یادگیری-تقویتی-EpiCare

هوش مصنوعی و پتانسیلش در بهبود درمان

یادگیری تقویتی، یه جور هوش مصنوعیِ که می‌تونه به پزشکا کمک کنه تا برنامه‌های درمانی رو طراحی کنن تا نتایج بهتری برای بیمارا به دست بیاد، ولی هنوز راه زیادی مونده تا بتونیم اینو تو محیط‌های درمانی واقعی استفاده کنیم. این نتیجه‌ای هست که تو یه تحقیق جدید توسط محققای دانشگاه ویل کرنل و راکفلر به دست اومده.

یادگیری تقویتی (RL) نوعی از الگوریتم‌های یادگیری ماشینه که خودش می‌تونه یه سری تصمیم‌ها رو تو طول زمان بگیره. این روش پشت پیشرفت‌های خیره‌کننده‌ی اخیر تو هوش مصنوعی بوده، مثل بردن تو بازی شطرنج و گو در سطح فوق‌العاده. RL می‌تونه از تغییرات وضعیت بیمارا، نتایج آزمایش‌ها و پاسخ‌های درمانی قبلی استفاده کنه تا بهترین قدم بعدی رو برای مراقبت شخصی از بیمارا پیشنهاد بده. این روش مخصوصاً تو تصمیم‌گیری برای بیماری‌های مزمن یا روانی خیلی امیدبخشه.

معرفی “اپیزودهای مراقبت” (EpiCare)

این تحقیق که تو مجموعه مقالات کنفرانس سیستم‌های پردازش اطلاعات عصبی (NeurIPS) منتشر شده و تو ۱۳ دسامبر ارائه شده، “اپیزودهای مراقبت” (EpiCare) رو به عنوان اولین معیار یادگیری تقویتی تو حوزه‌ی بهداشت و درمان معرفی می‌کنه. دکتر لوگان گروسنیک، استاد روان‌پزشکی و سرپرست این تحقیق، می‌گه: “معیارها همیشه به پیشرفت تو استفاده از یادگیری ماشین کمک کردن، مثلاً تو بینایی کامپیوتری، پردازش زبان طبیعی، تشخیص صدا و خودروهای خودران. ما هم امیدواریم این معیارها سرعت پیشرفت RL رو تو حوزه‌ی بهداشت و درمان بیشتر کنن.”

یه متخصص بهداشت داره اطلاعات بالینی رو رو تبلت بررسی می‌کنه. تو یه کلینیک مدرن با نمودارها و گراف‌هایی که نتایج بیمارا رو نشون میدن.
تحلیل داده‌های بالینی با یادگیری تقویتی تو کلینیک‌های مدرن، برای بهتر شدن نتایج بیمارا.

عامل‌های RL با توجه به بازخوردی که می‌گیرن، کاراشونو اصلاح می‌کنن و کم‌کم یه روش یاد می‌گیرن که تصمیم‌گیری‌هاشون رو بهتر می‌کنه. دکتر گروسنیک اضافه می‌کنه: “با این حال، یافته‌های ما نشون می‌ده که با وجود این‌که روش‌های فعلی امیدبخش هستن، ولی به داده‌های زیادی نیاز دارن.”

آزمایش مدل‌های RL و ارزیابی روش‌های OPE

اول، محققا عملکرد پنج مدل پیشرفته‌ی RL رو روی EpiCare آزمایش کردن. همه‌ی این پنج مدل از یه خط پایه‌ی مراقبت استاندارد بهتر عمل کردن، ولی فقط بعد از این‌که روی هزاران یا ده‌ها هزار اپیزود درمانیِ شبیه‌سازی شده و واقعی آموزش داده شدن. تو دنیای واقعی، روش‌های RL هیچ‌وقت مستقیم روی بیمارا آموزش داده نمی‌شن. برای همین محققا به ارزیابی پنج روش متداول “ارزیابی خارج از سیاست” (OPE) پرداختن: روش‌هایی که هدفشون اینه که از داده‌های قدیمی (مثل داده‌های آزمایش‌های بالینی) استفاده کنن تا نیازی به جمع‌آوری داده‌های جدید نباشه.

اونا با استفاده از EpiCare فهمیدن که روش‌های پیشرفته‌ی OPE، تو پیش‌بینی دقیق داده‌های بهداشتی، موفق نبودن. دکتر میسون هارگراو، نویسنده‌ی اصلی این تحقیق و محقق دانشگاه راکفلر، می‌گه: “یافته‌های ما نشون می‌ده که روش‌های فعلی OPE نمی‌تونن عملکرد یادگیری تقویتی رو تو موقعیت‌های بهداشتی بلندمدت دقیق پیش‌بینی کنن.”

چون روش‌های OPE دارن بیشتر برای کاربردهای بهداشتی استفاده می‌شن، این یافته‌ها نشون می‌ده که به ابزارهای دقیق‌تری مثل EpiCare نیاز داریم تا بتونیم روش‌های موجود RL رو ارزیابی کنیم و بهبودها رو اندازه‌گیری کنیم.

یه استاد داره نتایج تحقیقشو تو یه کنفرانس ارائه می‌ده، مدل EpiCare رو معرفی می‌کنه و داده‌ها رو روی یه صفحه نمایش بزرگ تجزیه و تحلیل می‌کنه.
بررسی و ارائه مدل EpiCare به عنوان یه معیار جدید تو کاربردهای بهداشت و درمان.

آسون‌تر کردن ارزیابی یادگیری تقویتی تو مراقبت‌های بهداشتی

دکتر گروسنیک گفت: “امیدواریم این کار به ارزیابی قابل‌اعتمادتر یادگیری تقویتی تو محیط‌های مراقبت‌های بهداشتی کمک کنه و توسعه‌ی الگوریتم‌ها و روش‌های آموزشی بهتری که برای کاربردهای پزشکی مناسب باشن رو سرعت ببخشه.”

تطبیق شبکه‌های عصبی کانولوشنی برای تفسیر داده‌های گرافی

تو دومین مقاله‌ی NeurIPS که همون روز ارائه شد، دکتر گروسنیک تحقیقاتش رو درباره‌ی تطبیق شبکه‌های عصبی کانولوشنی (CNN) که خیلی برای پردازش عکس استفاده می‌شن، برای داده‌های گرافیکی عمومی‌تر مثل شبکه‌های مغزی، ژنی یا پروتئینی معرفی کرد. موفقیت زیاد CNNها تو کارهای تشخیص تصویر تو اوایل دهه‌ی ۲۰۱۰، باعث شد یادگیری عمیق با CNNها و دوران مدرن برنامه‌های هوش مصنوعی با شبکه‌های عصبی شروع بشه. CNNها تو خیلی از جاها استفاده می‌شن، مثل تشخیص چهره، خودروهای خودران و تحلیل عکس‌های پزشکی.

دکتر گروسنیک اضافه کرد: “ما معمولاً به تحلیل داده‌های تصویربرداری عصبی علاقه داریم که بیشتر شبیه گراف‌ها هستن، با نقاط و خطوطی که به هم وصل‌شون می‌کنن، تا عکس. ولی فهمیدیم که هیچ‌چیزی واقعاً معادل CNNها و CNNهای عمیق برای داده‌های گرافیکی وجود نداره.”

یه تصویر نزدیک از شبیه‌سازی‌های شبکه‌های عصبی روی صفحه‌ی کامپیوتر، با نمایش فعالیت مغز و اتصالات عصبی تو یه محیط کاربری تاریک و پیشرفته.
شبیه‌سازی‌های شبکه‌های عصبی و فعالیت‌های مغز، موقع تحلیل داده‌ها و پیدا کردن الگوهای مفید.

شبکه‌های مغزی معمولاً به شکل گراف نشون داده می‌شن که توش مناطق مغزی (که بهشون نقطه می‌گن) اطلاعات رو به بقیه‌ی مناطق مغز (نقطه‌ها) از طریق “خط‌ها” که اونا رو به هم وصل می‌کنن و قدرت ارتباط بینشون رو نشون می‌دن، منتقل می‌کنن. این موضوع درباره‌ی شبکه‌های ژنی و پروتئینی، اطلاعات رفتاری انسان و حیوون و همین‌طور ساختار شیمیایی مواد مثل داروها هم صدق می‌کنه. با تحلیل مستقیم این گراف‌ها، می‌تونیم وابستگی‌ها و الگوها رو بین اتصالات نزدیک و دور با دقت بیشتری مدل‌سازی کنیم.

آیزاک اوسافو نکانسا، یه محقق که اون موقع تو آزمایشگاه گروسنیک بود و نویسنده‌ی اول مقاله بود، به توسعه‌ی چارچوب شبکه‌های کانولوشنی گرافی کمی (QuantNets) کمک کرد که CNNها رو به گراف تعمیم می‌ده. دکتر گروسنیک گفت: “ما الان ازش برای مدل‌سازی داده‌های EEG (فعالیت الکتریکی مغز) تو بیمارا استفاده می‌کنیم. می‌تونیم یه شبکه از ۲۵۶ حسگر روی پوست سر داشته باشیم که فعالیت‌های عصبی رو اندازه‌گیری می‌کنه – این یه گرافه.”

اون ادامه داد: “ما این گراف‌های بزرگ رو گرفتیم و به اجزای قابل فهم‌تری تبدیل‌شون کردیم تا بهتر بفهمیم چجوری اتصالات دینامیک مغز موقع درمان بیماران افسردگی یا وسواس‌فکری-عملی تغییر می‌کنه.”

محققان برای QuantNets کاربردهای زیادی پیش‌بینی می‌کنن. برای مثال، اونا دنبال مدل‌سازی داده‌های گرافی ساختار حرکت برای پیگیری رفتار تو مدل‌های موش و تو بیان‌های چهره‌ی انسان که با استفاده از بینایی کامپیوتری استخراج شدن، هستن. دکتر گروسنیک تو آخر حرفاش گفت: “درحالی‌که هنوز داریم تو پیچیدگی‌ها و امنیت استفاده از روش‌های پیشرفته‌ی هوش مصنوعی تو مراقبت از بیماران قدم برمی‌داریم، هر قدم به جلو – چه یه چارچوب جدید ارزیابی یا یه مدل دقیق‌تر – ما رو کم‌کم به استراتژی‌های درمان شخصی‌سازی شده نزدیک‌تر می‌کنه که می‌تونن نتایج سلامتی بیمارا رو به‌طور چشمگیری بهتر کنن.”

مقاله های شبیه به این مقاله

بیشتر بخوانید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *