چکیده
هوش مصنوعی و یادگیری ماشینی، می توانند تقریبا بر روی تمام ابعاد شرایط انسان تاثیر داشته باشند و دانش قلب شناسی هم از این قاعده مستثنی نیست. این مقاله یک راهنمای خوب برای متخصص های بالینی در رابطه با ابعاد مربوط به هوش مصنوعی و یادگیری ماشینی فراهم می کند و بعضی از کاربرد های انتخابی این روش را در قلب شناسی تا به امروز شناسایی می کند و این موضوع را بررسی می کند که داروهای قلبی عروقی چطور میتوانند از هوش مصنوعی در آینده استفاده کنند. به صورت خاص، این مقاله نخست مفاهیم مدل سازی پیش بینی را که مرتبط با قلب شناسی می باشد را شناسایی می کند مانند گزینش ویژگی و مشکلات رایج مانند دوشعبه سازی نا مناسب. دوم این که ما در این مقاله الگوریتم های رایج مورد استفاده در یادگیری با سرپرست را بررسی می کنیم و کاربرد های انتخاب شده را در قلب شناسی و زمینه های علمی مربوطه، بررسی می کنیم. سوم، ما پیشرفت یادگیری عمقی و روش های مربوطه که به صورت کلی با نام یادگیری بدون سرپرست شناخته می شود را بررسیمی کنیم که نمونه های زمینه ای را در پزشکی عمومی و پزشکی قلب و عروق ارائه می کند و سپس نشان می دهیم که این روش ها را چطور می توان مورد استفاده قرار داد تا موجب بهبود دانش قلب و عروق شد و خروجی های به دست آمده را ارتقا داد.
نوید هوش مصنوعی (AI) و یادگیری ماشینی در قلب و عروق و ایجاد کردن مجموعه ای از ابزار برای تقویت و توسعه کارایی قلب و عروق و پزشکی در این زمینه، بسیار مهم می باشد. این موضوع به چند دلیل مورد نیاز می باشد. مقدمه بالینی از تکنولوژی های مبتنی بر داده ها مانند بیومتریک با دستگاه های موبایل و تعیین توالی های کلی ژنوم، به زودی مستلزم این خواهد بود که متخصص های قلب و عروق اطلاعات را از زمینه های بسیار مختلف پزشکی و زیست شناسی، تحلیل کرده و از آن ها در عملیات خودشان استفاده کنند [1 تا 4]. در عین حال، شکل گیری فشار خارجی در پزشکی باعث شده که نیاز عملیاتی بیشتری برای پزشکان و سیستم های خدمات درمانی ایجاد شود [5]. در نهایت، بیماران نیز نیازمند و خواهان خدمات درمانی سریع تر و فردی تر می باشند [6و7]. به صورت خلاصه، پزشکان در معرض داده های بسیار زیادی قرار دارند که مستلزم تفسیر های پیچیده تر می باشد و در عین حال، باعث می شود که آن ها عملیات موثرتری را ارائه کنند. راه حل ما نیز استفاده از روش های یادگیری می باشد که می تواند تمام مراحل ارائه خدمات درمانی به بیمار را ارتقا دهد- از جستجو گرفته تا کشف و تشخیص روش های درمانی. در نتیجه، فعالیت های بالینی کارایی، سهولت و حالت فردی بیشتری خواهد داشت. علاوه بر این، داده های آتی فقط در زمینه های خدمات درمانی جمع آوری نمی شوند. تکثیر سنسور های موبایل باعث شده که متخصص های پزشکی در آینده بتوانند جریان های اضافی از داده های پزشکی را تحت نظارت داشته باشند، آن ها را تفسیر کنند و گاهی به صورت راه دور و یا خودکار نسبت به آن ها واکنش نشان دهند. در این حوزه فنی، ما روش های رایج برای یادگیری ماشینی را ارائه می دهیم، چندین کاربرد مختلف در دانش قلب و عروق را نشان می دهیم و مشخص می کنیم که پزشکی قلب و عروق چطور می تواند از هوش مصنوعی در آینده استفاده کند ( طرح اصلی).
پزشکی قلب و عروق، چطور می تواند از یادگیری ماشینی و هوش مصنوعی استفاده کند؟
متخصص های قلب و عروق می توانند برای خدمات درمانی بیماران با استفاده از داده های مختلف تصمیم گیری کنند و قطعا آن ها مایل هستند که به کمیت های بیشتری از داده ها در مقایسه با متخصص های دیگر، دسترسی داشته باشند. با وجود بعضی از مشکلات موجود، کاملا مشخص است که بهترین روش برای تصمیم گیری بر اساس داده ها، استفاده از تکنیک های به دست آمده از AIمی باشد. متخصص های قلب و عروق ازین رو، باید از AI و یادگیری ماشینی استفاده کنند. در واقع، مادامی که مقدار داده های موجود از بیماران افزایش پیدا می کند و مادامی که ما از جریان های داده های پیچیده پزشکی استفاده می کنیم، کاملا مشخص است که هوش مصنوعی می تواند کاربرد بسیار زیادی در این زمینه داشته باشد. این موضوع دیر یا زود اتفاق می افتد، درست مانند استفاده از الگوریتم های خودکار برای زمینه های علمی در رادیولوژی و آسیب شناسی [52].
اما، استفاده از هوش مصنوعی در قلب و عروق چیزی نیست که متخصص های بالینی بخواهند نگران آن باشند بلکه تغییری است که باید آن را به آغوش بکشند. AI باعث ارائه خدمات درمانی بهتر به مریض ها می شود زیرا پزشک می تواند داده ها را با عمق بیشتری تحلیل کند. الگوریتم های یادگیری تقویتی نیز به یکی از کمک های متخصص ها تبدیل میشود که به آن ها در خدمات درمانی و تحلیل داده ها کمک کند. پیشرفت در یادگیری بدون سرپرست باعث میشود ما بتوانیم بیماری های افراد را بهتر توصیف کنیم و باعث می شود که بتوان درمان بهتری ارائه کرد و نتایج بهتری به دست آورد. در واقع، AI ممکن است ملالت و یکنواختی پزشکی مدرن را کاهش دهد، مانند تعامل با EHR ها و صورت حساب ها که احتمالا به زودی توسط نرم افزار های خودکار انجام می شوند. اگرچه یادگیری های ماشینی فعلی معمولا توسط پرسنل با تمرین های خاص انجام می شود، اما در آینده استفاده از این روش ها قطعا ساده تر می شود. دانش تخصصی آسیب شناسی فیزیولوژیک و نمایه های بالینی که پزشکان در طول تمرین خودشان به دست می آورند قطعا اهمیت بالایی خواهد داشت . پزشکان ازین رو باید نقش اساسی در تصمیم گیری برای استفاده و تفسیر نتایج این مدل ها داشته باشند.
Abstract
Artificial intelligence and machine learning are poised to influence nearly every aspect of the human condition, and cardiology is not an exception to this trend. This paper provides a guide for clinicians on relevant aspects of artificial intelligence and machine learning, reviews selected applications of these methods in cardiology to date, and identifies how cardiovascular medicine could incorporate artificial intelligence in the future. In particular, the paper first reviews predictive modeling concepts relevant to cardiology such as feature selection and frequent pitfalls such as improper dichotomization. Second, it discusses common algorithms used in supervised learning and reviews selected applications in cardiology and related disciplines. Third, it describes the advent of deep learning and related methods collectively called unsupervised learning, provides contextual examples both in general medicine and in cardiovascular medicine, and then explains how these methods could be applied to enable precision cardiology and improve patient outcomes.
The promise of artificial intelligence (AI) and machine learning in cardiology is to provide a set of tools to augment and extend the effectiveness of the cardiologist. This is required for several reasons. The clinical introduction of datarich technologies such as whole-genome-sequencing and streaming mobile device biometrics will soon require cardiologists to interpret and operationalize information from many disparate fields of biomedicine (1–4). Simultaneously, mounting external pressures in medicine are requiring greater operational efficiency from physicians and health care systems (5). Finally, patients are beginning to demand faster and more personalized care (6,7). In short, physicians are being inundated with data requiring more sophisticated interpretation while being expected to perform more efficiently. The solution is machine learning, which can enhance every stage of patient care—from research and discovery to diagnosis to selection of therapy. As a result, clinical practice will become more efficient, more convenient, more personalized, and more effective. Furthermore, the future’s data will not be collected solely within the health care setting. The proliferation of mobile sensors will allow physicians of the future to monitor, interpret, and respond to additional streams of biomedical data collected remotely and automatically. In this technology corner, we introduce common methods for machine learning, review several selected applications in cardiology, and forecast how cardiovascular medicine will incorporate AI in the future (Central Illustration).
WHAT WILL CARDIOVASCULAR MEDICINE GAIN FROM MACHINE LEARNING AND ARTIFICIAL INTELLIGENCE?
Cardiologists make decisions for patient care from data, and they tend to have access to richer quantitative data on patients compared with many other specialties. Despite some potential pitfalls, it is becoming evident that the best way to make decisions on the basis of data is through the application of techniques drawn from AI. Cardiologists will thus need to incorporate AI and machine learning into the clinic. Indeed, as the amount of available patientlevel data continues to increase and we continue to incorporate new streams of complex biomedical data into the clinic, it is likely that AI will become essential to the practice of clinical medicine. This will probably happen sooner rather than later, as exemplified by the rapid adoption of automated algorithms for computer vision in radiology and pathology (52).
However, the incorporation of AI into cardiology is not something that clinicians should fear, but is instead a change that should be embraced. AI will drive improved patient care because physicians will be able to interpret more data in greater depth than ever before. Reinforcement learning algorithms will become companion physician aids, unobtrusively assisting physicians and streamlining clinical care. Advances in unsupervised learning will enable far greater characterization of patients’ disorders and ultimately lead to better treatment selection and improved outcomes. Indeed, AI may obviate much of the tedium of modern-day clinical practice, such as interacting with EHRs and billing, which will likely soon be intelligently automated to a much greater extent. Although currently machine learning is often performed by personnel with specialized training, in the future deploying these methods will become increasingly easy and commoditized. The expert knowledge of pathophysiology and clinical presentation that physicians acquire over their training and career will remain vital. Physicians should therefore take a lead role in deciding where to apply and how to interpret these models.
چکیده
هوش مصنوعی و یادگیری ماشینی چه ارتباطی با آمار دارند؟
چرا علم قلب شناسی باید از هوش مصنوعی استفاده کند؟
یادگیری با سرپرست : دسته بندی و پیش بینی
انتخاب ویژگی
مسائل در یادگیری ماشینی پزشکی
دوراهی در تصمیم گیری
دیکوتومانیا
یک نظر سنجی کوتاه در رابطه با الگوریتم یادگیری ماشینی با سرپرست در علم قلب شناسی
رگرسیون منظم
روش های مبتنی بر درخت
ماشین های بردار پشتیبان
یادگیری بدون سرپرست، شبکه های عصبی و یادگیری عمقی
شبکه های عصبی و یادگیری عمقی
چه چیزی باعث جذابیت روش های یادگیری عمقی شده است؟
یادگیری عمقی در علم قلب شناسی
یادگیری بدون سرپرست
یادگیری تقویتی
پزشکی قلب و عروق، چطور می تواند از یادگیری ماشینی و هوش مصنوعی استفاده کند؟
منابع
ABSTRACT
HOW DO ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING RELATE TO STATISTICS?
WHY DOES CARDIOLOGY NEED ARTIFICIAL INTELLIGENCE?
SUPERVISED LEARNING: CLASSIFICATION AND PREDICTION
FEATURE SELECTION
PROBLEMS IN BIOMEDICAL MACHINE LEARNING
DICHOTOMANIA
A BRIEF SURVEY OF SUPERVISED MACHINE LEARNING ALGORITHMS IN CARDIOLOGY
REGULARIZED REGRESSION
TREE-BASED METHODS
SUPPORT VECTOR MACHINES
UNSUPERVISED LEARNING, NEURAL NETWORKS, AND DEEP LEARNING
NEURAL NETWORKS AND DEEP LEARNING
WHAT MAKES DEEP LEARNING COMPELLING?
DEEP LEARNING IN CARDIOLOGY
UNSUPERVISED LEARNING
REINFORCEMENT LEARNING
WHAT WILL CARDIOVASCULAR MEDICINE GAIN FROM MACHINE LEARNING AND ARTIFICIAL INTELLIGENCE?
ADDRESS FOR CORRESPONDENCE
REFERENCES