کاربرد هوش مصنوعی در پزشکی و فرایند های مرتبط با دارو

چکیده:

در دهه‌های اخیر، تحولات قابل ملاحظه‌ای در هوش مصنوعی (AI) شکل گرفته که بر علوم پزشکی تأثیر گذار بوده است. AI قادر است الگوهای پیچیده‌ای را شناسایی کند که برای چشم انسان قابل تشخیص نیستند. بکارگیری شبکه‌های عصبی عمیق و الگوریتم‌های مختلف یادگیری ماشین نظیر Random Forest و SVM به محققان کمک کرده تا مرزهای دانش پزشکی را گسترش دهند و سرطان را با دقت بیشتر و سرعت بالاتر تشخیص دهند. در این مقاله، به بررسی کاربردهای AI در تشخیص و درمان سرطان می‌پردازیم و نشان می‌دهیم که چگونه هوش مصنوعی می‌تواند آینده پزشکی را متحول سازد.

کلید واژه ها:

هوش مصنوعی، یادگیری عمیق، تشخیص سرطان، پردازش تصویر پزشکی، الگوریتم‌های یادگیری ماشین، شبکه‌های عصبی چرخشی (CNN)، کاهش هزینه‌ها ، نوآوری‌های بالینی.

مقدمه:

در دهه‌های اخیر، پیشرفت‌های چشمگیر در حوزه هوش مصنوعی (AI) و یادگیری عمیق انقلابی را در حوزه علوم پزشکی رقم زده‌اند. با توانایی تحلیل و پردازش حجم وسیعی از داده‌ها، AI قابلیت‌های تشخیصی پزشکان را توسعه داده و به قابلیت‌های جدید و نوآوری‌های بالینی راه برده است. از پردازش تصاویر پزشکی تا تشخیص بیماری‌های پیچیده مانند سرطان، هوش مصنوعی نقشی حیاتی در تسریع و افزایش دقت فرآیندهای تشخیصی ایفا می‌کند. این تکنولوژی این قدرت را دارد که الگوهایی را که توسط چشم انسان قابل تشخیص نیستند شناسایی کند. استفاده از سیستم‌های یادگیری ماشینی و شبکه‌های عصبی چرخشی (CNN)، ما را قادر ساخته است تا به فراتر از مرزهای موجود دست یابیم و در عین حال، هزینه‌ها را کاهش دهیم و فرایند تشخیص را به نحو احسن تسریع ببخشیم. در این مقاله، ما مراحل کلیدی درگیر در به‌کارگیری هوش مصنوعی برای تشخیص سرطان، کاربردهای آن در ارتقاء سلامت و چگونگی تغییر آینده پزشکی را بررسی خواهیم کرد.

روش تحقیق:

در این مطالعه، روش تحقیق از نوع کمّی با بهره‌گیری از الگوریتم‌های یادگیری ماشین برای تحلیل داده‌های پزشکی انتخاب شده است. ابتدا، با استخراج و تجزیه و تحلیل مجموعه‌ای از داده‌های بالینی و تصاویر پزشکی از دیتابیس‌های معتبر، الگوریتم‌هایی نظیر Random Forest، SVM و CNN بر اساس دقت تشخیصی، حساسیت و ویژگی در طبقه‌بندی سرطان‌ها آزموده شده‌اند. به منظور بررسی تأثیرگذاری AI در تشخیص زودهنگام و دقت تشخیص سرطان، از تکنیک اعتبارسنجی متقابل و متریک‌های ارزیابی استاندارد استفاده شده است. تفسیر نتایج حاصل از مدل‌های ماشین یادگیری، پس از انجام آزمون‌های آماری معنی‌داری، به شرح استراتژی‌های احتمالی برای کاربرد هوش مصنوعی در عملیات واقعی تشخیص پزشکی منجر شده است.

یافته ها (بدنه مقاله) :

الگوریتم‌های یادگیری ماشین نقش بسیار مهمی در صنعت داروسازی ایفا کرده‌اند. این الگوریتم‌ها در توسعه مدل‌های متفاوت با هدف پیش‌بینی ویژگی‌های شیمیایی، بیولوژیکی و ژنتیکی مورد استفاده قرار می‌گیرند. به طور خاص، الگوریتم‌های یادگیری ماشین می‌توانند برای پیش‌بینی تداخلات بین داروها و پروتئین‌ها به کار برده شوند.

استفاده از الگوریتم‌های یادگیری ماشین در صنایع متفاوت، به ویژه در صنعت داروسازی، شامل الگوریتم‌های زیر است:

– Linear Regression

– Logistic Regression

– Support Vector Machine (SVM)

– Random Forest (RF)

– Deep Learning یا Artificial Neural Network (ANN)

– Naive Bayesian (NB)

– K-Means Clustering

– Decision Tree (DT)

با این حال، برخی الگوریتم‌های کمتر قدرتمند نیز وجود دارند که امروزه نسبت به گذشته کمتر استفاده می‌شوند، مانند:

– K-Nearest Neighbors (KNN)

– Apriori

الگوریتم‌هایی که شایع‌ترین استفاده را در یادگیری ماشین دارند، عبارتند از:

– Support Vector Machine (SVM)

– Naive Bayesian (NB)

– Deep Learning

– Artificial Neural Network (ANN)

– Random Forest (RF)

روند کلی توسعه دارو با استفاده از هوش مصنوعی به این صورت است[6]:

1. شناسایی هدف مشکل یا بیماری

2. مدیریت مهندسی ترکیبات و راه‌حل‌های مصنوعی

3. بهره‌گیری از توانمندی‌های ابرکامپیوترها برای طراحی داروها

4. پیش‌بینی تأثیر داروها بر سلامت روحی و جسمی بیماران

5. تکرار این فرآیند به منظور بهبود پیوسته الگوریتم[2] Random Forest (RF) که به عنوان جنگل تصادفی شناخته می‌شود، یک روش یادگیری ترکیبی برای دسته‌بندی و رگرسیون است. این الگوریتم نخستین بار توسط تین کم هو از طریق استفاده از روش زیر فضاهای تصادفی پدید آمد و سپس توسط لیو بریمن توسعه یافت. جنگل تصادفی بر پایه ساختاری متشکل از تعدادی درخت تصمیم گیری کار می‌کند و در طول زمان آموزش و خروجی‌های کلاس‌ها (کلاس‌بندی) یا پیش‌بینی‌های مستقل هر درخت، این الگوریتم با حذف موارد پرت و دسته‌بندی داده‌ها بر اساس ویژگی‌های نسبی الگوریتم‌های خاص، عمل می‌کند. در داروسازی، جنگل تصادفی غالباً برای انتخاب ویژگی، کلاس‌بندی و رگرسیون به کار می‌رود. یکی از کاربردهای این الگوریتم بهبود ارتباطات بخشی بین آنزیم‌ها و پروتئین‌ها است که با استفاده از پردازش تصویر و داده کاوی صورت می‌گیرد. از دیگر کاربردهای این الگوریتم در پزشکی می‌توان به تشخیص دنباله‌های ژنتیکی اشاره کرد که شامل چهار نوع اصلی ادنین، سایتوزین، گوانین و تیمین می‌باشند. این دنباله‌ها را با استفاده از الگوریتم RF تمرین می‌دهیم تا بهبود ارتباطات لیگاندز به عنوان گیرنده‌های هورمونی هسته و تولید داروهای قوی‌تر با عوارض جانبی کمتر را ممکن سازد. این الگوریتم به ما امکان می‌دهد که به طور کلی داروهای قدیمی را با طرح‌های دارویی ترکیب کنیم و داروهای جدید تولید نماییم که قوی‌تر هستند. علاوه بر این، الگوریتم RF را می‌توان برای تشخیص بیماری‌ها استفاده کرد، اگرچه نتایج حاصل ممکن است بسته به داده‌ها و بایاس‌های به کار گرفته شده، قوی، متوسط یا ضعیف باشند. به طور کلی، جنگل تصادفی به عنوان قوی‌ترین الگوریتم ماشین یادگیری برای بحث ساخت ژن‌های جدید شناخته می‌شود .  

.

در این روش، ما خصوصیات مولکولی را به صورت جداگانه تمرین داده‌ایم، این خصوصیات شامل تأثیر نامطلوب، وزن مولکولی، و تأثیر قسمت‌های شارژ شده می‌باشد. همچنین، ساختار ژنتیکی را که شامل خصوصیاتی مانند توضیحات نمونه‌های ژنی، دنباله‌های ابتدایی، و مکان ژن‌ها می‌باشد، بطور جداگانه آموزش داده‌ایم. افزایش امتیاز (score) الگوریتم نشان دهنده بهبود عملکرد آن است.

الگوریتم svm[3]

Support Vector Machine (SVM) یکی از الگوریتم‌های یادگیری ماشین نظارت‌شده است که در دسته‌بندی (کلاسیفیکیشن) و رگرسیون قابل استفاده است. این الگوریتم توسط ولادیمیر واپنیک و کورین کورتس توسعه یافته است. SVM برای دسته‌بندی داده‌ها کار می‌کند به طوری که یک صفحه یا hyperplane را به گونه‌ای انتخاب می‌نماید که بیشترین فاصله ممکن را از نقطه‌های نزدیک‌ترین از دو کلاس متفاوت داشته باشد. این صفحه به عنوان صفحه جداکننده یا صفحه تصمیم نامیده می‌شود.

الگوریتم svmدر پزشکی در زمینه پزشکی، الگوریتم Support Vector Machine (SVM) برای تشخیص بین مولکول‌های فعال و غیرفعال استفاده می‌شود. ابتدا، با استفاده از پایگاه داده‌های پزشکی، احتمال فعال بودن مولکول‌ها را رتبه‌بندی می‌کنیم. این الگوریتم این توانایی را دارد که با بهره‌برداری از ویژگی‌های ذاتی خود، مولکول‌ها را دستکاری کند و به اثر انگشت‌های دوبعدی و پروتئین‌های مورد نیاز دسترسی پیدا کند.  علاوه بر قابلیت حل مسائل به روش رگرسیون، SVM در کلاسیفیکیشن داده‌ها نیز بسیار موثر است. این الگوریتم، همانند الگوریتم Random Forest (RF)، می‌تواند در تشخیص ارتباطات بین آنزیم‌ها و پروتئین‌ها مورد استفاده قرار گیرد و گاهی اوقات از RF قوی‌تر عمل می‌کند. SVM به طور خاص در تشخیص اختلالات عصبی کاربرد دارد. به لطف ارتباط قوی آن با پردازش تصویر و کلاسیفیکیشن، این الگوریتم قادر است تصویر را تمیزکاری کرده و نویزهای اضافی را حذف نماید. با تعیین یک آستانهٔ منطقی، اختلالات عصبی مثل پارکینسون و آلزایمر را می‌توان شناسایی و سپس برای درمان برنامه‌ریزی کرد.  با این حال، کارایی استفاده از SVM برای تشخیص بیماری‌ها ممکن است بسته به کیفیت داده‌ها و بایاس‌های موجود متفاوت باشد و نتایج می‌توانند از قوی به متوسط یا حتی ضعیف متغیر باشد.

 برای تولید دارو با استفاده از الگوریتم Support Vector Machine (SVM), ما از یک صفحه جداکننده استفاده می‌کنیم که به صورت موازی نسبت به دو دسته داده قرار می‌گیرد. یک حاشیه یا مارجین تعیین می‌شود که بین مولکول‌های فعال (که به عنوان داروهای ممکن مورد استفاده قرار می‌گیرند) و مولکول‌های غیرفعال (که به عنوان داروی ناکارآمد در نظر گرفته می‌شوند) فاصله ایجاد می‌کند. داروهایی که بالای این مارجین قرار دارند به عنوان داروهای فعال و انتخاب شده در نظر گرفته می‌شوند، در حالی که داروهایی که پایین مارجین قرار دارند به عنوان داروهای غیرفعال و انتخاب نشده باقی می‌مانند.

الگوریتم naive bayes  در پزشکی

یکی از فواید این الگوریتم در پیش بینی اثرات دارو های مختلف میباشد این به دلیل قدرت این الگوریتم در بحث آماری میباشد و ما میتوانیم اثرات منفی ترکیب های قبلی را در مجموعه داده ها ذخیره کنیم و پس از تولید دارو جدید عوارض آن را برسی کنیم.

یکی از فواید دیگر این الگوریتم در پیش بینی شکل مولکولی جدید ژن دارو ها میباشد با یک مثال توضیح دهم ما چهار نوع ساختار ژنی در ژنتیک داریم ما درست است که توانایی ساخت دارو ها را با الگوریتم  rf داریم اما باید به یک نکته توجه داشت ما ابتدا نیاز داریم که ببینیم چه دارویی با چه خصلت ژنتیکی خواستاریم لزا اول با این الگوریتم به بررسی دارو میپردازیم اگر دارو مناسب بود با الگوریتم rf احتمال به وجود آمدن این دارو را با ابر کامپیوتر ها بررسی میکنیم.

تشخیص بیماری یکی از مهم‌ترین مراحل در مراقبت‌های بهداشتی است. تشخیص صحیح بیماری برای انتخاب درمان مناسب و بهبود نتایج درمانی ضروری است. با این حال، تشخیص بیماری می‌تواند چالش‌برانگیز باشد، به خصوص در مواردی که علائم بیماری غیراختصاصی یا پیچیده هستند. هوش مصنوعی می‌تواند برای کمک به پزشکان در تشخیص بیماری استفاده شود. هوش مصنوعی می‌تواند برای تجزیه و تحلیل داده‌های پزشکی، مانند تصاویر پزشکی، آزمایشات آزمایشگاهی و سوابق پزشکی، استفاده شود. هوش مصنوعی می‌تواند الگوهای پنهان در داده‌های پزشکی را شناسایی کند که ممکن است توسط انسان قابل تشخیص نباشند.

• تشخیص بیماری با استفاده از هوش مصنوعی معمولاً شامل مراحل زیر است:

جمع‌آوری داده‌های پزشکی: داده‌های پزشکی مورد نیاز برای تشخیص بیماری ممکن است شامل تصاویر پزشکی، آزمایشات آزمایشگاهی و سوابق پزشکی باشد.

تشخیص بیماری: هوش مصنوعی از الگوریتم‌های یادگیری ماشین برای تشخیص بیماری استفاده می‌کند.

پردازش داده‌های پزشکی: داده‌های پزشکی باید برای تجزیه و تحلیل توسط هوش مصنوعی پردازش شوند. این کار معمولاً با استفاده از الگوریتم‌های یادگیری ماشین انجام می‌شود.

• برخی الگوریتم های یادگیری ماشین که در تشخیص بیماری استفاده میشوند عبارت است از:

یادگیری بدون نظارت

در یادگیری بدون نظارت (Unsupervised Learning)، الگوریتم‌های یادگیری ماشین بدون برچسب‌های بیرونی آموزش می‌بینند و هدف آن‌ها یافتن ساختارهای پنهان در داده‌های بدون برچسب است. الگوریتم‌هایی مثل خوشه‌بندی (Clustering) و کاهش بعد (Dimensionality Reduction) در این دسته قرار می‌گیرند که می‌توانند برای کشف گروه‌بندی‌های طبیعی در داده‌ها یا برای کاهش تعداد ویژگی‌ها برای تجزیه‌وتحلیل‌های بیشتر استفاده شوند.

در یادگیری نظارت شده (Supervised Learning)، الگوریتم‌های یادگیری ماشین با استفاده از مجموعه‌ای از نمونه‌های آموزشی که هر کدام با برچسب یا خروجی مشخصی همراه هستند آموزش می‌بینند. هدف این است که الگوریتم بتواند یک تابع پیش‌بینی را بیابد که بهترین تخمین را برای برچسب‌ها براساس ویژگی‌های داده‌ها ارائه دهد. مثال‌هایی از این الگوریتم‌ها شامل رگرسیون خطی، رگرسیون لجستیک، ماشین‌های بردار پشتیبان، درختان تصمیم‌گیری، و شبکه‌های عصبی هستند.

1. رگرسیون خطی، که توسط کارل فریدریش گاوس معرفی شد، برای پیش‌بینی مقادیر پیوسته با استفاده از یک رابطه خطی بین متغیرهای مستقل و متغیر وابسته استفاده می‌شود.

2. رگرسیون لجستیک، که توسط رابرت فیشر معرفی شد، برای مدل‌سازی احتمال یک واقعه باینری استفاده می‌شود، مانند احتمال وجود یا عدم وجود یک بیماری خاص.

توابع ریاضی متفاوتی در رگرسیون به کار می‌روند:

– خطی: رابطه مستقیم و ساده بین متغیرهای مستقل و وابسته.

– چند جمله‌ای: می‌تواند روابط پیچیده‌تر را میان ویژگی‌ها و پاسخ مدل کند.

– لجستیک: برای مدل‌سازی احتمالات و معمولا برای طبقه‌بندی استفاده می‌شود.

این دو نوع یادگیری – نظارت شده و بدون نظارت – ابزار قدرتمندی در دست محققان قرار می‌دهند تا از داده‌ها برای تشخیص و پیش‌بینی بیماری‌ها و همچنین درک پیچیدگی‌های بیولوژیکی استفاده نمایند.

کاربردهای رگرسیون در تشخیص بیماری ها:

 پیش بینی احتمال ابتلا به بیماری: رگرسیون می تواند برای پیش بینی احتمال ابتلا به بیماری بر اساس عوامل خطر مانند سن، جنسیت، سابقه خانوادگی و عوامل زیست محیطی استفاده شود. این اطلاعات می تواند برای شناسایی افراد در معرض خطر ابتلا به بیماری استفاده شود.

 تأثیر درمان بر بیماری: رگرسیون می تواند برای ارزیابی تأثیر درمان بر بیماری بر اساس داده های پزشکی مانند نتایج آزمایشات آزمایشگاهی و سوابق پزشکی استفاده شود. این اطلاعات می تواند برای بهبود درمان بیماری استفاده شود.

مثال:

فرض کنید مجموعه داده ای از بیماران مبتلا به سرطان داشته باشیم که شامل سن، جنسیت، سابقه خانوادگی و عوامل زیست محیطی آنها است. می توان از رگرسیون برای پیش بینی احتمال ابتلا به سرطان در بیماران جدید بر اساس این عوامل استفاده کرد.

2-ماشین بردار پشتیبان:

ماشین‌های بردار پشتیبان (Support Vector Machines یا SVM‌ها) در میان ابزارهای یادگیری ماشین، به خاطر قابلیت‌های قوی طبقه‌بندی‌شان، کاربردهای وسیعی در حوزه پزشکی برای تشخیص بیماری‌ها دارند. در اینجا چند کاربرد بارز این الگوریتم‌ها در تشخیص بیماری‌ها مطرح می‌شود:

1.  تشخیص بیماری : SVM‌ها می‌توانند یک الگوی جدایی بین داده‌های سلامت و داده‌های بیمار ایجاد کنند. به عنوان مثال، با بررسی نتایج آزمایشگاهی، می‌توانند الگوهایی را شناسایی کنند که بیماری را از عدم بیماری متمایز می‌سازد.

2.  تشخیص انواع مختلف بیماری : SVM‌ها می‌توانند برای تفکیک بین دسته‌های مختلف بیماری‌ها استفاده شوند، به طوری که می‌توانند نوع مشخصی از سرطان یا هر حالت پزشکی دیگری را بر اساس ویژگی‌های بیومارکرهای مختلف تشخیص دهند.

3.  تشخیص بر پایه تصاویر پزشکی : SVM‌ها قادر به تحلیل تصاویر پزشکی مانند MRI‌ها، CT‌‌اسکن‌ها و تصاویر X-ray هستند و می‌توانند الگوهایی را که ممکن است برای یک متخصص پزشکی قابل تشخیص نباشند، بیابند و بیماری‌هایی مانند سرطان را تشخیص دهند.

4.  تحلیل ویژگی‌های ژنتیکی و پروتئومیک : در تحلیل داده‌های ژنتیکی و پروتئومیک که ابعاد بسیار زیادی دارند، SVM‌ها می‌توانند الگوهایی را شناسایی کنند که ممکن است به تشخیص دقیق‌تر بیماری‌های ژنتیکی و متابولیکی کمک کنند.

5.  پیش‌بینی بیماری‌ها : SVM‌ها همچنین می‌توانند برای پیش‌بینی پیشرفت بیماری‌ها استفاده شوند. به عنوان مثال، با تحلیل مراحل مختلف یک بیماری و پیش‌بینی احتمال انتقال به مرحله‌های بعدی، کمک شایانی به برنامه‌ریزی‌های درمانی می‌کنند.

عملکرد دقیق و انعطاف‌پذیری SVM در تشخیص دسته‌های متفاوت داده‌ها، از جمله برتری‌های این الگوریتم در حوزه پزشکی است. این کاربردها از این حقیقت سرچشمه می‌گیرند که SVM‌ها قادر به کار کردن با داده‌های بسیار پیچیده و با بعد بالا هستند و می‌توانند با دقت بالایی مرز بین کلاس‌های مختلف را تعیین کنند.

3-شبکه های عصبی مصنوعی: شبکه‌های عصبی مصنوعی (ANNs) [5]ابزارهای بسیار قدرتمندی در حوزه یادگیری ماشین و علم داده هستند. از زمان معرفی اولیه آنها توسط وارن مک‌کالوش و والتر پیتس در سال 1943 و توسعه بعدی توسط دیگر دانشمندان مانند آندره وارپاسوف، مدل‌های ANN به طور چشمگیری پیشرفت کرده‌اند و حالا در بسیاری از جنبه‌های تشخیص بیماری‌ها کاربرد دارند.

بحث و نتیجه گیری :

به طور خلاصه، هماهنگی بین هوش مصنوعی و زمینه‌های پزشکی و داروسازی نه فقط نمایانگر یک لحظه مهم در تکامل بهداشت است، بلکه یک پرش واقعی به سوی آینده‌ای است که نوآوری در آن هیچ محدودیتی ندارد !

گام‌هایی که تاکنون در بهره‌گیری از قدرت هوش مصنوعی برداشته شده ، نه تنها محدودیت‌های پیش‌فرض صنایع را شکسته ، بلکه عصر جدیدی از امکانات را نیز فراهم کرده‌ است .

یکی از نمونه‌های کاربردهای هوش مصنوعی در زمینه داروسازی، توانایی آن در شتاب‌دهی فرآیند کشف دارو است. از طریق استفاده ماهرانه از الگوریتم‌ها و مدل‌های محاسباتی پیشرفته،  AI فرآیند شناسایی کاندیدهای دارویی پتانسیل را تسریع می‌بخشد و به طور قابل توجهی زمان و منابع مرتبط با توسعه دارو را کاهش می‌دهد. این نه تنها سرعت پیشرفت صنعت پزشکی را افزایش می‌دهد ، بلکه برای بیماری‌هایی که تاکنون از درمان موثر محروم بودند، امیدی فراهم می‌آورد.

در زمینه پزشکی، روند رو به رشد استفاده از الگوریتم‌های یادگیری ماشین برای تشخیص سریع بیماری ،یک شاهکار از وجود  AIبرای مراقبت از بیماران است. فراتر از روش‌های سنتی، قدرت تحلیلی AI به داده‌های بیماران فراگیر ، نه تنها تشخیص‌های دقیق و به موقع ارائه می‌دهد ، بلکه الگوهای پیچیده در داده‌های پزشکی یک بیمار را نیز تحلیل می‌کند. این در نهایت مسیر را برای روش های درمان سریع تر ، دقیق تر ، و متناسب تر با ویژگی‌های منحصر به فرد بیمار ها میگشاید .

با تحرک فناوری‌های مبتنی بر AI، مبحث دارو های شخصی سازی شده ، و توانایی سفارشی کردن درمان‌ها بر اساس پروفایل ژنتیک و مولکولی هر فرد با سرعت زیادی پیشرفت کرده است . این نکته نه تنها نشان‌دهنده ارتقاء استراتژی‌های درمانی است ، بلکه بازتعریف اساسی بهداشت را نیز نمایان می‌کند. این رویکرد شخصی‌سازی نه تنها اثرات مضر را به حداقل می‌رساند بلکه به عملکرد درمانی حداکثری دست می‌یابد و به آینده‌ای اشاره می‌کند که مداخلات و موارد پزشکی با دقت به نیازهای ویژه هر بیمار ، ساخته میشوند .

همچنین، حوزه تجزیه و تحلیل پیش‌بینی به عنوان یک ابزار قدرتمند در مدیریت فعال بهداشت پدیدار می‌شود. با تفسیر داده‌های گسترده شامل سوابق بیمار، اطلاعات ژنتیک و عوامل محیطی، هوش مصنوعی میتواند جلوی روند بیماری‌ها را (تا حد بسیار زیادی) بگیرد، جمعیت‌های در خطر را شناسایی کند و تخصیص منابع پزشکی و تغذیه را بهینه‌سازی کند. این موضوع در برابر بیماری‌ها به روش پیشگیرانه ای عمل کرده و به طور قابل ملاحظه‌ای نتایج کلی بهداشت را بهبود می بخشد .

مسیر AI در پزشکی با شتاب بسیار زیادی در حال پیشرفت است ؛ زیرا تحقیقات در حال آشکار کردن لایه‌های جدیدی از پتانسیل آن هستند. با حمایت از سرمایه‌گذاری‌ شرکت‌های داروسازی، شرکت‌های فناوری و نهادهای بهداشتی ، که می‌خواهند از هوش مصنوعی در آینده بهره‌مند شوند، سرعت رشد این موضوع در طی سال های آینده بیشتر و بیشتر میشود .

با تثبیت نقش AI به عنوان یک جزء اساسی از ارائه خدمات بهداشت در سطح جهانی در آینده ، تلاش‌های مشترک تحقیق‌گران، پزشکان و نوآوران مشغول در این زمینه ، در مسیری نوین به جلوه خواهد پیوست، که استانداردها و روش های کنونی را در صنعت پزشکی و دارو سازی ،دگرگون خواهد کرد.[7]

منابع:

[1]        “https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5725284/”.

[2]        “https://fa.wikipedia.org/wiki/جنگل_تصادفی درخت”.

[3]        “https://fa.wikipedia.org/wiki/ماشین_بردار_پشتیبانی”.

[4]        “https://fa.wikipedia.org/wiki/دسته%E2%80%8Cبندی%E2%80%8Cکننده_بیز_ساده”.

[5]        “https://fa.wikipedia.org/wiki/شبکه_عصبی_مصنوعی”.

[6]        “https://fa.wikipedia.org/wiki/شبکه_عصبی_پیچشی”.

[7]        “https://chat.openai.com”.