشان در مقابل جزییات دقیق موجود در یک تصویر عکسالعمل نشان میدهند. مثلاً در شکل 5 شما میتوانید یک مثلث سفید که بهطور واضح سه راس آن مشخص نشده است را ببیند، علیرغم اینکه بهطور واضح و مجزا این مثلث مشخص نشده است. اما سلولهای موجود در قشر بینایی میتوانند تکههای این خطوط را کنار هم گذاشته و از آن یک مثلث استنتاج کنند.
در این شکل تصویر به نظر دو مثلث میآید که در جهت عکس هم و برروی هم قرار داده شدهاند، ولی از نظر ریاضی هیچ مثلثی رسم نشده است و فقط سه دسته از خطوط وجود دارند.
اسلاید 17 :
طراحی نرم افزار تشخیص بیماریها بوسیله هوش مصنوعی
نرمافزار جامع پشتيبان تصميمگيري در پزشکي یکی از نرمافزارهائی است که با استفاده از هوش مصنوعي به تشخيص بيماريها براساس علائم اقدام ميکند به طوري که کاربر با وارد کردن نشانههاي بيماري به رايانه، فهرستي از بيماريهاي محتمل را مشاهده خواهد کرد.
ثبت دقيق شرح حال بيمار، تشکيل پرونده، درخواست آزمايشهاي اوليه و تکميلي، تجويز هوشمند دارو، نسخه نويسي، جستجوي اطلاعات بيماري، روش درمان، بانک اطلاعات داروها، روش مصرف و مشخص کردن عوارض جانبي داروها را از مزاياي اين نرم افزار است.
اين نرم افزار همچنين ميتواند بيش از دو هزار بيماري و 300 علائم و نيز اطلاعات جامعي در زمينه 600 آزمايش پزشکي 130 مورد جراحي و 900 عنوان دارو را در خود ذخيره کند.
مهمترين قابليت اين نرم افزار بررسي و تشخيص همزمان هزار و 500 بيماري و 100 هزار رابط في ما بين بيماريها می با شد و برای کمک بیشتر به پزشکان ده هزار صفحه از متون معتبر پزشکي ، مجلات ، مقالات و تصاوير تخصصي در اين نرم افزار گردآوري شده است .
اسلاید 18 :
استفاده از قابلیتهای هوش مصنوعی در تشخیص عفونتهای قلبی تهدید کننده
با كمك 2 برنامه جديد هوش مصنوعي، امكان تشخيص عفونتهاي قلبي تهديدكننده حيات بيماران و همچنين درمان زخمهاي باز بدون نياز به فرآيندهاي معمول و زمانبر درماني براي پزشكان فراهم شده است. پيشرفت حاضر در زمينه تشخيص عوارض مهلك در حالي صورت ميگيرد كه به اعتقاد جامعه پزشكي، جدا از نتايج چشمگير آن در نجات جان انسانها و اجتناب از اعمال جراحي تهاجمي و رنج آور، اين پژوهش ميتواند بدون نياز به انجام آزمايشهاي متعدد به صرفهجويي ميليوني هزينههاي بيمارستاني در سال كمك كند.
اين نرمافزار را براي شناسايي بيماران داراي عفونتهاي قلبي توسعه یافته و این در صورتی است كه چنين عفونتهايي با نرخ مرگ و مير بين 30 تا 50 درصد، از عفونتهاي بسيار وخيم به شمار ميروند. تشخيص دادن التهابات غشاي دروني قلب (اندوكارديتيك) يك عمل جراحي تهاجمي محسوب ميشود و قصد از طراحی این نرم افزار تشخیص اين عفونت بدون روانه كردن لوله كاوشي به درون مري فرد بيماراست..
تصويري كه با استفاده از داخل كردن ابزار آندوسکوپی به درون ناي شخص بيمار كه با كمك دارو تسكين دهنده ، گرفته ميشود اصطلاحا قلبنگاري فرامري (ترانسوفاژل اندوكارديوگرام) است كه در نوع خود فرآيندي تهاجمي و گران به حساب ميآيد. در واقع يك عمل 30 دقيقهاي با اين روش بالغ بر 2000 دلار هزينه دربر دارد و از طرفي انجام اين عمل به تجهيزات فني خاصي نياز دارد كه بسياري از بيمارستانها فاقد آن هستند. اين در حالي است كه پزشكان می توانند به جاي وارد كردن لولههاي پزشكي، به وارد كردن دادههاي لازم به رايانه و تحليل آنها بپردازند.
اسلاید 19 :
در اين شيوه عمل، پزشكان ابتدا با ثبت دادههايي از جمله ضربان قلب، فشار خون، شمارش گلبولهاي سفيد خون، حضور ادواتي نظير ضربان سازهاي قلبي يا ساير دستگاههاي تعبيه شده، دماي بدن دريافتي بيماران در رايانه، نرمافزار دستيار عمل خود را آماده سازي ميكنند. در اين ميان، تشخيص نهايي اين بيماران نيز شامل اطلاعات داده شده به رايانه خواهد بود. در مرحله بعدي اين الگوريتم رايانهاي به تحليل دادههاي موجود براي ارتباط دادن علائم بیماری با تشخيص بيماري ميپردازد . در 50 درصد موارد اين نرمافزار ميتواند ظرف كمتر از 4 ثانيه يك پيشبيني محاسبهاي را با دقت 99/99 درصد انجام دهد ، در باقي موارد نيز اين نرمافزار، بيش از 80درصد صحت عمل داشته است. البته محققان به اين مرحله بسنده نكرده و قصد دارند، گام بعدي پروژه هوش مصنوعي خود را روي 200 مورد از پرونده پزشكي بيماراني اجرا كنند كه رايانه، اطلاعي از تشخيص نهايي آنها ندارد.تشخيص عفونتهاي قلبي مشكل است اما اغلب ميتوان آنها را با تجويز و مصرف حدود يك هفته آنتيبيوتيك معالجه كرد.
اسلاید 20 :
طراحی نرم افزاری بر پایه هوش مصنوعی برای کمک به التیام زخمهای باز
زخمهاي باز كه پس از هفتهها يا ماهها درمان، در برابر التيام و بهبود مقاومت كرده، معالجات را رد ميكنند و به عنوان زخمهاي كم خون موضعي شناخته ميشوند، راه تشخيص آساني دارند اما در عوض به طرز نااميدكنندهاي درمان دشواري را به همراه دارند و حتي به اعتقاد برخي پزشكان، اين گونه زخمها هر درماني را بي اثر ميكنند و انگار كه هيچ درماني براي التيام آنها صورت نگرفته است. در همين ارتباط، گروهي از محققان، موفق به توسعه الگوريتمي رياضياتي شدهاند كه ميتواند زمان بسته شدن يك زخم باز از نوع كم خون موضعي و همچنين اين را كه چه عوارض و پيامدهايي طي فرآيند قطع جريان خون و بندآوري بروز ميكند، پيشبيني كند. مدلهاي فعلي، زخمهايي را هدف ميگيرند كه در هر صورت بسته خواهند شد، و هدف توسعه مدلي براي زخمهايي است كه نميخواهند بسته شوند.
مواردي همچون زخم پاي بيماران ديابتي يا زخم بيماراني كه به دليل عوارض ديگري، قبلا فرآيند بيمارستاني را گذراندهاند، از موارد شايع و هدف زخمهاي باز محسوب ميشود. گروهی تحقيقاتي براي كمك به درمان زخمهاي موضعي، برنامهاي را توسعه دادهاند كه دادههاي بيماران را پردازش ميكند؛ اطلاعاتي از قبيل غلظت خون، فاكتورهاي رشد، حضور گلبولهاي سفيد و تراكم فيبروبلاستي از جمله دادههايي است كه به رايانه داده ميشوند. رايانه نيز با استفاده از اين دادهها مدلي سهبعدي از زخم مربوط را ايجاد و چگونگي التيام يافتن و بهبود سريع آن را ظاهر ميكند و بعلاوه زمان بسته شدن زخم را نيز تخمين ميزند.
