به گزارش پایگاه خبری پزشکان و قانون (پالنا)، محققان علوم رایانه دانشگاه ام.آی.تی (MIT) با همکاری داریوش مهتا از اعضای مرکز جراحی حنجره بیمارستان عمومی ماساچوست(MGH) و مرضیه قاسمی استادیار علوم کامپیوتر و پزشکی دانشگاه تورنتو امیدوارند که با خودکار سازی یک اقدام مهم که معمولا به صورت دستی انجام می‌شود، استفاده از هوش مصنوعی را برای تقویت تصمیم‌گیری در حوزه پزشکی ارتقاء دهند.

حوزه تحلیل‌های پیشگویانه برای کمک به پزشکان در تشخیص‌ بیماری و درمان بیماران بسیار نوید بخش است. الگوهای یادگیری ماشینی را می‌توان آموزش داد تا با یافتن الگوها در داده‌های بیمار به مراقبت از بیماری سپسیس، طراحی رژیم‌های ایمن‌تر شیمی درمانی و همچنین پیش‌بینی خطر  ابتلا به سرطان سینه و یا مرگ در بخش مراقبت‌های ویژه کمک کنند.

به طور معمول مجموعه‌ داده‌های آموزشی افراد بیمار و سالم بسیاری را در بر می‌گیرند اما داده‌های نسبتا کمی در مورد هر فرد دارند. سپس متخصصان باید دقیقاً آن جنبه ها یا «خصیصه» هایی را که برای تهیه پیش بینی ها مهم خواهند بود، در مجموعه داده پیدا کنند.

مهندسی ویژگی (feature engineering)، می‌تواند فرآیند دشوار و پرهزینه‌ای باشد، اما با افزایش استفاده از حسگرهای پوشیدنی، چالش برانگیزتر می‌شود چرا که محققان می‌توانند راحت تر بیومتریک‌های بیماران را در طی دوره های طولانی کنترل کنند؛ برای مثال الگوهای خواب، راه رفتن و فعالیت صدا را ردیابی کنند به طوری‌که تنها پس از یک هفته نظارت، متخصصان می‌توانند چندین میلیارد نمونه داده برای هر موضوع داشته باشند.

اکنون محققان MIT در مقاله ای که در کنفرانس Machine Learning for Healthcare ارائه شده است، الگویی ارائه دادند که به طور خودکار خصیصه‌های پیش بینی اختلالات تارهای صوتی را می آموزد. این خصیصه‌ها از یک مجموعه داده حدود ۱۰۰ بیمار تهیه می‌شوند که هر یک شامل داده‌های یک هفته کنترل صدا و چند میلیارد نمونه است؛ به عبارت دیگر، این مجموعه، تعداد کمی از افراد را با تعداد گسترده‌ای از داده‌های مربوط به هر یک در بر دارد. این مجموعه داده حاوی سیگنال‌هایی می‌شود که از یک حسگر نصب شده روی گردن افراد به دست آمده‌اند.

محققان در جریان آزمایش‌ها متوجه شدند که  این الگو برای طبقه بندی دقیق بیماران مبتلا به گره های تارهای صوتی و بیماران بدون این وضعیت از خصیصه‌هایی استفاده کرد که به طور خودکار از این داده ها استخراج شدند.  نکته مهم این است که این الگو، این کار را بدون بررسی دستی مجموعه داده‌ها انجام داد.

ژوزه خاویر گونزالز اورتی دانشجوی مقطع دکتری دانشگاه ام.آی.تی و نویسنده ارشد این پژوهش گفت: شاید جمع‌آوری مجموعه داده‌ها در بلند مدت ساده باشد اما این کار به پزشکانی نیاز دارد که دانش خود را برای طبقه‌بندی مجموعه داده‌ها به کار ببرند. هدف ما این است تا بخشی که متخصصان باید به صورت دستی انجام دهند، حذف کنیم و مدل یادگیری ماشینی را به جای مهندسی ویژگی به کار ببریم.

مدل یادگیری ماشینی، این قابلیت را دارد تا برای یادگیری الگوهای هر بیماری مورد استفاده قرار گیرد. پژوهشگران معتقدند که توانایی شناسایی الگوهای روزانه صدا، گام مهمی در ابداع روش‌های بهتر برای پیشگیری، تشخیص و درمان اختلالات صوتی است. این مدل می‌تواند به طراحی روش‌های جدیدی برای شناسایی اختلالات صوتی و آگاه کردن افراد در مورد رفتارهای مضر برای صدا کمک کند.