استفاده از هوش مصنوعی در پلاک آترواسکلروتیک کرونر

نمای کلی از هوش مصنوعی

  

مقالات قبلی با جزئیات الگوریتم های هوش مصنوعی برای تصویربرداری قلبی عروقی [5،9،10،11] شرح داده شده است. برای تسهیل درک این بررسی ، این بخش مقدمه ای کوتاه برای برخی از اصطلاحات ارائه می دهد. مفهوم هوش مصنوعی ، که به ماشین آلات دستور می داد از طریق یادگیری هوش مشابهی با انسان داشته باشند تا کارهای هوشمند خاصی را انجام دهند [12] ، الگوهای کشف و تصمیم گیری بر اساس داده ها ، در دهه 50 به دنیا آمد. یادگیری ماشین (ML) شاخه ای از هوش مصنوعی است ، که در آن ماشین ها یا الگوریتم ها اطلاعات را به طور مستقل از داده های بزرگ استخراج می کنند تا پیش بینی ها را بدون برنامه نویسی صریح انجام دهند [13]. الگوی پیش بینی ML شبیه به روشهای آماری رگرسیون سنتی است. با این وجود ، ML پیش بینی هایی را بر اساس اطلاعات به دست آمده از طیف گسترده ای از داده های بزرگ به جای مجموعه محدودی از عوامل خطر انجام می دهد. Deep Learning (DL) پیشرفته ترین شاخه ML است که معمولاً از یک شبکه عصبی مصنوعی چند لایه و یک مدل یادگیری ماشین چند لایه استفاده می کند. ویژگی های توزیع داده ها با ترکیب ویژگی های سطح پایین محلی و تبدیل آنها به ویژگی های سطح بالا استخراج می شود و در نتیجه یک مدل شبیه سازی مغز انسان از طریق یک شبکه عصبی ایجاد می شود. امروزه DL بیشتر و بیشتر برای برخورد با مجموعه داده های بزرگ و پیچیده مورد استفاده قرار می گیرد [14]. ML و DL را می توان با توجه به اینکه برچسب ها روشن هستند یا خیر ، به دو نوع طبقه بندی شوند. این دو نوع به معنای نظارت و یادگیری بدون نظارت است. هنگامی که برچسب داده های ورودی مشخص است ، می توان حالت یادگیری نظارت شده را انتخاب کرد. هنگامی که برچسب داده های ورودی مشخص نیست یا از بین رفته است ، می توان حالت بدون نظارت را برای ضبط و طبقه بندی داده ها به طور خودکار انتخاب کرد [15].