دکتر وحیده منتظری:
کمبود حجم داده ها یکی از چالش های دریافت نتایج صحیح از هوش مصنوعی است
عضو هیات علمی دانشگاه علوم پزشکی هوشمند، کمبود حجم داده ها را یکی از مهم ترین چالش های دریافت نتایج صحیح از هوش مصنوعی دانست و گفت: کمبود حجم داده ها به مدل یادگیری ماشین (ML) موجب سوءگیری شده که این مساله دریافت نتایج صحیح را از هوش مصنوعی با چالش روبرو خواهد ساخت .
روابط عمومی دانشگاه علوم پزشکی هوشمند-دکتر وحیده منتظری، مدیر پژوهشی و عضو هیات علمی دانشگاه هوشمند، افزود: از آنجا که هوش مصنوعی با توجه به داده ها و بر اساس الگوریتم ها مدلهای قابل پیشبینی را ارائه میدهد، برای پرهیز از سوءگیری، انتخاب مناسب دادهها با حجم مناسب، راه برطرف کردن این چالش است.
- صرفه جویی در زمان و هزینه ها
وی افزود: پس از تولید هر مولکول دارویی میبایستی تستهایی با هدف اطمینان از ایمنی اولیه آن انجام شود که مهمترین این تستها، تستهای سمشناسی است.
عضو هیات علمی دانشگاه علوم پزشکی هوشمند با اشاره به اینکه در بحث توسعه دارو انجام این تستها یک چالش اصلی به شمار می رود، خاطر نشان ساخت: به دلیل آنکه رسیدن به دوز بهینه با اثر مطلوب نیازمند انجام تستهای زیادی است که بسیار هزینهبر هستند،بحث هزینهها در انجام اینگونه تستها بسیار اهمیت دارد.
وی گفت: از سوی دیگر این فرآیند بسیار زمانبر بوده، برای رسیدن به نتایج مطلوب و دستیابی به دوز موردنظر، زمان زیادی صرف خواهد شد.
دکتر منتظری بحثهای اخلاقی کار با حیوانات آزمایشگاهی را از دیگر موانع موجود در این زمینه دانست و تصریح کرد: امروزه بحثهای اخلاقی کار با حیوانات آزمایشگاهی بسیار مطرح است. در واقع چند سال پیش، سازمان غذا و داروی امریکا FDA) ( نرم افزاری را که عملکردی مشابه و تا حدامکان جایگزین تستهای حیوانی داشت، مورد تایید قرار گرفت.
- محدودیت تستهای پیش بالینی روی انسان
وی یادآور شد: با وجود آنکه پس از تولید هر مولکول دارو، تستهای پیش بالینی انجام میشود، اما تعمیم آن به انسان محدودیت داشته و در بسیاری از مواقع نمیتوان، تایید کرد که این مولکول دارو حتی پس از سربلند بیرون آمدن از تستهای پیش بالینی در بخش بالینی بدون مشکل مورد استفاده قرار گیرد که برای حل این مشکل میتوان از روشهای یادگیری ماشینی استفاده گردد.
عضو هیات علمی دانشگاه علوم پزشکی هوشمند ادامه داد: مدلهای یادگیری ماشین این امکان را فراهم میکند تا قبل از سنتز مولکول دارویی ، نحوه پاسخگویی به آن دارو را بتوان پیشبینی کرد. همچنین هوشمصنوعی میتواند فازهای مطالعاتی را پیشنهاد بدهد که این امر یکی از مهمترین کاربردهای یادگیری ماشین است.
- استفاده از پایگاه دادههای معتبر
وی با تاکید بر اینکه برای توسعه یک روش به کمک هوشمصنوعی اول باید از پایگاه دادههای معتبر استفاده کرد، خاطر نشان ساخت: در حال حاضر چند پایگاه داده استاندارد که برای مطالعات از آنها استفاده میشود، وجود دارد. خوشبختانه استفاده از آنها رایگان بوده است.
دکتر منتظری گفت: برای انجام یک تحقیق، ابتدا میبایست، بر اساس ویژگیهای داروی خاصی که مد نظر است، یک پایگاه داده را انتخاب کرده، سپس بر اساس خروجیهایی که از پایگاه دادهها گرفته میشود، وارد مرحله طراحی الگوریتم شد.
وی افزود: دادهای که الگوریتم با آن آموزش داده میشود، منجر به دستیابی به طراحی چند نوع الگوریتم میشود و این امر امکان انتخاب بهترین الگوریتم را فراهم میآورد.
- قابلیت پیش بینی کنندگی هوشمصنوعی
عضو هیات علمی دانشگاه علوم پزشکی هوشمند در مورد خاصیت پیشبینیکنندگی این الگوریتمها خاطر نشان ساخت: این الگوریتم بر اساس دادههای آموزشی میتواند در مواردی همچون انتخاب بیمار، مطالعات بالینی، مهارکننده مناسب دارویی یا دسته دارویی که امکان ارائهی بهترین جواب را میدهد، پیشبینیهایی را انجام دهد تا بتوان از میان آنها بهترین گزینه را انتخاب کرد.
دکتر منتظری در پایان با اشاره به اینکه انجام مطالعه به کمک روش یادگیری ماشین، قبل از آزمایش سبب افزایش دقت کار خواهد شد، تصریح کرد: از آنجایی که تکرار آزمایشها ضریب خطا را افزایش میدهد، به کارگیری روش یادگیری ماشین از تکرار آزمایشها و در نتیجه از ضریب خطا جلوگیری خواهد کرد.
نظر دهید