هوش مصنوعی نوار قلب را می‌خواند و بیماری را تشخیص می‌دهد : پژوهشگران از یک مدل جدید هوش مصنوعی برای خواندن نوار قلب استفاده کرده‌اند که به گفته آنها می‌تواند بر این اساس با کارآیی بیشتری بیماری‌های قلبی را تشخیص دهد.
به گزارش همشهری آنلاین به نقل از پژوهشگران آمریکایی در بیمارستان مانت ساینای (Mount Sinai) یک مدل «هوش مصنوعی» (AI) ابداعی را برای تجزیه و تحلیل نوار قلب یا الکتروکاردیوگرام ایجاد کرده‌اند که نوار قلب را مانند یک زبان تفسیر می‌کند. این رویکرد جدید می‌تواند دقت و کارآمدی تشخیص بیماری‌ها بر اساس نوار قلب را افزایش دهد.
این پژوهشگران در بررسی که یافته‌های آن را اخیرا در ژورنال npj Digital Medicine منتشر کرده‌اند. گزارش می‌کنند که این مدل جدید بر اساس «یادگیری ژرف» (deep learning) با نام HeartBEit اساسی را برای مدل‌های تشخیصی تخصص‌یافته ایجاد می‌کند. این پژوهشگران یادآور می‌شوند که در آزمون‌های مقایسه‌ای مدل‌های ایجادشده با استفاده از HeartBEiT کارایی بیشتری نسبت به روش‌های شناخته‌شده برای تجزیه‌وتحلیل نوار قلب نشان داده‌اند.
مدل جدید هوش مصنوعی کارآیی بیشتری دارد
نویسنده اصلی مقاله این بررسی، دکتر آخیل واید، مدرس «پزشکی دیجیتال و داده‌محور» (D3M) در دانشکده پزشکی ایکاهن در مونت‌سینایی می‌گوید مدل هوش مصنوعی ایجاد شده نسبت به «شبکه‌های عصبی پیچشی یا همگشتی» (CNN) که به طور معمول در الگوریتم‌های یادگیری ماشینی برای تحلیل تصویری بوسیله کامپیوتر به کار می‌روند، کارآیی بیشتری داشته است. چنین CNNهایی اغلب با استفاده از تصاویر در دسترس عمومی از اشیای جهان واقعی از پیش آموزش داده می‌شوند.
او می‌گوید: «از آنجایی که HeartBEit برای خواندن نوار قلب تخصص یافته است، می‌تواند با کارآیی دست کم به اندازه همین روش‌ها با استفاده از یک دهم داده‌ها عمل کند. این میزان کارآیی، به طور قابل‌ملاحظه‌ای تشخیص بر اساس نوار قلب را عملی‌تر می‌کند، به خصوص درباره عوار نادری که بیماران کمتری به آن مبتلا می‌شوند و بنابراین داده‌های محدودی درباره‌شان در دست است.»
نوار قلب وسیله تشخیصی ارزان و بدون تهاجم
الکتروکاردیوگرافی (ECG) یا گرفتن نوار قلب یک روش ارزان‌قیمت و غیرتهاجمی است که کاربرد گسترده‌ای در تشخیص بیماری‌های قلبی دارد. ام این حقیقت که پزشکان با چشم غیرمسلح همیشه نمی‌توانند الگوهای فعالیت الکتریکی در نوار قلب را که شاخص بیماری‌ها هستند، شناسایی کنند، این موضوع به خصوص درباره بیماری‌هایی صادق است که که معیارهای تشخیصی تثبیت‌شده ندارند یا ممکن است الگوهای فعالیت الکتریکی ایجاد کنند که بیش از حد ظریف یا نامنظم باشند که انسان بتواند آنها را تفسیر کند. هوش مصنوعی اکنون تحول بزرگی در علوم ایجاد کرده است، اما اغلب کارها تا به امروز بر CNN ها متمرکز بوده‌اند.
مانت ساینای اکنون با اتکا بر علاقه شدیدی که به سیستم‌های هوش مصنوعی به اصطلاح مولد (Generative AI) که بر اساس «ترانسفورمرها» ساخته می‌شوند،ایجاد شده است، این حوزه را به جهت کاملا جدیدی کشانده است. هوش مصنوعی مولد بر اساس «ترانسفورمرها» است- مدل‌های یادیگری عمیق که با مجموعه داده‌های بسیار گسترده متنی تعلیم می‌بینند تا بتوانند پاسخ‌های شبیه به انسان در مقابل پرسش‌ها یا پرامپت‌های مطرح‌شده بوسیله کاربران در تقریبا هر موضوعی ایجاد کنند. پژوهشگران مانت ساینای از یک مدل تولید تصویر مربوط برای ایجاد بازنمایی مشخصی از بخش‌های کوچکی از نوار قلب استفاده می‌کنند و به این ترتیب امکان تجزیه و تحلیل نوار قلب به عنوان یک زبان فراهم میشود.
این بازنمایی‌ها را می‌توان کلماتی منفرد شمرد و کل نوار قلب را یک سند منفرد. مدل HeartBEiT روابط بین این بازنمایی‌ها از بخش‌های نوار قلب را درک می‌کند و از این شناخت برای انجام وظایف تشخیصی جزئی‌تر به طور موثر استفاه می‌کند.
هوش مصنوعی بیماری را تشخیص می‌دهد
این پژوهشگران از این مدل هوش مصنوع برای سه وظیفه تشخیص حمله قلبی در بیماران، تشخیص یک اختلال ژنتیکی نادر به نام کاردیومیوپاتی هیپرتروفیک در بیماران و تعیین میزان کارآمدی عملکرد قلب در بیماران استفاده کردند و به گفته آنها در هر سه مورد این مدل جدید بهتر از سایر روش‌های تشخیصی تثبیت‌شده عمل کرد.
این پژوهشگران HeartBEiT را با ۸/۵ میلیون نوار قلب به دست آمده از ۲/۱ میلیون بیمارکه در طول چهار دهه از چهار بیمارستان درون نظام بهداشتی مانت ساینای گردآوری شده بود، آموش دادند. بعد آنها کارکرد این مدل جدید را در برابر یک چارچوب استاندارد CNN در سه حوزه تشخیصی قلبی آزمایش کردند. این بررسی نشان داد که HeartBEiT در اندازه‌های نمونه کوچکتر کارکرد بسیار بالاتر و نیز «توضیح‌پذیری» بهتری دارد.
تلاش برای طراحی BMW با هوش مصنوعی : مدیر طراحی ب‌ام‌و می‌گوید این کارخانه در حال بررسی استفاده از هوش مصنوعی برای طراحی خودرو است. آدریان وان هویدونک در مصاحبه با ماهنامه انگلیسی تاپ‌گیر گفت که طراحان کارخانه آزمایش‌هایی با هوش مصنوعی انجام داده‌اند، اما قرار نیست این فناوری جایگزین انسان شود.
به گزارش BBC هوش مصنوعی با بررسی حجم زیادی از اطلاعات در زمان کم می‌تواند به طراحان کمک کند تا ایده‌هایشان را بررسی کنند. این فناوری ایده‌پردازی هم می‌کند و با داشتن قابلیت یادگیری به مرور زمان بهتر میشود. وان هویدونک گفت که طراحان ب‌ام‌و برای طراحی چرخ‌ها از هوش مصنوعی استفاده کرده‌اند. آنها با دادن مشخصات ظاهری و فنی چرخ موردنظرشان، از هوش مصنوعی خواسته‌اند طرح‌های مختلفی پیشنهاد دهد. مدیر طراحی ب‌ام‌و می‌گوید آزمایش‌هایی هم با هوش مصنوعی برای طراحی کامل خودرو انجام شده، اما با اینکه در نگاه اول نتیجه خوب به نظر آمده با بررسی بیشتر معلوم شده که هوش مصنوعی قادر به طراحی کامل خودرو نیست. به گفته آقای وان هویدونک، هنوز مدیریت هنری پروژه باید توسط انسان انجام شود و هوش مصنوعی به راهنمایی و هدایت نیاز دارد.
هوش مصنوعی آغازگر جهش علمی بعدی در بزرگ‌ترین شتاب‌دهنده ذرات جهان :
دانشمندان از پردازنده‌های گرافیکی و هوش مصنوعی برای تسریع تحقیقات در بزرگ‌ترین و قدرتمندترین شتاب‌دهنده ذرات جهان استفاده می‌کنند. این شتاب‌دهنده با نام LHC در مرکز CERN (بزرگ‌ترین آزمایشگاه فیزیک ذره‌ای جهان) قرار دارد. با استفاده از این فناوری‌ها، دانشمندان می‌توانند سرعت این شتاب‌دهنده را افزایش داده و کارایی تحقیقات انجام‌شده در CERN را به‌منظور بهبود درک ما از جهان، بهبود بخشند.
به گزارش هوشیو، دانشمندان از LHC (برخورددهنده هادرونی بزرگ) برای مطالعه ذرات و قوانین جهان هستی، استفاده می‌کنند. در واقع، در این شتاب‌دهنده ذرات زیراتمی (ذرات کوچکتر از اتم) مانند پروتون‌ها یا یون‌ها با سرعت نور با هم برخورد می‌کنند تا نظریه‌‌های علمی را آزمایش نمایند. با مشاهده پیامدهای حاصل از این برخوردها، دانشمندان امیدوارند که بتوانند نظریه‌‌های مختلف فیزیک ذرات را آزمایش کنند و ذرات جدیدی را کشف نمایند که می‌توانند به درک بهتر ما از جهان اطراف کمک نمایند.
ماریا ژیرون یکی از فیزیکدانانی که بر روی این پروژه تمرکز دارد در این خصوص می‌گوید:«ما در حال گسترش یکی از بزرگ‌ترین شبکه کامپیوترهای علمی جهان، با استفاده از فناوری‌های محاسباتی پیشرفته مانند محاسبات سریع و هوش مصنوعی هستیم. درحال حاضر، LHC به لطف تکنولوژی هوش مصنوعی و سایر فناوری‌های نوظهور در مرحله ارتقاء اساسی قرار دارد.»
پ
وی معتقد است: «استفاده از پردازنده‌های گرافیکی (GPUها) به‌منظور یادگیری درخصوص واکنش ذرات، در آینده اهمیت بیشتری پیدا خواهد کرد.»
LHC از یک حلقه ۲۷ کیلومتری تشکیل شده که در آن پروتون‌ها با سرعت ۹۹.۹۹۹۹۹۹۱ درصد سرعت نور در اطراف آن حرکت می‌کنند و برخوردهایی را ایجاد می‌کنند که میلیون‌ها بار داغ‌تر از خورشید هستند. این حلقه، یک مسیر دایره‌ای است که برای شتاب بخشیدن به حرکت ذرات و تسهیل تحقیقات فیزیک با انرژی بالا در LHC از آن استفاده میشود و به‌دلیل سرعتی که پروتون‌ها می‌توانند دور آن طی کنند، آنرا سریع‌ترین پیست مسابقه‌ای در جهان می‌نامند.
روند رو‌به‌رشد استفاده از هوش مصنوعی در تحقیقات فیزیکی و پردازش داده‌ها
امروزه تعداد انتشار مقالات تحقیقاتی مرتبط با استفاده از هوش مصنوعی، در زنجیره پردازش داده در فیزیک درحال افزایش است. این موضوع محققان جوانی را که می‌خواهند از هوش مصنوعی برای حل مسائل دشوار استفاده کنند، جذب می‌نماید.
محققان از شتاب‌دهنده‌های GPU برای اجرای نرم‌افزارهای فیزیک و استفاده از برنامه‌های هوش مصنوعی موجود بر روی GPU استفاده می‌کنند. پردازنده‌های گرافیکی در پردازش بلوک‌های بزرگ داده به صورت موازی بسیار کارآمد هستند، بنابراین برای کارهایی که شامل محاسبات عددی پیچیده مانند موارد مورد نیاز در تحقیقات فیزیک‌اند، ایده‌آل خواهند بود.
در حال حاضر، تعدادی پروژه مختلف مرتبط با فناوری‌های محاسباتی کم مصرف در مرکز CERN در حال اجراست و محققین این پروژه‌ها مشتاقانه منتظر ارزیابی نسل بعدی پردازنده‌های کم مصرف هستند.
