يجب أن تعلم | في صلب الموضوع | للاطلاع | رقم اليوم | شخصية اليوم | مصطلح اليوم
كيف يساهم الذكاء الاصطناعي في جعل الرعاية الصحية أكثر عدلاً؟
تقترح ورقة بحثية جديدة نُشرت في مجلة نيتشر ميدسين (Nature Medicine) طريقةً لتطوير خوارزميات طبية قد تساعد في عكس -بدلاً من تكريس- الأوجه الحالية لعدم المساواة في قطاع الرعاية الصحية.
تبحث الورقة في مثال سريري محدد لجوانب عدم المساواة الموجودة في علاج التهاب مفصل الركبة، ويعتمد الأطباء عادة على تقييم شدة هذا الألم من أجل اتباع العلاج المناسب. ويتم إجراء ذلك بواسطة أخصائي أشعة يقوم بمراجعة صور الأشعة السينية لركبة المريض وتسجيل درجة ألمه على مقياس كيلجرين-لورنس أو اختصاراً (KLG)، الذي يحسب مستويات الألم بناءً على وجود ميزات تصوير شعاعية مختلفة مثل درجة الغضروف المفقود أو حجم الأضرار الهيكلية.
بيد أن البيانات التي جمعها المعهد الوطني للصحة وجدت أن الأطباء الذين يستخدمون هذه الطريقة يمنحون بشكل ممنهج شدة ألم المرضى من ذوي البشرة السمراء درجة أدنى بكثير من شدة الألم الذي يقولون إنهم يعانون منه.
قام الباحثون بتدريب نموذج تعلم عميق على التنبؤ بمستوى الألم الذي يبلغ عنه المريض انطلاقاً من صور الأشعة السينية لركبته. فإذا كانت دقة النموذج سيئة للغاية، فسيعني هذا أن الألم المبلغ عنه ذاتياً يتسم بالعشوائية وعدم الدقة، أما إذا كان النموذج يتمتع بدقة جيدة حقاً، فسيوفر هذا دليلاً على أن الألم المبلغ عنه ذاتياً يرتبط فعلياً بالمؤشرات الشعاعية لصور الأشعة السينية.
بعد إجراء العديد من التجارب، بما في ذلك استبعاد أي عوامل إرباك، وجد الباحثون أن النموذج كان أكثر دقة من منهجية (KLG) في التنبؤ بمستويات الألم المبلغ عنها ذاتياً لكل من المرضى ذوي البشرة البيضاء والسمراء، مع دقة أعلى بشكل خاص عند المرضى ذوي البشرة السمراء. ونجح النموذج في تخفيض التمييز على أساس العرق عند كل مستوى من مستويات الألم بمقدار النصف تقريباً.
تابع القراءة: الرابط
هل سينقذنا الذكاء الاصطناعي في مواجهة الطفرات الجديدة لفيروس كورونا؟
أعلن باحثون في جامعة جنوب كاليفورنيا عن طريقة جديدة مستندة إلى الذكاء الاصطناعي لإنتاج لقاح جديد محتمل ضد فيروس كوفيد-19. ويستطيع النظام أن يكمل دورات تصميم اللقاح في غضون دقائق أو حتى ثوان مستعيناً بخوارزميات التعلم الآلي وقاعدة بيانات للمعلوماتية الحيوية تسمى (IEDB)، وهو زمن قياسي مقارنة بالشهور التي تم استغراقها لإنتاج لقاح فعال.
وباستخدام سلالة واحدة من فيروس كورونا، تنبأ النظام بـ 26 لقاحاً محتملاً، والتي تم تقليصها لاحقاً إلى 11 لقاحاً، وكلها تهاجم بروتينات الشوكة للفيروس التي يستخدمها لاختراق الخلايا البشرية ودخولها. ويستطيع هذا النظام ابتكار لقاحات جديدة في أقل من دقيقة، والتحقق من جودتها في أقل من ساعة.
يتميز هذا النظام بسهولة تعديله حتى يتمكن من تحليل الطفرات المحتملة لفيروس كورونا، مما يسرع عملية تحديد اللقاحات الفعالة ضدها ويمتحنا وسيلة فعالة لمواجهتها.
تابع القراءة: الرابط
مقالاتنا في العمق حول الموضوع:
- هل يمكن لأنظمة الذكاء الاصطناعي القادرة على القراءة أن (تقرأ) تحولات فيروس كورونا؟ الرابط
- نظام ذكاء اصطناعي من فيسبوك يتنبأ مسبقاً باحتمالية تدهور حالة مرضى كورونا الرابط
كيف تساعد الكُسيريات الحاسوبية في تدريب نماذج الذكاء الاصطناعي؟
يتم تدريب معظم أنظمة التعرف على الصور باستخدام قواعد بيانات كبيرة تحتوي على ملايين الصور للأشياء اليومية بدءاً من صور الثعابين إلى الرقصات ووصولاً إلى صور الأحذية. ومن خلال قراءة أنظمة الذكاء الاصطناعي لهذه الصور، فإنها تتعلم التمييز بين غرض وآخر. تكمن المشكلة في الجهد الكبير والوقت الطويل الذي يستغرقه التجميع اليدوي لمجموعة بيانات مثل إيماج نت. وعادةً ما يتم تصنيف الصور بالاعتماد على عمال التعهيد الجماعي ذوي الدخل المنخفض. ومن ناحية أخرى، قد تحتوي مجموعات البيانات على وسوم متحيزة على أساس الجنس أو العرق مما يفضي إلى تحيز النموذج بطرق مخفية. وقد تحتوي أيضاً صوراً لأشخاص تم تضمينهم في مجموعة البيانات دون الحصول على موافقتهم.
وقد دفع تواجد الأنماط الكُسيرية في كل شيء من حولنا -بدءاً من الأشجار والزهور ووصولاً إلى الغيوم والأمواج- فريقاً من الباحثين اليابانيين إلى التساؤل عما إذا كان من الممكن الاستفادة من هذه الأنماط في تعليم نظام آلي أساسياتِ التعرف على الصور بدلاً من استخدام صور الأشياء الحقيقية. وهكذا، ابتكر الباحثون فراكتال دي بي (FractalDB)، وهو عدد لا نهائي من الكُسيريات المولَّدة حاسوبياً: بعضها يشبه الأوراق، والبعض الآخر يشبه نُدف الثلج أو القواقع الحلزونية.
وقام الباحثون بمنح وسم تلقائي لكل مجموعة من الأنماط المتشابهة، ثم استخدموا فراكتال دي بي لإجراء تدريب أوّلي لشبكة عصبونية ملتفة، وهي إحدى أنواع نماذج التعلم العميق المستخدمة بشكل شائع في أنظمة التعرف على الصور. بعد ذلك أكملوا تدريب الشبكة على مجموعة من الصور الفعلية. وفي المحصلة، وجد الباحثون أن النموذج الجديد حقق أداء يضاهي تقريباً أداء النماذج التي جرى تدريبها على أحدث مجموعات البيانات، بما في ذلك مجموعات إيماج نت التي تحتوي على أكثر من 14 مليون صورة.
تابع القراءة: الرابط
مقالاتنا في العمق حول الموضوع:
- ما العيب الأساسي في طريقة تدريب نماذج الذكاء الاصطناعي؟ الرابط
- هل باتت الحواسيب الصغيرة 4-بت قادرة الآن على تدريب الذكاء الاصطناعي؟ الرابط
- كيف يمكن التعامل مع مشكلة العمال غير المرئيين في مجال الذكاء الاصطناعي؟ الرابط
|
