كيف يمكن للتعلم المدمج أن يوسع نطاق الذكاء الاصطناعي الطبي

يُظهر الذكاء الاصطناعي وعدًا كبيرًا في اكتشاف أنماط جديدة مدفونة في جبال البيانات. 

ومع ذلك، لا تزال بعض البيانات معزولة عبر صوامع مختلفة لأسباب فنية وأخلاقية وتجارية.

 قد تساعد تقنية جديدة واعدة للذكاء الاصطناعي والتعلم الآلي تسمى التعلم المدمج في التغلب على هذه الصوامع لإيجاد علاجات جديدة للأمراض ومنع الاحتيال وتحسين المعدات الصناعية. 

قد يوفر أيضًا طريقة لبناء توائم رقمية من أشكال غير متسقة من البيانات.

في مؤتمر Imec Future Summits ، شرح Roel Wuyts كيفية عمل التعلم المدمج وكيف يقارن مع التقنيات ذات الصلة مثل التعلم الموحد والتشفير المتماثل في مقابلة حصرية مع VentureBeat. Wuyts هو مدير ExaScale Life Lab في Imec ، وهو تعاون علمي عبر الصناعة في أوروبا وأستاذ في جامعة Katholieke Universiteit Leuven في بلجيكا. 

لقد كان يقود فريقًا يركز على استكشاف أساليب مختلفة لتوسيع نطاق الذكاء الاصطناعي عبر مختلف المشاركين لتحسين تصنيع أشباه الموصلات والبحوث الطبية ومجالات أخرى. 

قال وويتس: “نود إجراء تحليلات تعتمد على البيانات على مستوى السكان للبحث عن علامات جديدة لم يرها أحد من قبل”، “بينما نجمع المزيد من البيانات، يصبح من الصعب على البشر ملاحظة الأنماط المدفونة في هذه البيانات.”

 قد تساعد الحوسبة المعززة بالخصوصية على مستوى السكان.

الحفاظ على الخصوصية والأبحاث الطبية

في أحد طرفي الطيف، تسمح تقنيات الحوسبة الجديدة مثل التشفير المتماثل للعديد من المشاركين بمشاركة البيانات للتعاون في نماذج الذكاء الاصطناعي الجديدة بثقة عالية. 

ومع ذلك، فإنه يضيف أيضًا الكثير من النفقات الحسابية.

 كانت التطبيقات القديمة تعمل بشكل أبطأ بنحو عشرة آلاف مرة من الخوارزميات المماثلة بشكل واضح، والآن يقوم الباحثون بتقليل هذا إلى حوالي ألف مرة أبطأ. قال Wuyts إنه لا يزال غير عملي بالنسبة لأبحاث السكان على نطاق واسع.

في الطرف الآخر من الطيف، تسمح تقنيات التعلم الموحد للمشاركين المختلفين بتحديث نموذج التعلم الآلي محليًا دون إرسال بيانات حساسة إلى الآخرين. في هذه الحالة، تتم مشاركة تحديثات النموذج فقط مع الآخرين.

 هذا النوع من النهج أكثر كفاءة بكثير من التشفير متماثل الشكل. اكتشف فريقه طرقًا للتنبؤ بالرجفان الأذيني من خلال تطبيق التعلم الموحد عبر مستشفيات متعددة.

الرجفان الأذيني هو اضطراب في نظم القلب يمكن أن يؤدي إلى جلطات دموية في القلب.

 الأمل هو أن توفر البيانات الطبية الأفضل والساعات الذكية الجديدة علامات تحذير أفضل للمساعدة في تقليل هذه المخاطر.

 لكن المستشفيات تواجه العديد من القضايا الأخلاقية والمتعلقة بالخصوصية عند مشاركة هذا النوع من البيانات على مستوى السكان. 

لقد شهد فريقه بالفعل بعض النتائج المبكرة الواعدة في هذا التعاون. في المستقبل، يتوقع أنه يمكننا جميعًا الاستفادة من البيانات التي تم جمعها من الساعة الذكية لجيراننا. 

حدود التعلم الموحدة

ومع ذلك، فإن التعلم الفيدرالي لديه بعض التحديات. بالنسبة للمبتدئين، يجب على جميع المستشفيات أو شركات الرعاية الصحية المعنية استخدام نفس النموذج والتقنيات. 

قد تكون هذه مشكلة إذا كان المستشفى يأمل في تسويق نموذج ذكاء اصطناعي جديد.

قال وويتس: “في بعض الحالات، لا يرغبون في مشاركة البيانات أو النماذج التي يطورونها لأنها يمكن أن توفر ميزة تنافسية”. 

مشكلة أخرى هي أنه يتطلب تطبيع جميع البيانات. هذه ليست مشكلة كبيرة في مجالات مثل أبحاث القلب، حيث يوجد إجماع حول كيفية القياس وما الذي يجب قياسه.

 على الرغم من ذلك، يمكن أن تكون مشكلة أكبر حيث تحاول الفرق جلب المزيد من البيانات من مصادر جديدة عندما يكون للفرق عمليات مختلفة لجمع البيانات والتعليق عليها. 

لاحظ Wuyts أنه حتى في مجالات مثل أبحاث الجينوم، قد تختلف كل مستشفى في كيفية جمع البيانات، مما يؤثر على نتائج الدراسة.

قضية أخرى هي كيفية قيام الأطباء بترميز الأمراض المختلفة.

 على سبيل المثال، في بعض أبحاثهم، وجدوا اختلافات إقليمية في كيفية قيام الأطباء في أنظمة الرعاية الصحية المختلفة بتسجيل نفس الأمراض في أنظمة الرعاية الصحية. 

قد ينتج هذا عن أنواع السداد للأمراض المختلفة التي يتم علاجها باستخدام أساليب مماثلة. 

التعلم المدمج 

بدأ فريقه مؤخرًا تجربة التعلم المدمج لأبحاث السرطان على نطاق واسع. مثل التعلم الفيدرالي، فهو أسرع بكثير من التشفير متماثل الشكل ولا يتطلب من المشاركين مشاركة البيانات.

 فائدة أخرى هي أنه يدعم نماذج متعددة، لذلك لا يتعين على المشاركين مشاركة الملكية الفكرية المخبوزة لهم مع بعضهم البعض.

 يمكن أن يشجع هذا البحث الطبي عبر الصناعة من قبل المنافسين الذي يحسن النتائج للجميع مع حماية المصالح التجارية أيضًا. 

يبدو أن هذه التقنية تعمل حتى عندما يقوم كل مشارك بترميز البيانات بشكل مختلف قليلاً. المفتاح هو أن التقنية تستفيد من الاختلافات المكتشفة داخل كل مجموعة بيانات محلية. 

نتيجة لذلك، يمكن للجميع التعلم من تجارب الآخرين، حتى عندما تكون إجراءات جمع بيانات المستشفى الخاصة بهم مختلفة، طالما أن هذه الإجراءات متسقة داخليًا.

 قال وويتس: “نعتقد أننا لن نحتاج إلى تطبيع البيانات عبر الأطراف بقدر ما نحتاج إلى تدريب نموذج محلي”.  

يتمثل أحد المخاوف في أن هذا التعلم المدمج يجعل من الصعب استخلاص التحيز أو اكتشاف كيفية وصول نموذج ما إلى نتيجة معينة مقارنة بالمقاربات التقليدية. 

وبالتالي، فإنهم يركزون على استخدام تقنيات ذكاء اصطناعي أكثر قابلية للتفسير تجعله يحدد ويراجع العوامل المختلفة التي يمكن أن تؤثر على النتائج. 

قال وييتس: “تحتاج إلى بناء مجموعة كاملة من الأدوات لفحص وتسجيل ما يحدث، حتى يتمكن الناس من إلقاء نظرة”. 

“إنهم يركزون على المزيد من النماذج القابلة للتفسير بحيث إذا حدث خطأ ما، يمكن للناس التحقيق وتحديد الخطأ الذي حدث.”

فائدة أخرى هي أن التعلم المدمج سيساعد أيضًا في تخصيص التوائم الرقمية للأفراد، حتى عندما تكون نقاط الضبط المحلية لأشياء مثل درجة الحرارة أو العلامات الحيوية الأخرى مختلفة قليلاً. 

على سبيل المثال، بعض الأفراد أكثر عرضة للحرارة من غيرهم. من المهم مراقبة التغييرات في كل فرد أكثر من نقاط التحديد العالمية عبر السكان. 

المصدر: venturebeat

شاهد المزيد:

استضافة المواقع الإلكترونية

خبير سيو

ترجمة هولندي عربي

أفضل استضافة ووردبريس

قوالب ووردبريس | أفضل 14 قالب WordPress

أنت تستخدم إضافة Adblock

يعتمد موقع انشاء على الاعلانات كمصدر لدعم الموقع، يجب عليك ايقاف تشغيل حاجب الاعلانات لمشاهدة المحتوي