استفاده از تکنیک یادگیری ترکیبی در هوش مصنوعی پزشکی

برخی از داده‌ها به دلایل فنی و تجاری در بخش‌های مختلف و جدا نگهداری می‌شوند؛ اما تکنیک جدید هوش مصنوعی و یادگیری ماشین به نام یادگیری ترکیبی قادر است از داده‌ها به طور همزمان استفاده کرده و برای یافتن درمان‌های جدید بیماری‌ها و بهبود تجهیزات صنعتی کمک کند.

به گزراش کالاسودا و به نقل از venturebeat، در کنفرانس Imec Future Summits، آقای Roel Wuyts در مصاحبه‌ای اختصاصی با VentureBeat، نحوه عملکرد یادگیری ترکیبی و مقایسه آن با تکنیک‌های مرتبط مانند یادگیری فدرال را توضیح داد.

او رهبری تیمی را بر عهده داشته که بر روی رویکردهای مختلف برای مقیاس‌سازی هوش مصنوعی در میان شرکت‌کنندگان مختلف متمرکز شده است تا تولید نیمه‌رسانا، تحقیقات پزشکی و سایر بخش‌ها را ارتقا دهد.

تکنیک‌های محاسباتی جدید به چند شرکت‌کننده اجازه می‌دهد تا داده‌ها را برای همکاری در مدل‌های جدید هوش مصنوعی با اعتماد بالا به اشتراک بگذارند.

علاوه بر این تکنیک‌های یادگیری ترکیبی به شرکت‌کنندگان مختلف اجازه می‌دهد تا یک مدل یادگیری ماشین را به‌صورت محلی بدون ارسال داده‌های حساس به دیگران به‌روزرسانی کنند.

در این حالت، فقط به‌روزرسانی‌های مدل با دیگران به اشتراک گذاشته می‌شود.

این نوع رویکرد بسیار کارآمدتر از مدل‌های قبلی است.

محدودیت‌های یادگیری فدرال

یادگیری فدرال چالش‌هایی دارد. مثلاً تمام بیمارستان‌ها یا شرکت‌های مراقبت‌های بهداشتی باید از مدل و تکنیک‌های مشابهی استفاده کنند.

مشکل دیگر نرمال سازی تمام داده‌ها است. ممکنن است هر بیمارستان در نحوه جمع‌آوری داده‌ها متفاوت باشد و بر نتایج مطالعه تأثیر بگذارد. مشکل دیگر این است که چگونه پزشکان بیماری‌های مختلف را کدگذاری می‌کنند.

یادگیری ترکیبی

تیم او به تازگی آزمایشی با یادگیری ترکیبی را برای تحقیقات سرطان در مقیاس بزرگ آغاز کرده است.

همانند یادگیری فدرال، این تکنیک بسیار سریع است و نیازی به اشتراک گذاری داده‌ها توسط شرکت کنندگان ندارد.

مزیت دیگر این است که از چندین مدل پشتیبانی می‌کند، بنابراین شرکت کنندگان مجبور نیستند مالکیت معنوی آنها را با یکدیگر به اشتراک بگذارند. این ویژگی می‌تواند به تحقیقات پزشکی بین‌صنعتی رقبا کمک کند تا نتایج کلی را بهبود بخشد و در عین حال از منافع تجاری نیز محافظت کند.

در این روش می‌توان از تجربیات دیگران یاد گرفت، حتی زمانی که روش‌های جمع‌آوری داده‌های بیمارستانی متفاوت است.

مزیت دیگر  یادگیری ترکیبی کمک به شخصی سازی جفت‌های دیجیتالی است.

لینک کوتاه: