هوش مصنوعی در نبرد با ویروس کرونا چه نقشی دارد؟ - شیوا مارکت

حالا، ویروس کرونا به 180 کشور راه پیدا نموده و بیش از 102 هزار نفر جان خود را بر اثر ابتلا به این بیماری از دست داده اند و در بیشتر کشورها تعطیلی گسترده ای در جریان است. و در حال حاضر، بهترین راه حل برای مهار گسترش ویروس، بهبود بهداشت فردی و اعمال فاصله گذاری اجتماعی است.

در این میان، سیاستمداران، دانشمندان و محققان برای یافتن راه های سیستماتیک برای مبارزه با این ویروس و مراقبت از بیماران، دست به دست هم داده اند. هوش مصنوعی هم در این نبرد با ویروس کرونا وارد عمل شده که تا جای ممکن انجام وظیفه کند.

ردیابی گسترش ویروس کرونا

شرکت BlueDot برای ردیابی شیوع بیماری های عفونی در سرتاسر دنیا از ترکیب هوش مصنوعی و تخصص انسانی استفاده می نماید. الگوریتم های این شرکت، داده های موردنظر را از گزارش های خبری، اظهارات سازمان های بهداشتی، پروازهای تجاری و گزارش های مربوط به بهداشت دام جمع آوری می نماید.

با استفاده از یادگیری ماشینی و پردازش زبان طبیعی، این شرکت از دریای داده برای پیدا کردن الگوهایی استفاده می نماید که شاید به شروع گسترده یک بیماری اشاره داشته باشند. سپس نتایج به دست آمده توسط گروهی از کارشناسان تشکیل شده از پزشکان، دامپزشکان و متخصصین حوزه داده آنالیز می گردد تا تصمیم بگیرند کدامیک از این سیگنال ها احتیاج به تحقیقات بیشتری دارد. گزارش نهایی به مشتریان این شرکت مانند دولت ها و کمپانی های مختلف ارسال می گردد.

علاوه بر تشخیص نقاط آلوده، هوش مصنوعی با استفاده از داده های مربوط به پروازها و الگوهای حرکتی می تواند فرایند گسترش بیماری های عفونی و مسری را پیش بینی کند. این ویروس بعد از اینکه در ووهان چین ظاهر شد، شرکت BlueDot توانست به طور موفقیت آمیزی تعدادی از شهرهای بعدی که ویروس در آن ها گسترش پیدا می نماید را پیش بینی کند.

در شرایط عادی، BlueDot پلتفرم خود را به عنوان یک برنامه تجاری در اختیار مشتریان خود قرار می دهد. اما این روزها، این شرکت به دولت ها در پیگیری گسترش ویروس کرونا یاری می رساند. در آینده، فناوری های هوش مصنوعی مانند BlueDot می توانند به عنوان سیستم های هشدار اولیه برای یاری به دولت ها در زمینه تشخیص بسیار سریع بیماری های همه گیر انجام وظیفه نمایند.

دکتر کامران خان، پزشک بیماری های عفونی و مدیرعامل BlueDot در این زمینه می گوید: ما در حال حاضر در قلمرو ناشناخته ای هستیم زیرا یک ویروس میکروسکوپی کل سیاره ما را مختل نموده است. بیماری همه گیر کووید 19 احتیاج به پیاده سازی سیستم هایی که به طور فعال مدیریت ریسک بیماری های عفونی را بر عهده بگیرند، نشان داده است. با افزایش آمادگی می توانیم این تهدیدات را پشت سر بگذاریم تا دنیای سالم تر، امن تر و مرفه تر ایجاد کنیم

تشخیص عفونت کووید 19 در تصاویر پزشکی

بسیاری از کشورها همچنان با مشکل کمبود کیت های تشخیص ویروس دست و پنجه نرم می نمایند و به همین خاطر از همان ابتدا دانشمندان و محققان به فکر راه های جایگزین برای تشخیص این بیماری افتادند. یک راه حل، آنالیز های عکس های گرفته شده از قفسه سینه با اشعه ایکس و سی تی اسکن صورت گرفته است که در بیمارستان ها با سرعت زیادی انجام می شوند.

چالش بهره گیری از عکس های قفسه سینه این است که به راحتی نمی توان تفاوت های بین بیماری کووید 19 و دیگر عفونت های ریوی مانند آنفولانزا را تشخیص داد. کالج رادیولوژی آمریکا در ماه مارس بیانیه ای صادر کرد که در آن در خصوص استفاده از سی تی اسکن قفسه سینه و رادیوگرافی به عنوان اولین تست مربوط به این ویروس هشدار داده شده است.

این رویکرد مورد تایید مرکز کنترل و پیشگیری آمریکا هم قرار گرفته است. این سازمان اعلام نموده: با توجه به تنوع در یافته های تصویربرداری از قفسه سینه، رادیوگرافی یا سی تی اسکن به تنهایی برای تشخیص کووید 19 توصیه نمی گردد.

اما محققان هوش مصنوعی امیدوارند که تکنولوژی بینایی کامپیوتری می توانند در این زمینه بسیار دقیق تر از چشم انسان عمل نمایند. در همین زمینه، چندین شرکت وارد عمل شده اند و سیستم های هوش مصنوعی برای تشخیص ویروس کرونا بر مبنای رادیو گرافی و سی تی اسکن ارائه داده اند. یکی از کوشش های اخیر، COVID-Net نام دارد که یک سیستم یادگیری عمیق متن باز است و توسط نهاد DarwinAI و دانشگاه واترلو ایجاد شده است.

الکس وانگ، دانشمند ارشد شاغل در نهاد DarwinAI می گوید که تفاوت های ظریفی بین کووید 19 و دیگر عفونت های ریوی وجود دارد که رادیولوژیست ها ممکن است هنگام آنالیز رادیوگرافی قفسه سینه متوجه آن ها نشوند. او اظهار امیدواری نموده: امید ما در رابطه با پروژه COVID-Net این است که بتوانیم از هوش مصنوعی (مشخصا یادگیری عمیق) برای انتخاب شاخص های بصری ظریف برای تمایز بهتر بین کووید 19 و دیگر عفونت های ریوی استفاده کنیم.

الگوریتم های یادگیری عمیق به ویژه در پیدا کردن جزییات کوچک در داده های بصری عملکرد خوبی دارند که شاید چشم های غیر مسلح نتوانند تعدادی از این جزییات را تشخیص بدهند. برای پروژه COVID-Net، از پایگاه داده COVIDx استفاده شده که شامل 16756 رادیوگرافی از قفسه سینه نه تنها بیماران کووید 19 بلکه بیماران مبتلا به دیگر عفونت های ریوی است. تنوع داده ها به مدل یادگیری عمیق اجازه می دهد که ویژگی های هرکدام از بیماری ها را در رادیوگرافی ها شناسایی کند.

آقای وانگ می گوید اگرچه این مدل به طور کامل آمده نشده، اما نتایج اولیه در زمینه تمایز بین کووید 19 و سایر عفونت ها بسیار امیدوارنماینده است و این مدل با دسترسی به داده های بیشتر، بهبود پیدا می نماید. با این وجود، وانگ تاکید می نماید که طبق توصیه نهادهای پزشکی آمریکا، سی تی اسکن و رادیوگرافی قفسه سینه باید به عنوان غربالگری مکمل در نظر گرفته گردد. در مناطقی که کیت های تشخیص در دسترس نیستند یا کم هستند، می توان از این روش برای بخشی از فرایند تشخیص بهره برد.

در حال حاضر، بار زیادی بر دوش رادیولوژیست ها واقع شده است و روزانه باید چندین مورد را برای تشخیص عفونت کووید 19 آنالیز نمایند. آقای وانگ می گوید که امیدوار است به زودی هوش مصنوعی به اندازه ای از دقت برسد که این فشار را بر متخصصین کاهش دهد و ضمناً برای تشخیص بهتر هم مثمر ثمر واقع گردد.

منبع: PC Mag

cruisero.ir: کشتی کروز: سفری لوکس و در عین حال مقرون به صرفه به اقیانوس ها