پژوهشکده فرهنگ فناوری و هوش مصنوعی

هوش مصنوعی در چشم پزشکی

پژوهشگاه فرهنگ و هنر 

پژوهشکده فناوری های پیشرفته و هوش مصنوعی

Advanced Technologies & Artificial Intelligence

Research Institute 

هوش مصنوعی در چشم پزشکی

آینده اکنون است و هر لحظه که از این ابزار فوق قدرتمند هوش مصنوعی کشور دور می شود سالها وقت لازم است تا به آن دست یابیم و خسارتهای جبران ناپذیری تحمل کنیم.
تباهی لکه زرد یا دژنراسیون ماکولا  شایعترین علت کوری در افراد مسن است. در این بیماری ماکولا یا لکه زرد تخریب می‌شود. ماکولا قسمت حساس به نور شبکیه و مسئول دید مستقیم و واضح است که برای کارهای دقیق مثل خواندن و رانندگی لازم است.

حدود 8 میلیون نفر در مرحله اولیه ، اغلب بدون علامت ، تخریب ماکولای وابسته به سن ماکولا دارند که علت اصلی نابینایی در افراد بالای 50 سال است.

ماکولا نیاز به نظارت دقیق توسط چشم پزشک دارد ، اما ما تخمین می زنیم که فقط حدود 4 میلیون نفر از کسانی که در این مرحله بدون علامت هستند ، مبتلا هستند.چشم پزشکان نمی توانند به چشمان هر فرد نگاه کنیند تا ببینندچه کسی این مرحله متوسط ​​را دارد که نیاز به نظارت دارد زیرا  تمام روز ، تمام شب باید کار کنند.

اما اگر به جای آن کامپیوترها برای انجام کار آموزش ببینند چه می شود؟ فرض کنید آنها حتی می توانند الگوریتمی را برای شناسایی علائم ماکولامناطقی از بقایای تجمع یافته در پشت شبکیه ، به نام  دروسن در عکس های شبکیه به خود بیاموزند؟

چشم پزشکان با بهره گیری از قدرت هوش مصنوعی، به مراقبت از چشم دسترسی پیدا کرده اند.

این کار فقط یکی از ده پروژه ای است که هم اکنون در در حال انجام است و پیشرفت های هوش مصنوعی را برای بهبود مراقبت های بالینی در چشم پزشکی مهار می کند. در بیماری گلوکوم ، جیتین یوهان با استفاده از یادگیری عمیق ، و همچنین سایر روش های یادگیری ماشین ، پیش بینی احتمال پیشرفت بیماری و در نهایت بهبود نتایج بیمار است. در حالی که در بخش قرنیه در حال طراحی الگوریتمی برای انتخاب دقیق تر لنزهای داخل چشم برای بیماران تحت عمل جراحی آب مروارید هستند ، در حال ایجاد روش های جدید و موثرتر برای بهبود مهارت جراحی آب مروارید می باشند.

هوش مصنوعی می تواند برخی از کارها را به خوبی انجام دهد ، چشم پزشکان را متمرکز کندتا وقت و انرژی خود را فقط بر روی کارهایی متمرکز کنند که سالها به آموزش آنها نیاز دارد و "لمس انسان" را می طلبد. "
مفهوم شبکه های عصبی ، پایه ای برای یادگیری عمیق ، از دهه 1940 وجود داشته است و از نحوه کار مغز الگو گرفته شده است. شبکه های عصبی را به عنوان "یادگیری تکراری و هوشمند" توصیف می کنند. شبکه های عصبی با الگوریتمی شروع به کار می کنند ، که داده ها را می بلعد و چیزی درباره این داده ها می آموزد که می تواند برای ارزیابی چیز دیگری استفاده شود.

این الگوریتم آن را یک بار یاد می گیرد و سپس کمی متفاوت به آن نگاه می کند ، سپس دوباره آن را یاد می گیرد و به چندین روش مختلف به آن نگاه می کند تا واقعاً یک تصویر کامل بدست آورد." "مثل اینکه اگر یک فیل را بگیرید و اول ، گوش ها را لمس کنید ، سپس دم را لمس کنید ، و سپس پوست را لمس کنید ، و با گذشت زمان ، اگر قسمت های کافی را احساس کنید ، در واقع ارزیابی خواهید کرد که واقعاً یک فیل در اتاق. "

برای اجرای برنامه ها ، رایانه ها از واحدهای پردازش مرکزی استفاده می کنند که در مقابله با محاسبات به ترتیب متوالی مهارت دارند. برای اجرای کلیه تکرارهای مورد نیاز برای موفقیت در یادگیری عمیق ، سخت افزار لازم است.

آخرین قطعه پازلی که یادگیری عمیق را در مکالمه روزمره آغاز کرده است ، در دسترس بودن داده ها است مفیدترین داده ها آنهایی هستند که قبلاً دارای برچسب هستند ، زیرا الگوریتم برای یادگیری به داده های دارای برچسب نیاز دارد. الگوریتم های یادگیری عمیق به ویژه در تجزیه و تحلیل تصاویر پزشکی بسیار خوب هستند.