پیش‌بینی بیماری‌ها با دقت ۹۸ درصدی هوش مصنوعی در زمان واقعی با استفاده از رنگ زبان
در سه سال اخیر، متخصصان فناوری بهداشت از هوش مصنوعی (AI) به نفع خود استفاده کرده‌اند و از آن برای شناسایی بیماری‌ها در بیماران به‌سرعت و با دقت بالا بهره می‌برند.
از دستیابی به دقت بیش از ۹۰ درصد در پیش‌بینی هوش مصنوعی بیماری ریوی تا حتی مدل‌های عمومی هوش مصنوعی که پتانسیل بیماری‌ها را حتی قبل از تشخیص‌های متعارف پیش‌بینی می‌کنند، این فناوری با سرعت زیادی توسعه یافته است.
اکنون، محققان مهندسی از دانشگاه فنی میانه (MTU) در بغداد، عراق، و دانشگاه استرالیای جنوبی (UniSA)، آدلاید، استرالیا، به پیشرفتی در آموزش الگوریتم‌های یادگیری ماشین برای شناسایی بیماری‌ها از طریق تحلیل رنگ زبان دست یافته‌اند.
درصد دقت ۹۸ درصدی در پیش‌بینی بیماری‌های مختلف زمانی حاصل شد که الگوریتم هوش مصنوعی رنگ زبان انسان را بررسی کرد.
تشخیص دیابت، سکته مغزی، کووید-۱۹ توسط هوش مصنوعی
طبق بیانیه، مدل هوش مصنوعی دیابت، سکته مغزی، کم‌خونی، آسم، شرایط کبد و کیسه صفرا، کووید-۱۹ و طیفی از مشکلات عروقی و گوارشی را تشخیص داد.
علی النجی، نویسنده ارشد، MTU و استاد دانشیار وابسته UniSA، بیان کرد که هوش مصنوعی در حال تقلید یک تمرین ۲۰۰۰ ساله‌ای است که در پزشکی سنتی چینی بسیار استفاده می‌شود - معاینه زبان برای نشانه‌های بیماری.
“رنگ، شکل و ضخامت زبان می‌تواند لیستی از شرایط سلامتی را نشان دهد,” او افزود.
“معمولاً افراد مبتلا به دیابت زبان زرد دارند؛ بیماران سرطانی زبان بنفش با پوشش چرب ضخیم دارند؛ و بیماران سکته حاد با زبان قرمزی که شکل غیر عادی دارد، حضور می‌یابند.”
النغی همچنین اشاره کرد که زبان سفید می‌تواند نشان‌دهنده کم‌خونی باشد؛ افرادی با موارد شدید کووید-۱۹ احتمالاً زبان قرمز عمیق دارند؛ و زبانی با رنگ نیلی یا بنفش نشان‌دهنده مشکلات عروقی و گوارشی یا آسم است.
مدل هوش مصنوعی آموزش‌دیده با ۵۲۶۰ تصویر
بنابراین، کارشناسان سیستم‌های بینایی کامپیوتری مجهز به سیستم تصویربرداری جدید را با استفاده از ۵۲۶۰ تصویر با کلاس‌های رنگی دیده شده – قرمز، زرد، سبز، آبی، خاکستری، سفید، و صورتی آموزش دادند.
شش الگوریتم یادگیری ماشین برای آموزش الگوریتم‌های کامپیوتری پشتیبانی شده توسط هوش مصنوعی برای پیش‌بینی رنگ زبان در هر شرایط نوری استفاده شد. این سیستم‌ها – روش‌های بیز ساده (NB)، ماشین بردار پشتیبانی (SVM)، نزدیک ترین همسایگی (KNN)، درختان تصمیم (DTs)، جنگل تصادفی (RF)، و روش‌های تقویت گرادیان شدید (XGBoost) هستند،
نویسندگان در مطالعه ذکر کردند که پژوهش یک سیستم تصویر جدید هوش مصنوعی برای تحلیل و استخراج ویژگی‌های رنگ زبان در اشباع‌های مختلف و در شرایط نوری مختلف از پنج مدل فضای رنگ (RGB، YcbCr، HSV، LAB، و YIQ) ارائه می‌دهد.
برای تست سیستم، ۶۰ تصویر از زبان بیماران که شرایط خاص سلامتی را تجربه کرده بودند از دو بیمارستان آموزشی در خاورمیانه منبع‌یابی شد.
مدل هوش مصنوعی به‌طور موفقی رنگ زبان را به بیماری‌های تشخیص داده شده در آن بیماران در بیشتر موارد تطابق داد.
علاوه بر این، برای گرفتن تصاویر زبان بیمار، دوربین‌ها در فاصله ۲۰ سانتی‌متری از عضله گوشتی قرار گرفتند.
تشخیص در زمان واقعی
این تأیید کرد که هوش مصنوعی می‌تواند زمینه پزشکی را با تشخیص سریعتر بیماری‌ها و ارائه تشخیص در محل با بررسی فوری رنگ زبان پیش ببرد.
تشخیص در زمان واقعی می‌تواند خطوط را سریعتر حرکت دهد و زمان انتظار در بیمارستان‌ها را کاهش دهد. در حالی که ممکن است تأیید بیماری‌ها توسط یک انسان مورد نیاز باشد، با این حال، مدل هوش مصنوعی به حرفه‌ای‌ها کمک می‌کند تا تشخیص را سریعتر تأیید کنند.
جاون چال، یکی از نویسندگان از UniSA و استاد بیان کرد که در مسیر آینده، یک تلفن همراه برای تشخیص بیماری به این روش استفاده خواهد شد.
“این نتایج تأیید می‌کند که تحلیل تصویری زبان رایانه‌ای یک روش ایمن، کارآمد، کاربر پسند و مقرون‌به‌صرفه برای غربالگری بیماری است که از روش‌های مدرن با یک تمرین چند صد ساله پشتیبانی می‌کند,” او می‌گوید.
این مطالعه در ژورنال – تکنولوژی‌ها منتشر شد.
