به نقل از «ایسکانیوز»

ژاپنی‌ها هوش مصنوعی برای تعیین سن زیستی طراحی کردند

تاریخ انتشار: ۳۰ مرداد ۱۴۰۲ | کد خبر: ۳۸۵۱۴۶۵۲

به گزارش خبرنگار علم و فناوری ایسکانیوز؛ محققان دانشگاه متروپولیتن اوزاکا در ژاپن دریافتند که هر چه سن تخمین زده شده توسط هوش مصنوعی در مقایسه با سن واقعی افراد بالاتر باشد، احتمال ابتلای افراد به بیماری مزمن بیشتر است.

یاسوهیتو میتسویاما، از محققان این پروژه، می‌گوید: نتایج آزمایش‌های ما نشان می‌دهد که سن ظاهری مبتنی بر رادیوگرافی قفسه سینه می‌تواند وضع سلامت فرد را بهتر از سن تقویمی او نشان دهد.

بیشتر بخوانید: اخباری که در وبسایت منتشر نمی‌شوند!

اومی‌افزاید: ما قصد داریم این تحقیق را بیشتر توسعه دهیم و از آن برای تخمین شدت بیماری‌های مزمن، پیش‌بینی امید به زندگی و برآورد عوارض احتمالی جراحی‌ها استفاده کنیم.

محققان به منظور ایجاد مدل هوش مصنوعی که بتواند رادیوگرافی قفسه سینه یا پرتوهای ایکس را بخواند، ۶۷ هزار رادیوگرافی قفسه سینه از افراد سالم و بیش از ۳۴ هزار رادیوگرافی از بیماران مبتلا به بیماری‌های شناخته شده که بین سال‌های ۲۰۰۸ تا ۲۰۱۱ از افراد سالم در چندین مؤسسه مختلف گرفته شده بود، استفاده کردند.

بیشتر بخوانید: هوش مصنوعی ماده ضدپیری کشف کرد

تصور می‌شود که برای افراد سالم، یک همبستگی قوی بین سن تخمین زده شده توسط هوش مصنوعی و سن تقویمی فرد وجود دارد.

آنها مشخص کردند که مدل تخمینی هوش مصنوعی سن بالاتری را در مقایسه با سن واقعی فرد برای برخی بیماری‌های مزمن مانند فشار خون بالا، بیماری انسدادی مزمن ریه، بیماری کبد، بیماری ریوی و نارسایی مزمن کلیوی نشان می‌دهد. با این حال به گفته دانشمندان برای بیماری‌های حاد، مانند مواردی نظیر عفونت‌های ذات‌الریه، همبستگی کمی بین سن تخمینی و سن واقعی فرد وجود داشت.

محققان این پروژه می‌گویند: این نتیجه نشان می‌دهد که هوش مصنوعی ما به جای مشکلات گذرا و مقطعی در رادیوگرافی قفسه سینه، بر مشکلات سلامتی مزمن فرد متمرکز است. امری که منطقی به نظر می‌رسد، زیرا افزایش سن ناشی از مشکلات مزمنی است که در طول زمان روی هم انباشته می‌شوند.

محققان می‌گویند که این مدل هوش مصنوعی می‌تواند به عنوان شاخصی برای تشخیص بیماری‌های مرتبط با سن و همچنین مداخله زودهنگام پزشکی کمک کادر درمان باشد. البته به گفته آنها، هنوز برای تائید علیت و مقایسه مدل‌های هوش مصنوعی با سایر نشانگرهای سن بیولوژیکی مطالعات بیشتری مورد نیاز است.

انتهای پیام/

کد خبر: 1194909 برچسب‌ها هوش مصنوعی

منبع: ایسکانیوز

کلیدواژه: هوش مصنوعی رادیوگرافی قفسه سینه هوش مصنوعی

درخواست حذف خبر:

«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را به‌طور اتوماتیک از وبسایت www.iscanews.ir دریافت کرده‌است، لذا منبع این خبر، وبسایت «ایسکانیوز» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۳۸۵۱۴۶۵۲ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتی‌که در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.

با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.

خبر بعدی:

ChatGPT در تشخیص آبسه مغزی شکست خورد

در پژوهش جدیدی که برای ارزیابی توانایی ChatGPT در تشخیص بیماری‌ها انجام شد، این مدل هوش مصنوعی نتوانست آبسه مغزی را به درستی تشخیص دهد.

به گزارش ایسنا، به رغم این که هوش مصنوعی در حال تبدیل شدن به یک بخش اساسی از پژوهش‌های بالینی و تصمیم‌گیری است، بسیاری از افراد هنوز صحت ChatGPT را برای پشتیبانی از فرآیندهای تشخیصی و درمانی پیچیده زیر سوال می‌برند.

به نقل از میراژ نیوز، یک پژوهش جدید که ChatGPT را برای مدیریت کردن «آبسه مغزی»(Brain abscess) به کار گرفته، نشان داده که اگرچه به نظر می‌رسد ChatGPT قادر به ارائه دادن توصیه‌هایی درباره تشخیص و درمان است اما برخی از پاسخ‌های این مدل هوش مصنوعی می‌توانند بیماران را در معرض خطر قرار دهند.

این پژوهش که در کنگره جهانی «انجمن میکروبیولوژی بالینی و بیماری‌های عفونی اروپا»(ESCMID) در شهر بارسلون اسپانیا ارائه شد، توسط اعضای گروه پژوهشی «بیماری‌های عفونی مغز»(ESGIB) انجام شده است.

دکتر «سوزان دایکوف شن»(Susanne Dyckhoff-Shen) از بیمارستان «دانشگاه لودویگ ماکسیمیلیان مونیخ»(LMU) در آلمان و یکی از اعضای انجمن میکروبیولوژی بالینی و بیماری‌های عفونی اروپا گفت: زمانی که با ایمنی بیمار سر و کار دارید، هر نتیجه کمتر از ۱۰۰ درصد یک شکست است. اگرچه ما از دانش ChatGPT درباره مدیریت آبسه‌های مغزی شگفت‌زده شده‌ایم اما محدودیت‌های کلیدی در استفاده از این مدل هوش مصنوعی به عنوان یک دستگاه پزشکی وجود دارد که از جمله آنها می‌توان به آسیب احتمالی بیمار و عدم شفافیت داده‌ها برای ارائه پاسخ اشاره کرد.

توانایی هوش مصنوعی در جذب سریع، پردازش و تفسیر مجموعه داده‌های گسترده، چشم‌انداهای وسوسه‌انگیزی را نشان می‌دهد اما این پرسش نیز به وجود می‌آید که آیا فرآیندهای زمان‌بر برای ایجاد دستورالعمل‌های پزشکی هنوز ضروری هستند یا اینکه مدل‌های هوش مصنوعی آموزش‌دیده با انبوهی از اطلاعات پزشکی می‌توانند در پاسخ به پرسش‌های پیچیده بالینی با کارشناسان بالینی رقابت کنند.

آبسه‌ مغزی یک عفونت تهدیدکننده در سیستم عصبی مرکزی است که برای جلوگیری از عوارض شدید عصبی و حتی مرگ بیمار باید به سرعت شناسایی و درمان شود. مدیریت آبسه‌های مغزی عمدتا براساس تجربه بالینی و پژوهش‌های محدود انجام می‌شود اما انجمن میکروبیولوژی بالینی و بیماری‌های عفونی اروپا در سال ۲۰۲۳، نیاز به یک روش استاندارد را با توسعه یک دستورالعمل بین‌المللی برآورده کرد.

گروهی از پژوهشگران اروپایی برای اینکه بفهمند آیا ChatGPT قادر به ارزیابی حرفه‌ای پژوهش‌های پزشکی و ارائه توصیه‌های معتبر علمی است یا خیر، مدل هوش مصنوعی را آزمایش کردند تا ببینند که آیا در مقایسه با دستورالعمل ESCMID می‌تواند به ۱۰ پرسش کلیدی درباره تشخیص و درمان آبسه مغزی پاسخ دقیق بدهد یا خیر.

پژوهشگران ابتدا از نسخه چهارمChatGPT (ChatGPT 4) خواستند تا به ۱۰ پرسش مطرح‌شده توسط انجمن میکروبیولوژی بالینی و بیماری‌های عفونی اروپا پیرامون دستورالعمل آبسه مغزی آنها پاسخ دهد. پرسش‌ها بدون هیچ گونه اطلاعات اضافی طراحی و ارزیابی شدند.

سپس، ChatGPT با متن همان مقالات پژوهشی آموزش داده شد که برای توسعه دستورالعمل پیش از پرسیدن سؤالات مورد استفاده قرار گرفته بودند. این کار برای بررسی این موضوع انجام شد که آیا ChatGPT با استفاده از داده‌های مشابه به‌ کار رفته برای توسعه دستورالعمل‌ها می‌تواند توصیه‌های هماهنگ‌تری را ارائه دهد یا خیر.

سپس سه متخصص بیماری‌های عفونی، پاسخ‌های هوش مصنوعی را با توصیه‌های دستورالعمل انجمن میکروبیولوژی بالینی و بیماری‌های عفونی اروپا مقایسه کردند تا مواردی را مانند وضوح، هم‌سویی با دستورالعمل و خطر احتمالی برای بیمار ارزیابی کنند.

این پژوهش در «The Journal of Neurology» ارائه شد.

انتهای پیام