هوش مصنوعی چندوجهی در تشخیص بیماریها با تلفیق داده های تصویربرداری و بالینی

زمینه هوش مصنوعی چند وجهی یک الگوی جدیدی از هوش مصنوعی است که انواع مختلف داده، عکس، متن گفتار و عدد با الگوریتمهای پردازش هوشمند چندگانه ترکیب می شوند تا کارایی بهتری به دست آید. در دهه های اخیر افزایش پیچیدگی و حجم داده های پزشکی چالش های بسیاری را در زمینه تشخیص دقیق و سریع بیماری ها به همراه داشته است. هوش مصنوعی چندوجهی با قابلیت تحلیل همزمان داده های پیچیده به عنوان یک راهکار تحول آفرین معرفی شده است. مطالعه حاضر با هدف بررسی تاثیر و نقش هوش مصنوعی چندوجهی در فرآیندهای درمانی انجام شد. مواد و روش ها: مطالعه حاضر از نوع سیستماتیک می باشد که برای جستجوی مقالات مرتبط از پایگاه های اطلاعاتی نظیر PubMed، Scopus و Google Scholar و با استفاده از کلمات کلیدی “Multimodal Artificial Intelligence”، “Disease Diagnosis”، “Genomic Data” و “Medical Imaging” به زبان انگلیسی و در محدوده زمانی ۲۰۱۹ تا ۲۰۲۴ مورد بررسی قرار گرفت. یافته ها: یافته ها حاکی از آن بود هوش مصنوعی چندوجهی نتایج زیر را به همراه دارد: افزایش دقت تشخیص، در آزمایش های انجام شده بر روی جمعیت نمونه ای از بیماران مبتلا به بیماری های سرطانی دقت تشخیص به ۹۵. درصد رسید. مدل های مبتنی بر هوش مصنوعی توانستند الگوهای پنهان را در داده های ژنومی شناسایی کرده و ارتباطات مهمی بین تغییرات ژنتیکی و نتایج تصویر برداری را آنالیز کنند. تحلیل همزمان داده های چندوجهی استفاده از الگوریتم های یادگیری عمیق توانایی تجزیه و تحلیل همزمان داده های چندوجهی را دارد. به ویژه مدل های ترکیبی توانستند از داده های ژنومی برای تقویت پیش بینی های نتایج بالینی و تصویر برداری استفاده کنند. کاهش زمان تشخیص علاوه بر دقت، بالاتر، استفاده از سیستم های هوش مصنوعی چندوجهی زمان لازم برای کسب نتایج را نیز به میزان قابل توجهی کاهش می دهد. تسریع در فرآیند تشخیص به ویژه در بیماری های حاد که نیاز به اقدام فوری دارند اهمیت بالایی دارد که در گذشته چند هفته طول می کشید. شناسایی الگوهای جدید هوش مصنوعی چندوجهی می تواند به شناسایی الگوهای جدید و غیرمنتظره از ترکیب داده ها به ویژه در مورد بیماری های خودایمنی کمک کند که پیش از این ناشناخته بودند. نتیجه گیری: با وجود دستاوردهای بیان شده پیچیدگی در جمع آوری و یکپارچه سازی داده های چندوجهی، نیاز به کیفیت بالای داده ها و همچنین مشکلات مرتبط با تفسیر نتایج موانع عمده ای برای پیاده سازی گسترده این فناوری در محیط های بالینی بودند. هوش مصنوعی چندوجهی می تواند انقلابی در نحوه تعامل با داده های پزشکی و ارائه خدمات تشخیصی و درمانی ایجاد کند. با این وجود چالش های مرتبط با حریم خصوصی، ادغام داده ها و نیاز به توسعه زیرساخت های مناسب نیازمند تلاش های بیشتری در این حوزه هستند.

کلیدواژه ها:

تشخیص ، بیماری ، داده های ژنومی ، هوش مصنوعی ، چندوجهی ، تصویر برداری پزشکی