یادگیری ماشین چیست؟ آیا برای هوش مصنوعی در خدمات سلامت آماده‌ایم؟

با اختراع رایانه و ضروری شدنش در زندگی، انسان پرسید رایانه چقدر می‌تواند هوشمند باشد؟ آیا هوش مصنوعی ممکن است؟ چگونه رایانه خودش یاد بگیرد؟ و این پرسش پدید آمد: یاد گرفتن برای ماشین چیست؟ در سال 1959 آرتور ساموئل گفت رایانه می‌تواند مستقل از برنامه‌نویسی توان یادگیری پیدا کند و بازی داما ساخت. تفاوت آن، درس گرفتن از حرکت‌های گذشته و بهبود خود بود.

یادگیری ماشین، Machine Learning، چیست؟

یادگیری ماشین یعنی رایانه یا دستگاه هوش مصنوعی با ترکیب آمار، نظریه اطلاعات، الگوریتم و تحلیل تابعی از داده موجود نتیجه‌گیری کند. امروز در تشخیص صدا و چهره، تحلیل جست‌وجوی خودرو خودران، داده‌کاوی و کاربرد پزشکی استفاده می‌شود.

یادگیری ماشین در چه مرحله‌ای است؟

در تحلیل‌های گروه پژوهشی گارتنر درباره فناوری‌های نو، در چرخه هیجان فناوری‌های نوظهور یادگیری ماشین در مرحله اوج انتظارات، The peak of expectations، قرار دارد. چاپگرهای 3 بُعدی که پیش‌تر در همین نقطه بودند، اکنون آسان در دسترس و سریع در حال توسعه‌اند. به همین ترتیب در آینده نزدیک بیشتر با یادگیری ماشین روبه‌رو می‌شویم.

اکنون داده‌های ژنوم شخصی، حسگر زیستی، پرونده الکترونیک سلامت، ESK، و درخواست بیمه را که برای تحول سلامت گرد آمده‌اند و تشکیل‌دهنده کلان‌داده یا big data هستند می‌شناسیم. یادگیری ماشین با تحلیل آن‌ها پیش‌بینی کمکی ارائه می‌دهد که در خدمات سلامت، سامانه پشتیبان تصمیم نام دارد. البته پیش‌بینی در سلامت تازه نیست؛ مانند APACHE برای سیر و خطر مرگ بیمار مراقبت ویژه یا ASCVD برای نیاز به داروی کاهنده کلسترول. با یادگیری ماشین و داده بالینی می‌توان برای هزاران مسئله مشابه مدل پیش‌بینی ساخت.

کار هوش مصنوعی برای خدمات سلامت آسان نیست

پروژه‌ای برای پیش‌بینی و پیگیری همه‌گیری جهان به نام Google Flu بیش از همه به دلیل ناکامی تحلیل داده شکست خورد. اکنون نیز انتقال و پردازش داده سلامت مشکل جدی دارد. مثلاً روش سنتی ثبت بیمار داده جامع می‌ساخت، اما منابع کنونی به علت دشواری هماهنگی با قالب‌های ثابت محدودترند.

کاربرد یادگیری ماشین از تشخیص و درمان شخصی تا کشف دارو و رادیولوژی گسترده است. بزرگ‌ترین مانع، استانداردسازی و مدیریت داده است. این روند فناوری طبق چرخه هیجان اکنون در اوج انتظارات قرار دارد. برای عبور سریع‌تر و مؤثرتر فناوری از فاز 3، دره سرخوردگی، به فاز 4، شیب روشنگری، باید خطاهای گذشته را شناخت. در سلامت، پرونده الکترونیک باید کاراتر و برای یادگیری ماشین مؤثرتر شود.