هوش مصنوعی تومور مغزی را شناسایی می کند

هوش مصنوعی تومور مغزی را شناسایی می کند

دانشمندان با بــهره گیری از هوش مصنوعی توانسته اند تشخیص تومور مغزی را بهبود بخشند.

   دانـشمـنـدان هنـــد و ژاپـــــن ، از جـمـلـه انـسـتـیـتـــوی عـلــــــوم یـک پـارچـه سـلـولـهـای مـواد

(iCeMS) دانشگاه کیوتو ، این روش را برای کمک به پزشکــان در انتخاب موثرترین استــراتژی

درمانی بـــرای بیمـــاران خاص تهیه کردند.محققان در ژورنال IEEE Access گزارش دادند که

روش جدید یادگیری ماشین گلیوما که یک نوع معمول تومـــور مغزی است را با درجه های پایین یا

بالا با دقت 98٪ طبقه بندی می کند.

هوش مصنوعی چطور به تشخیص تومور مغزی کمک می کند

رادیــولوژیست هـــا بـرای بازسازی تصویری سه بعدی از بافت اسکن شده ، داده های بسیار زیادی

را از اسکن های MRI بدست مــــی آورند. بسیاری از داده های موجود در اسکن های MRI با چشم

غیر مسلح قابل شناسایی نیستند ، مـانـنـد جــزئیـــات مــربوط بـه شکل تومور ، بافت یا شدت تصویر.

الگوریتم های هوش مصنوعی (AI) به استخراج این داده ها کمک می کنند. متخصصان انکولوژیست

پزشکی از این روش به نام رادیومیک برای بهبود تشخیص بیماران استفاده کرده اند ، اما دقت هنوز

باید افزایش یابد. مهندسی زیستی iCeMS Ganesh Pandian Namasivayam با دانشمند

هنـــدی عــلوم داده Balasubramanian Raman از Roorkee همکـــاری کــرد تا یک روش

یادگیری ماشینی را ایجاد کند که می تواند گلیوما را به درجه پایین یا بالا با دقت 97.54 طبقه بندی کند.

گلیوما با درجه پایین شامل آستروسیتوم پیلوسیتیک درجه یک و گلیوما درجه پایین درجه 2 است. اینها

تهاجمی تر و بدخیم تر تومورهای گلیوما هستند. گلیوما درجه بالا شامل گلیوما بدخیم درجه 3 و درجه 4

گلیوبلاستوما درجه چهار است که با زمان بقا پس از تشخیص نسبتاً کوتاه، بسیار تهاجمی تر و بدخیم تر

هستند. انتخاب معالجه بیمار تا حد زیادی به توانایی تعیین درجه گلیوما بستگی دارد. از این رو با استفاده 

از این  الگوریتم جدید می توان زمان تشخیص را به شدت کاهش داد.  

هوش مصنوعی نقاط پر خطر در حریق را شناسایی می کند

هوش مصنوعی نقاط پر خطر در حریق را شناسایی می کند

محققان استنفورد راهی برای ردیابی و پیش بینی مناطق خشک و نقاط پر خطر ، با استفاده از هوش مصنوعی

و یادگیری ماشین و تصـــاویر مـــاهواره ای پیـدا کرده اند . در حال حاضر نحوه آزمایش جنگل ها و گلخانه ها

برای حساسیت به آتش سوزی با جمع آوری دستــی شاخه هــا و شاخ و برگ و آزمایش میزان آب آنها است .

که دقیق و قابل اعتماد است ، اما بدیهی است که بسیار کار دشـــواری است . اما خوشبختانه بــا استفاده از 

هوش مصنوعی و الگوریتم های یادگیری ماشینی می توان بر این مشکل قلبه کرد.

چگونه هوش مصنوعی نقاط پر خطر را شناسایی می کند؟

مـــاهواره های Sentinel و Landsat آژانس فضــایی اروپــا یک مجموعه تصویری از سطح زمین راگــــردآوری

کرده اند که می تواننـد مـنـبـع ثـانویه ای بـــرای ارزیابی خطر آتش سوزی باشند . این اولین تلاش بـــرای ایجاد این

نـوع مـشـاهـدات از تصـاویر مـداری نیست ، اما تلاش های قبلی به اندازه گیری های بصری “بسیــار خــاص سایت”

وابسته بودند ، به این معنی که روش تجزیه و تحلیل بسته به مکان متفاوت بود. ایـن راهـکـار بـدون شـکاف است

امـا هـنـوز هـم مـقـیـاس کـردن آن سخـت است. پیشـرفتی کـه تیم اسـتـنـفـورد از آن بـهـره گـرفتـه ، مـاهـواره های

Sentinel “رادار دیـــافراگم مصنوعی” هستنـــد کـــه مـــی توانند پوشش جنگل را حذف  کرده و از سطح زیرین 

تصویر برداری کنند. این تیم این تصاویر جدید را که بطور منظم از سال 2016 جمع آوری شده اند ، به یــک مدل

یادگیری ماشین به همراه اندازه گیری دستی که توسط سرویس جنگل ایالات متحده انجام شده است ، تغذیه کردند.

آنها سپس عامل هوش مصنوعی حاصل را با آزمایـــش پیش بینی بر اساس داده های قدیمی که قبلاً جواب آنها را

می دانستند ، آزمایش کردند. و جواب به دست آمده دقیق بـــود ، اما بیشتر از همه در اسکراب ها ، یکی از رایج

ترین بیوم های غرب آمریکا و همچنین یکی از مستعدترین آتش سوزی هایی که در آمریکا وجود دارد.