بسیاری از مردم می‌ترسند که ظهور هوش مصنوعی (AI) در هر صنعتی مشاغل آنها را از بین ببرد. به عنوان مثال، در مراقبت‌های بهداشتی، هوش مصنوعی در حال حاضر سر و صدای زیادی در رادیولوژی ایجاد کرده است.
این امر بسیاری از دانشجویان دانشکده پزشکی را از ادامه کار در این رشته باز می‌دارد. اما به جای حذف شغل رادیولوژیست، هوش مصنوعی نقش را تغییر می‌دهد. از همه مهمتر، هوش مصنوعی این پتانسیل را دارد که مراقبت بهتر از بیمار و در نهایت هزینه‌های کمتر را فراهم کند.
یک روز پر مشغله در زندگی یک رادیولوژیست
از زمانی که اولین عکس اشعه ایکس در سال 1895 گرفته شد، چیزهای زیادی تغییر کرده است. رشته رادیولوژی اکنون شامل سونوگرافی، ماموگرافی، سی‌تی‌اسکن و تصویربرداری رزونانس مغناطیسی (MRI) نیز می‌شود. با این حال، کار رادیولوژیست‌ها بسیار بیشتر از انجام این روش‌های تشخیصی است.
رادیولوژیست‌ها همچنین مسئول بررسی سوابق بیمار از منابع متعدد، تصاویر و داده‌های جمع‌آوری شده از روش‌های تشخیصی، تهیه گزارش‌های جامع و ارسال نتایج به بیماران و پزشکان هستند.
خلاصه اینکه آنها افراد پرمشغله‌ای هستند. از آنجایی که فناوری‌ها و داده‌های دیجیتال بیشتری به ترکیب تزریق می‌شوند، تنها بار کاری آنها را افزایش می‌دهد. با تمام این مسئولیت‌ها، کلینیک مایو دریافت که رادیولوژیست‌ها تنها سه تا چهار ثانیه فرصت دارند تا تصاویر MRI و CT را بررسی کنند که نباید تعجب‌آور باشد.
با توجه به این نکته، استفاده از هوش مصنوعی برای انجام سریع و دقیق وظایف خسته کننده برای رادیولوژیست‌ها بسیار مفید است. در حالیکه هوش مصنوعی امروزی چندوظیفه را به خوبی انجام نمی‌دهد، اما وظایف خاص را به طور استثنایی به خوبی انجام می‌دهد و رادیولوژیست‌ها را بر ارائه مراقبت بهتر از بیمار متمرکز می کنند.
استفاده از یادگیری ماشین (ML) برای تجزیه و تحلیل سریعتر تصاویر
یک تکنیک اصلی مورد استفاده در رادیولوژی، ثبت تصاویر پزشکی است و هوش مصنوعی ابزاری عالی برای این کار است. در سطح بسیار بالا، این به معنای قرار دادن یک تصویر بر روی تصویر دیگر جهت یافتن تفاوت‌ها است.
برای مثال MRI را در نظر بگیرید. هر کدام شامل صدها تصویر دو بعدی است که روی هم چیده شده‌اند تا یک تصویر سه بعدی بزرگ را تشکیل دهند.
در این فرآیند، الگوریتم‌ها برای تطبیق پیکسل‌ها بین تصاویر و یافتن ناهنجاری‌هایی مانند تومور یا شکستگی استخوان کار می‌کنند. این یک فرآیند خسته کننده است که با فناوری غیرقابل آموزش می‌تواند ساعت‌ها طول بکشد. برای حوادث حاد، مانند حمله قلبی یا سکته مغزی، این می‌تواند به معنای زندگی یا مرگ باشد.
برای سرعت بخشیدن به این فرآیند، محققان MIT یک الگوریتم یادگیری ماشینی (ML) توسعه دادند که می‌تواند تصاویر پزشکی را 1000 بار سریعتر از انسان یا در عرض یک تا دو دقیقه ثبت کند. اگر از واحد پردازش گرافیکی پرقدرت (GPU) استفاده شود، تصاویر می‌توانند در کمتر از یک ثانیه ثبت شوند.
زمینه سازی مراقبت‌های بهداشتی با علم داده
داده‌های تولید شده از تصویربرداری پزشکی 90 درصد از کل داده‌های مراقبت‌های بهداشتی را تشکیل می‌دهد. تصاویر نه تنها پیچیده‌تر می‌شوند، بلکه در بدن انسان در برخی موارد تا سطح سلولی عمیق‌تر گرفته می‌شوند.
با الگوریتم‌های هوشمند، رادیولوژیست‌ها می‌توانند آن داده‌ها را با ارجاع متقابل به سایر مجموعه‌های داده مرتبط برای بهینه‌سازی طرح‌های تشخیصی و درمانی، زمینه‌سازی کنند.
به عنوان مثال، پزشکان می‌توانند اطلاعات سلامت شخصی (PHI) جمع‌آوری شده از دستگاه‌های پوشیدنی و ژنتیک را هنگام ایجاد یک برنامه درمانی برای سرطان در نظر بگیرند. PHI یک ساعت هوشمند می‌تواند به پزشکان اطلاع دهد که بیمار چگونه به درمان پاسخ می‌دهد.
اگر پزشکان و رادیولوژیست‌ها به یک پایگاه داده ژنومیک مشترک دسترسی داشته باشند، بهتر می‌توانند پیش‌بینی کنند که چگونه ترکیبات ژنتیکی خاص به درمان انواع مختلف سرطان در گذشته پاسخ داده‌اند.
رادیولوژیست ها: دانشمندان داده های جدید در مراقبت های بهداشتی
هوش مصنوعی و یادگیری عمیق به رادیولوژیست‌ها، پزشکان و پاتولوژیست‌ها کمک می کند تا شرایط را با دقت بیشتر و نزدیک‌تر به نقطه مراقبت شناسایی و تشخیص دهند. به همین دلیل نباید این سوال مطرح شود که آیا هوش مصنوعی جای رادیولوژیست ها را خواهد گرفت. بلکه باید گفت چگونه رادیولوژیست‌ها می‌توانند از علم داده برای بهبود تشخیص و مراقبت کلی از بیمار استفاده کنند.
آیا تمایل به آشنایی با موقعیت شغلی تحلیلگر داده دارید؟اکنون بیاموزید.
آیا تمایل به آشنایی با موقعیت شغلی دانشمند داده دارید؟اکنون بیاموزید.
آیا تمایل به آشنایی با موقعیت شغلی مهندس داده دارید؟اکنون بیاموزید.
