ترجمه مقاله هوش مصنوعی در کاردیولوژی - نشریه الزویر

هوش مصنوعی و یادگیری ماشینی، می توانند تقریبا بر روی تمام ابعاد شرایط انسان تاثیر داشته باشند و دانش قلب شناسی هم از این قاعده مستثنی نیست. این مقاله یک راهنمای خوب برای متخصص های بالینی در رابطه با ابعاد مربوط به هوش مصنوعی و یادگیری ماشینی فراهم می کند و بعضی از کاربرد های انتخابی این روش را در قلب شناسی تا به امروز شناسایی می کند و این موضوع را بررسی می کند که داروهای قلبی عروقی چطور میتوانند از هوش مصنوعی در آینده استفاده کنند. به صورت خاص، این مقاله نخست مفاهیم مدل سازی پیش بینی را که مرتبط با قلب شناسی می باشد را شناسایی می کند مانند گزینش ویژگی و مشکلات رایج مانند  دوشعبه سازی نا مناسب. دوم این که ما در این مقاله الگوریتم های رایج مورد استفاده در یادگیری با سرپرست را بررسی می کنیم و کاربرد های انتخاب شده را در قلب شناسی و زمینه های علمی مربوطه، بررسی می کنیم. سوم، ما پیشرفت یادگیری عمقی و روش های مربوطه که به صورت کلی با نام یادگیری بدون سرپرست شناخته می شود را بررسیمی کنیم که نمونه های زمینه ای را در پزشکی عمومی و پزشکی قلب و عروق ارائه می کند و سپس نشان می دهیم که این روش ها را چطور می توان مورد استفاده قرار داد تا موجب بهبود دانش قلب و عروق شد و خروجی های به دست آمده را ارتقا داد.

نوید هوش مصنوعی (AI) و یادگیری ماشینی در قلب و عروق و ایجاد کردن مجموعه ای از ابزار برای تقویت و توسعه کارایی قلب و عروق و پزشکی در این زمینه، بسیار مهم می باشد. این موضوع به چند دلیل مورد نیاز می باشد. مقدمه بالینی از تکنولوژی های مبتنی بر داده ها مانند بیومتریک با دستگاه های موبایل و تعیین توالی های کلی ژنوم، به زودی مستلزم این خواهد بود که متخصص های قلب و عروق اطلاعات را از زمینه های بسیار مختلف پزشکی و زیست شناسی، تحلیل کرده و از آن ها در عملیات خودشان استفاده کنند [1 تا 4]. در عین حال، شکل گیری فشار خارجی در پزشکی باعث شده که نیاز عملیاتی بیشتری برای پزشکان و سیستم های خدمات درمانی  ایجاد شود [5]. در نهایت، بیماران نیز نیازمند و خواهان خدمات درمانی سریع تر و فردی تر می باشند [6و7]. به صورت خلاصه، پزشکان در معرض داده های بسیار زیادی قرار دارند که مستلزم تفسیر های پیچیده تر می باشد و در عین حال، باعث می شود که آن ها عملیات موثرتری را ارائه کنند. راه حل ما نیز استفاده از روش های یادگیری می باشد که می تواند تمام مراحل ارائه خدمات درمانی به بیمار را ارتقا دهد- از جستجو گرفته تا کشف و تشخیص روش های درمانی. در نتیجه، فعالیت های بالینی کارایی، سهولت و حالت فردی بیشتری خواهد داشت. علاوه بر این، داده های آتی فقط در زمینه های  خدمات درمانی جمع آوری نمی شوند. تکثیر سنسور های موبایل باعث شده که متخصص های پزشکی در آینده بتوانند جریان های اضافی از داده های پزشکی را تحت نظارت داشته باشند، آن ها را تفسیر کنند و گاهی به صورت راه دور و یا خودکار نسبت به آن ها واکنش نشان دهند. در این حوزه فنی، ما روش های رایج برای یادگیری ماشینی را ارائه می دهیم، چندین کاربرد مختلف در دانش قلب و عروق را نشان می دهیم و مشخص می کنیم که پزشکی قلب و عروق چطور می تواند از هوش مصنوعی در آینده استفاده کند ( طرح اصلی).

چرا علم قلب شناسی باید از هوش مصنوعی استفاده کند؟
AI به این دلیل ظهور کرده است که الگوریتم های آشنا را می توان برای وظایف دنیای واقعی، بهبود داد. مثلا مورد رگرسیون لجستیک را در نظر بگیرید. برای این که بتوانیم قابلیت استنتاج های آماری مانند تخمین ضرایب و مقادیر P را ایجاد کنیم، این مدل نیازمند فرضیاتی قوی می باشد ( مثلا، استقلال از ناظر و عدم همبستگی بین متغیر های مختلف). زمانی که رگرسیون لجستیک برای اهداف دیگر مورد استفاده قرار می گیرد، این فرضیات که باعث می شود بتوانیم استنتاج آماری را انجام دهیم، گاهی باعث می شود که ما از هدف خودمان دور شویم و باعث می شود که عملکرد مدل را کاهش می دهد. در مقابل، الگوریتم های یادگیری ماشینی معمولا بدون فرضیات مرتبط با داده های زیرلایه های مورد استفاده قرار می گیرد. با وجود این که این روش باعث کاهش احتمال استنتاج های متداول می شود، اما باعث شکل گیری الگوریتمی می شود که معمولا برای پیش بینی و دسته بندی دقت بالاتری دارد. ازین رو پزشکی قلب و عروق می تواند از کاربرد های هوش مصنوعی و یادگیری ماشینی، بهره ببرد.

یادگیری با سرپرست : دسته بندی و پیش بینی
استراتژی های یادگیری ماشینی را می توان به صورت گسترده به استراتژی های باسرپرست و بدون سرپرست دسته بندی کرد. این استراتژی ها اهداف بسیار مختلفی دارند. یادگیری بدون سرپرست معمولا بر روی کشف کردن ساختار زیر لایه ای و یا روابط بین متغیر ها در یک مجموعه داده تمرکز دارد در حالی که یادگیری با سرپرست معمولا شامل دسته بندی کردن یک مشاهده به صورت یک یا چند دسته بندی و خروجی می باشد ( مثلا آیا این نوار قلب ، نشان دهنده ریتم سینونسی است و یا فیبریلاسیون بطنی؟) . یادگیری با سرپرست ازین رو نیازمند یک مجموعه داده با متغیر های پیش بینی ( که در زمینه یادگیری ماشینی با نام ویژگی شناخته می شود) و خروجی های نام گذاری شده میباشد. در پزشکی، مدل سازی پیش بینی معمولا زمانی اجرا می شود که مشاهده ها دارای نام هایی مانند «پرونده» و یا « کنترل » می باشند و این مشاهده ها با ویژگی های مانند سن، جنسیت و یا متغیر های بالینی جفت می شوند.