هل يساعد الذكاء الاصطناعي في اكتشاف الإصابة بكورونا؟

نُشر في مجلة الجمعية الأمريكية للمعلوماتية الطبية، دراسة قادها باحثو جامعة مينيسوتا لتقييم اختلافات التعلم الفيدرالي لتشخيص COVID-19 في الأشعة السينية للصدر. التعلم الموحد هو تقنية ذكاء اصطناعي (AI) تمكن العديد من الأطراف من تطوير وتدريب نماذج الذكاء الاصطناعي بشكل تعاوني دون الحاجة إلى تبادل مجموعات البيانات أو مركزة.

هذا البحث هو تعاون بين U of M و M Health Fairview وجامعة Emory وكلية الطب بجامعة إنديانا وجامعة فلوريدا.

قارن فريق البحث أداء موقع واحد بنموذج اتحاد مكون من ثلاثة عملاء باستخدام نموذج تشخيص COVID-19 الموصوف سابقًا. وجدوا أن التعلم الموحد المخصص قد يوفر فرصة لتطوير خوارزميات داخلية وخارجية تم التحقق من صحتها.

“التعلم الموحد هو حل مستقبلي مهم للذكاء الاصطناعي في الرعاية الصحية ،” كريستوفر تينانيلي، دكتوراه في الطب، ماجستير، أستاذ مشارك في كلية الطب بجامعة مينيسوتا، قال: “نظرًا لأن جميع أساليب التعلم الآلي تستفيد بشكل كبير من القدرة على الوصول إلى البيانات التي تقدم أقرب إلى التوزيع العالمي الحقيقي ، فإن التعلم الموحد هو نهج واعد للحصول على نماذج قوية ودقيقة وآمنة وقوية وغير متحيزة.”

شارك الدكتور تينيانيلي في قيادة هذه الدراسة مع جو صن ، دكتوراه ، أستاذ مساعد في كلية العلوم والهندسة. كلاهما قائد في برنامج الذكاء الاصطناعي السريري في مركز تعلم علوم النظام الصحي في كلية الطب U of M.

قال صن: “نحن فخورون بأن نكون من بين الفرق الأولى التي تنفذ وتزيد من تحسين التعلم الموحد في أماكن الرعاية الصحية في العالم الحقيقي ، . “البيانات هي النفط للذكاء الاصطناعي الحديث ، والتعلم الموحد يجعل مصفاة النفط المثالية لتعزيز الذكاء الاصطناعي للرعاية الصحية.”

من خلال تمكين العديد من الأطراف من التدريب بشكل تعاوني دون الحاجة إلى تبادل مجموعات البيانات أو مركزيتها، يقول فريق البحث إن التعلم الموحد يساعد في حماية البيانات الطبية الحساسة وقد يفتح طرقًا بحثية وتجارية جديدة لتحسين رعاية المرضى .

عادةً ما يتم تقييم الخوارزميات الحديثة على مجموعات بيانات منظمة بعناية تنشأ من مصادر قليلة فقط ، بدلاً من البيانات التمثيلية الحقيقية. يمكن أن يؤدي ذلك إلى تحيزات حيث تعمل الخصائص الديموغرافية أو الاختلالات التقنية على تحريف التوقعات وتؤثر سلبًا على دقة مجموعات أو مواقع معينة. يقول الباحثون إنه لالتقاط العلاقات الدقيقة بين أنماط المرض، والعوامل الاجتماعية والاقتصادية والوراثية ، والحالات المعقدة والنادرة ، من الأهمية بمكان عرض نموذج لحالات متنوعة.

يقول فريق البحث إن الفوائد المحتملة الأخرى للتعلم الفيدرالي تشمل:

تحسين تحليل الصور والنصوص الطبية .

أدوات تشخيص أفضل للأطباء .

اكتشاف تعاوني ومتسارع للأدوية .

انخفاض التكلفة والوقت اللازم للتسويق لشركات الأدوية .

حالات مرضية نادرة حيث لا يوجد لدى مؤسسة واحدة حالات كافية لتدريب النماذج.