هوش مصنوعی برای مهندسی پزشکی

از زیرشاخه های هوش مصنوعی برای حل مشکلات پیچیده در مهندسی پزشکی استفاده می شود. اینها شامل شبکه های عصبی ، محاسبات تکاملی ، بینایی رایانه ، رباتیک ، سیستم های خبره ، پردازش گفتار ، برنامه ریزی پیشرفتها و سیر علوم پزشکی معاصر

ظهور پیشرفت های نوین فناوری در مهندسی مصنوعی ، یادگیری ماشین و اینترنت اشیا ((اینترنت اشیا) به طور نامتقارنی چشم انداز مهندسی پزشکی و بیوانفورماتیک را تغییر داده است.   دامنه خطای انسانی همواره از طریق اجرای محاسبات عصبی ، سیستم های خبره ، منطق فازی ، الگوریتم های ژنتیک و مدل سازی بیزی برای بهینه سازی ، سرمایه گذاری دوباره در توسعه فناوری در زمینه های تشخیص و طراحی هوشمند ایجاد کرده است. از زیرشاخه های هوش مصنوعی برای حل مشکلات پیچیده در مهندسی پزشکی استفاده می شود. اینها شامل شبکه های عصبی ، محاسبات تکاملی ، بینایی رایانه ، رباتیک ، سیستم های خبره ، پردازش گفتار ، برنامه ریزی ، الگوریتم های یادگیری ماشین ، زبان طبیعی ، سیستم های فازی و سیستم های ترکیبی است.

هوش مصنوعی (AI) یا هوش ماشینی ، هوشی است که توسط ماشین ها بر خلاف هوش طبیعی نشان داده شده توسط انسان و سایر موجودات زنده به نمایش گذاشته می شود . از دیدگاه محاوره ای ، اصطلاح هوش مصنوعی هنگامی به کار می رود که ماشینی عملکردهای شناختی را نشان می دهد که با ویژگی های انسانی همراه است ، از جمله یادگیری ، حل مسئله ، استدلال و ادراک. راههای بی شماری در مهندسی پزشکی وجود دارد که اصلی ترین آنها عبارتند از: (1) انتخاب ویژگی ، (2) تجسم ، (3) طبقه بندی ، (4) انبارداری داده ها و داده کاوی ، و (5) تجزیه و تحلیل شبکه های بیولوژیکی. چالش ابعاد بالا در مهندسی محاسبات را می توان با انتخاب ویژگی برای شناسایی نشانگر زیستی که زیر مجموعه ای از ویژگی ها را انتخاب می کند ، مهم و مربوط به یک برنامه خاص ، حل کرد. روشهای انتخاب ویژگیهای یکپارچه نیز برای همانها توسعه یافته است ، از جمله شامل محدود کردن اطلاعات مدل سازی مخلوط گاوسی همراه با به دست آوردن اطلاعات (GMM-IG) ، انتخاب ویژگی - پرسپترون چند لایه (FS-MLP) و تشخیص ویژگی دو مرحله ای از داده های انتخاب ژن. در صحنه های تصویربرداری پزشکی و دید رایانه ای ، هوش مصنوعی مدل ها و الگوریتم های مبتنی بر مدل های هندسی ، آماری ، فیزیکی ، عملکردی و غیره و سپس با استفاده از مجموعه داده های تصویر را توسعه می دهد. این هدف برای حل مجموعه ای از مشکلات مانند استخراج ویژگی ، تقسیم بندی ، جراحی با هدایت تصویر ، تجسم ، آناتومی محاسباتی ، فیزیولوژی محاسباتی ، پزشکی از راه دور با تصاویر پزشکی و غیره است. بعلاوه ، این منجر به استفاده از پردازش تصویر دیجیتال در تکنیک های استخراج شده است ، تجزیه و تحلیل و طبقه بندی تومورهای مغزی از تصویربرداری رزونانس مغناطیسی (MRI). انبار اطلاعات بالینی (CDW) در فهرستنویسی و پشتیبانی موثر از کشف دانش پزشکی و تصمیم گیری بالینی در زمینه طب سنتی و طب مکمل استفاده می شود. پیشرفت در بینایی رایانه باعث ایجاد رتینوپاتی دیابتی مبتنی بر CAD (تشخیص به کمک کامپیوتر) با استفاده از شبکه های عصبی عمیق (DNN) شده است. این شامل استفاده از یک معیار بهینه سازی چند سطح است که شامل پردازش فرآیند ، GMM مبتنی بر یادگیری سازگار است.

از اوایل دهه 1960 ، پیش بینی هایی در مورد ظهور احتمالی سیستم های قدرتمند برای مقابله با مجموعه ای از مجموعه داده های پزشکی و بیولوژیکی انجام شده است. پیش از این ، بسیاری از سیستم های موفق در زمینه های مختلف مورد علاقه دیگر ایجاد شده بودند. با این حال ، آنها نمی توانند در حوزه زیست پزشکی تکرار شوند. برنامه های اولیه محاسبات با اصطلاحات کاملاً مشخص کاملاً مطلوبی کار می کنند ، مثلاً در مورد مدل های فیزیکی که می توان آنها را به صورت ریاضی مانند مهندسی و فیزیک مدل کرد. علوم زیست پزشکی با علوم فیزیکی متفاوت است زیرا اصطلاحاتی را که به خوبی تعریف شده اند و عبارات دیگری را که انتزاعی تر هستند و فقط به طور کامل درک نمی شوند ، در بر می گیرد و باعث پیچیده شدن مدل سازی ریاضی می شود. بنابراین این راهی برای توسعه تکنیک های جدید برای درگیر شدن در کاربردهای پزشکی پزشکی ایجاد کرد. الگوریتم های تحت الگوی تشخیص الگو برای کامپیوتر برای جستجوی الگوهای داده ایجاد شده است. این با تشخیص الگوی معاصر که پردازش تصویر را به کار می برد متفاوت است. این الگوهای کشف شده می تواند مجموعه ای از پارامترها باشد که می تواند برای شناسایی و تشخیص بیماری های خاص در تشخیص پزشکی استفاده شود.

انبوهی از سیستمهای موفق تحت نظر تکنیکهای تشخیص الگو در دوره 1960-1980 توسعه یافته اند . کوهن یک روش یادگیری نظارت شده را با استفاده از چند جمله ای متعامد که طبقه بندی داده ها را به چندین دسته امکان پذیر می کند ، توسعه داد . این یک نوآوری محوری در تجزیه و تحلیل داده های کروماتوگرافی بود که به تشخیص عفونت باکتریایی در بیماران کمک کرد. ددوانیا پیش بینی های آزمایش ورزش ایسکمی خاموش حرکتی را در طول زندگی روزمره در آنژین پکتوریس پایدار ایجاد کرد . این مطالعه به این نتیجه رسید که خطر ایسکمی خاموش را می توان به طور دقیق در بیماران مبتلا به آنژین پایدار با استفاده از پارامتر ورزش انتخاب شده شناسایی کرد. Raeside و Chu یک روش طبقه بندی الگویی در الکتروکاردیوگرافی ایجاد کردند که از تبعیض استفاده می کند، الگوریتم های یادگیری ماشین ، زبان طبیعی ، سیستم های فازی و سیستم های ترکیبی است.