مهندسی پزشکی باید از پل هوش مصنوعی عبور کند
به گزارش سئو بوی، عضو هیئت علمی دانشگاه امیرکبیر ضمن اشاره به نقش هوش مصنوعی در ارتقاء علوم پزشکی، اظهار داشت: هدف ما این است که مهندسی پزشکی با عبور از پل هوش مصنوعی به حوزه های تشخیص و حتی تشخیص سریع بیماریها وارد شود.
به گزارش سئو بوی به نقل از ایسنا، سعید ستایشی امروز در دومین سمپوزیوم توانبخشی شناختی و در نشست هوش مصنوعی و توانبخشی شناختی که در سالن کوثر دانشکده روانشناسی و علوم تربیتی دانشگاه تهران برگزار شد، با تکیه بر اینکه «ما هنوز به مفهوم واقعی به هوش مصنوعی نرسیده ایم»، اظهار داشت: واقعیت این است که با وجود پیشرفت های قابل توجه در عرصه یادگیری عمیق و تعامل مغز و کامپیوتر، هنوز زیرساخت های اساسی برای تحقق هوش مصنوعی بومی در کشور فراهم نشده است.
ستایشی اضافه کرد: تا وقتی که نتوانیم زیرساخت ها و کتابخانه های ضروری جهت آموزش داده محور را ایجاد نماییم، نمی توانیم مدعی توسعه واقعی هوش مصنوعی باشیم. نباید فقط با بهره گیری از چند اپلیکیشن خارجی، تصور نماییم درحال کار با فناوری هوش مصنوعی هستیم.
وی ادامه داد: هدف ما این است که بتوانیم دقت تشخیص را تا حدود ۹۹ درصد افزایش دهیم. این امر تنها با بهره گیری از سامانه ها یا اینترفیس هایی امکان دارد که به کاربر امکان تصمیم گیری و انتخاب رفتار صحیح را بدهند.
وی اشاره کرد: بوسیله الگوریتم های الگوشناسی می توان به افراد نیازمند کمک کرد تا در انجام حرکات بهینه، دقت دیداری، جهت یابی و کنترل حرکتی – مشابه عملکرد روبات ها با درجات آزادی گوناگون – توانمندتر شوند.
ایشان در ادامه ضمن تقدیر از همکاری محققان و همکاران خود اظهار داشت: امید است با هم افزایی میان حوزه های علوم مهندسی، عصب پژوهی و هنر بتوانیم مسیر توسعه تکنولوژی های جدید مبتنی بر هوش مصنوعی را در کشور هموارتر نماییم.
طراحی معیارهای کنترلی مبتنی بر ارتباط مغز و بدن
وی با اشاره به ضرورت طراحی فاکتورهای عملکردی در ارتباط مغز و ماشین اضافه کرد: تلاش ما بر این است که برمبنای معیارهایی مشخص، کنترل دستگاه ها به کنترل رفتار بدن انسان منتقل شود تا از این توانایی بصورت کامل و کاربردی استفاده گردد.
ستایشی اضافه کرد: در آزمایش های انجام شده، به دقت هایی بین ۹۵ تا بیشتر از ۹۹ درصد رسیده ایم. به صورت نمونه، در تعدادی مدلها همچون DCNN و FCC، میانگین دقت ۹۹.۱۷ درصد با انحراف معیار حدود ۱.۳۴ حاصل شده است. همچنین، از میان ۱۰ شرکت کننده، هفت نفر توانستند اهداف مورد نظر را با دقت ۱۰۰ درصد شناسایی کنند و پایین ترین دقت ثبت شده هم حدود ۹۷.۲۲ درصد بوده است.
انعطاف پذیری و کارآیی بالا در تطبیق با رفتار انسان
عضو هیئت علمی دانشگاه امیرکبیر با اشاره به یافته های این مطالعه اظهار داشت: عملکرد مدلهای ما از انعطاف پذیری بالایی برخوردار می باشد و می تواند رفتارهای انسانی را در وضعیت متنوع تطبیق دهد. این بنچمارک ها که بر پایه داده های معتبر استخراج شده اند، نشان دهنده قابلیت اطمینان بالای این فناوری هستند و می توان از آنها به عنوان سابقه ای قابل اتکا در توسعه تکنولوژی های جدید بهره برد.
آموزش ماشین برای شناسایی و هدایت رفتار فرد
ستایشی خاطرنشان کرد: آن چه این سامانه را هوشمند می کند، توانایی آن در آموزش و انتقال خاصیت های رفتاری فرد دارای ناتوانی حرکتی بوسیله سیگنال های EEG به ماشین است. بعد از آموزش، ماشین می تواند در مرحله ارزیابی، رفتار فرد را بصورت دقیق راهبری کند. این همان سطحی از «هوش مصنوعی کاربردی» است که باید دارای بیشترین درجه سازگاری با نیاز انسان باشد.
وی ادامه داد: نباید تصور کرد که فقط نصب یک ابزار یا نرم افزار معروف به هوش مصنوعی می تواند کار تخصصی انجام دهد. تا وقتی که زیرساخت ها و داده های دقیق و استاندارد در اختیار نباشد، هیچ سامانه ای نمی تواند عملکرد واقعی هوش مصنوعی را بازنمایی کند.
لزوم دسترسی به داده های دقیق و پاک سازی شده
ستایشی خاطرنشان کرد: در کشورهای پیشرفته، یکی از دغدغه های اصلی، دستیافتن به پایگاه داده های قابل اعتماد و واقعی است که در آن نویز سیگنال ها کاسته شده و دقت اطلاعات تضمین شده باشد.
وی ادامه داد: ما هم باید بتوانیم داده ها را با وجود غیرخطی بودنشان، با معماری های هوشمند مانند شبکه های کانولوشنی (Convolutional) یا بازگشتی (Recurrent) تطبیق دهیم تا سیستم های رمزگشا یا Brain Decoder بتوانند پاسخگوی نیازهای فرد باشند.
هوش مصنوعی در خدمت توان بخشی شناختی
این استاد دانشگاه با اشاره به یکی از مهم ترین کاربردهای این فناوری، اظهار داشت: یکی از مزایای اصلی استفاده از هوش مصنوعی در عرصه توان بخشی شناختی است. زمانی که فرد بتواند درمان های بالینی را با وضعیت عاطفی و هیجانی متعادل تری پشت سر بگذارد، سایر فرآیندهای درمانی هم مؤثرتر عمل می کنند.
وی اضافه کرد: یکی از خاصیت های بنیادین هوش مصنوعی، قدرت استنتاج و بازسازی الگوهاست. این فناوری می تواند الگوهای جدیدی فراتر از دانسته های پیشین ما تولید نماید و بوسیله ادغام یا فیوژن داده ها، در پروسه بازپروری بیماران نقش مؤثری را ایفا کند.
الهام از معماری مغز در طراحی کامپیوتر
ستایشی در ادامه سخنان خود با اشاره به نسبت میان مغز انسان و ساختار کامپیوتر اظهار داشت: در طراحی معماری کامپیوتر ها، از ساختار مغز انسان الهام گرفته شده است؛ از تالاموس و کورتکس تا بخش های پیش پیشانی و لیمبیک. اما باید توجه داشت که هیچ کامپیوتری نمی تواند رفتار و عملکرد مغز انسان را به صورت کامل تقلید کند.
وی تاکید کرد: هدف ما این است که از این شباهت ساختاری برای بهبود تعامل مغز و ماشین بهره ببریم، نه برای جایگزینی مغز انسان. هوش مصنوعی باید در خدمت توان بخشی و ارتقاء کیفیت زندگی انسان باشد، نه در تقلید صرف از او.
هوش مصنوعی می تواند جنبه های ناشناخته ای از عملکرد مغز را آشکار کند
عضو هیئت علمی دانشگاه صنعتی امیرکبیر، با اشاره به دستیافته های جدید پژوهش خود در عرصه تعامل مغز و ماشین اظهار داشت: معماری های مبتنی بر هوش مصنوعی، زمانی که بر پایه اصول موازی سازی و توزیع پردازش (Distributed & Parallel Processing) طراحی می شوند، می توانند رفتارهایی را بروز دهند که پیشتر در مغز انسان شناسایی نشده بود. این پدیده ها به ما کمک می کنند تا در بررسی های عصب پژوهی، به جنبه های ناشناخته مغز برسیم.
کشف الگوهای مغزی ناشناخته با کمک الگوریتم های هوشمند
وی با اعلان اینکه نتایج حاصل از این معماری ها، مسیرهای جدیدی را در فهم کارکرد مغز باز می کند، اضافه کرد: گاهی در فرآیندهای هوش مصنوعی با پدیده هایی روبه رو می شویم که در مغز انسان سراغی از آنها نداریم. این یافته ها ما را ترغیب می کند تا بوسیله سیگنال های EEG یا تصویربرداری های MRI و fMRI، ساختارها و رفتارهای مغزی را دقیق تر بررسی نماییم و ببینیم چه بخشهایی از مغز را تابحال نادیده گرفته ایم.
ستایشی خاطرنشان کرد: زمانی که این غفلت ها شناسایی و اصلاح می شوند، می توان همان الگوهای بهبودیافته را به ماشین منتقل کرد تا عملکرد آن ارتقاء یابد. در این صورت، ماشین قادر خواهد بود کارکردهای جدیدی از مغز را برای ما بازسازی کند، هرچند هیچگاه نمی تواند جایگزین مغز انسان شود.
افزایش ظرفیت عملکردی بیماران با کمک هوش مصنوعی
این استاد دانشگاه با اشاره به محدودیت های طبیعی مغز اظهار داشت: به عنوان مثال، انسان در مسیرهای بینایی تنها می تواند در بازه ای کمتر از یک ثانیه مسیر دید خویش را حفظ کند، اما در سیستم های هوشمند مصنوعی می توان این ظرفیت را افزایش داد و به بیمار اجازه داد از این توانایی برای بهبود عملکرد شناختی خود بهره ببرد.
وی ادامه داد: در این پروژه، توانستیم در عرصه تعامل روزمره بیمار، به سطح اطمینان ۹۵ تا ۹۹ درصد برسیم؛ در صورتیکه روش های بالینی سنتی تنها بین ۷۴ تا ۹۰ درصد دقت داشتند. این موفقیت ناشی از به کارگیری روش های نویززدایی (Noise Reduction) و ارایه اطلاعات دقیق و شفاف به بیمار است؛ موضوعی که در روش های سنتی درمانی کمتر ممکن بود.
بازگشت بیمار به وضعیت شناختی گذشته
ستایشی با اشاره به مقصد پایانی طرح اظهار داشت: یکی از اولویت های ما در این پروژه، کمک به بازگشت بیماران به وضعیت شناختی و عملکردی قبل از بروز بیماری است. در این راستا، از رویکرد های تطبیقی (Adaptive Approaches) استفاده کردیم تا سامانه بتواند با خاصیت های هر بیمار سازگار شود و بنابراین، پروسه توان بخشی را تسریع کند.
بازسازی داده های ناقص با یادگیری تکرارشونده
عضو هیئت علمی دانشگاه امیرکبیر اضافه کرد: یکی از قابلیت های مهم این معماری ها، بازسازی (Reconstruction) داده های ناقص است. در پروسه یادگیری، زمانی که داده ها ناقص یا پرنویز هستند، ماشین با بهره گیری از روش های تکرارشونده (Iterative) می تواند الگوی اصلی را استخراج کرده و نمایه ای دقیق از وضعیت گذشته بیمار – زمانی که سالم بوده – بازسازی کند.
وی اشاره کرد: این خاصیت به ما اجازه می دهد پروفایل شناختی و رفتاری بیماران را بازتولید نماییم و از آن برای طراحی درمان های هوشمند و شخصی سازی شده بهره ببریم.
دسترسی به جزئیات مغزی مغفول مانده در سیگنال های EEG
ستایشی اضافه کرد: در این پروژه توانستیم با تحلیل دقیق سیگنال های EEG و پالایش لرزش های موجود، به جزئیاتی از مغز انسان دست پیدا کنیم که در ارزیابی های بالینی سنتی مغفول مانده بود. متاسفانه در خیلی از فرآیندهای بالینی، به سبب ناآشنایی متخصصان با فیزیک مغز و پدیده های کیوتاتیکی (Chaotic Phenomena) که در آن رخ می دهد، از اطلاعات عمیق EEG استفاده نمی شود.
فقدان فناوری در تحلیل دقیق داده های مغزی
ایشان در ادامه اظهار داشت: هم اکنون، یکی از ضعف های حوزه بالینی این است که ابزارها و فناوری های تحلیلی ضروری جهت تفسیر دقیق سیگنال های مغزی در دسترس نیست. تا وقتی که این کمبودها جبران نشود، تشخیص های بالینی از دقت کافی برخوردار نخواهد بود. ستایشی تاکید کرد: توسعه زیرساخت های فناورانه در این زمینه می تواند تحولی بزرگ در توان بخشی شناختی و بازسازی عملکرد مغز بیماران ایجاد نماید.
آینده حل مسایل بشر در علم شناختی رقم می خورد
ستایشی در قسمت دیگری از سخنان خود با تکیه بر ضرورت پیوند میان رشته های مختلف علمی اظهار داشت: ما تلاش می نماییم مهندسی پزشکی را یاری دهیم تا از «پل هوش مصنوعی» عبور کرده و به عرصه های تشخیص و حتی تشخیص سریع (Early Diagnosis) وارد شود. هدف ما این است که با بهره گیری از ابزارهای فناورانه ای که در این راه تولید می شود، بتوانیم فرآیندهای درمان و بازتوانی را تسهیل نماییم.
وی با طرح این پرسش که «چگونه می توان این مسیر را ترمیم و تسهیل کرد؟» اضافه کرد: باید شرایطی فراهم گردد تا همه کنشگران حوزه های مختلف، از علوم اعصاب و علوم شناختی گرفته تا هوش مصنوعی، مهندسی پزشکی و پزشکی، بتوانند با یکدیگر تعامل و هم افزایی داشته باشند.
ستایشی خاطرنشان کرد: من به مدلی معتقدم که برمبنای آن، آینده حل مسایل بشر در بستر علوم شناختی رقم خواهد خورد. بر همین مبنا باید از انجام مطالعات علمی بصورت جزیره ای پرهیز نماییم و موضوعات پژوهشی را در فضایی میان رشته ای به بحث بگذاریم.
وی اضافه کرد: اگر هر مسئله علمی در قالب میزگردی مطرح شود که در اطراف آن متخصصان حوزه های مختلف همچون پزشکی، روان پزشکی، روانکاوی، روان شناسی، علوم اعصاب، ریاضی، فیزیک، مهندسی کامپیوتر و حتی هنر حضور داشته باشند، خروجی این تعامل، پدیده ای خواهد بود که آنرا «رضایت مندی علمی و انسانی» می نامیم.
به گفته ی ایشان، امروز دیگر نمی توان میان علم و هنر مرزی قائل شد؛ چون که از نظر علوم شناختی، هر دو قابل مشاهده، تحلیل و اندازه گیری اند. هنر احساسی در انسان برمی انگیزد و علم هم از همین سازوکارهای ادراکی بهره می گیرد؛ بدین سبب روزی این دو حوزه ناگزیر به پیوند و هم گرایی خواهند بود.
ستایشی در آخر تاکید کرد: آن چه امروز بیشتر از هر چیز به آن نیاز داریم، فعال کردن میز علوم شناختی است تا از رهگذر گفت و گو و هم افزایی، مسیرهای نو برای فهم و بهبود عملکرد انسان گشوده شود.
منبع: سئو بوی
هنوز در شروع مسیر هوش مصنوعی هستیم
وی با اعلان اینکه بیشتر از ۳۰ سال است در عرصه هوش مصنوعی تدریس می کنم، اضافه کرد: هوش مصنوعی پدیده امروز و روز گذشته نیست. روزگاری در کشور، برخی درحال ثبت اختراع آفتابه بودند و در همان زمان، ما هوش مصنوعی درس می دادیم، اما بسیاری آنرا شبیه جادو و خیال می دانستند. امروز هم نباید شتاب زده برخورد کنیم؛ چونکه هنوز صاحب یا بنیان گذار واقعی هوش مصنوعی نیستیم.ستایشی اضافه کرد: تا وقتی که نتوانیم زیرساخت ها و کتابخانه های ضروری جهت آموزش داده محور را ایجاد نماییم، نمی توانیم مدعی توسعه واقعی هوش مصنوعی باشیم. نباید فقط با بهره گیری از چند اپلیکیشن خارجی، تصور نماییم درحال کار با فناوری هوش مصنوعی هستیم.
نقش محققان جوان در ایجاد زیرساخت ها
عضو هیئت علمی دانشگاه امیرکبیر با اشاره به کوشش های محققان جوان، اظهار داشت: یکی از دانشجویان دکتری من درحال طراحی زیرساختی است که بتوان مبنی بر آن، توسعه واقعی در عرصه هوش مصنوعی را رقم زد. این تلاش ها زمینه ساز استفاده از یادگیری عمیق در عرصه های کاربردی بخصوص در تعامل میان مغز و کامپیوتر است.استفاده از یادگیری عمیق برای بهبود ارتباط مغز و کامپیوتر
ستایشی با اشاره به پروژه در دست اجرای دانشگاه، توضیح داد: در این طرح، از یادگیری عمیق برای طبقه بندی پتانسیل های بصری با هدف بهبود ارتباط مغز و کامپیوتر استفاده می شود. ما از سیگنال های مغزی (EEG) برای تحلیل رفتار اشخاصی که نیازمند توان بخشی شناختی هستند، بهره می بریم؛ اشخاصی مانند بازماندگان سکته مغزی، بیماران ALS و یا مبتلایان به صدمه های مغزی (TBI).وی ادامه داد: هدف ما این است که بتوانیم دقت تشخیص را تا حدود ۹۹ درصد افزایش دهیم. این امر تنها با بهره گیری از سامانه ها یا اینترفیس هایی امکان دارد که به کاربر امکان تصمیم گیری و انتخاب رفتار صحیح را بدهند.
سیگنال های مغزی، ابزار کلیدی در توان بخشی شناختی
ستایشی با اشاره به مزایای استفاده از سیگنال های مغزی اظهار داشت: EEG به سبب غیرتهاجمی بودن و قابلیت استخراج خاصیت های دقیق از سیگنال ها، امکان انجام الگوشناسی علمی (Pattern Recognition) را فراهم می آورد. این پروسه می تواند به شناسایی رفتار، نوشتن، کنترل حرکت و حتی مسیریابی کمک نماید.تعامل مغز و ماشین؛ از نظریه تا کاربرد
این عضو هیئت علمی دانشگاه امیرکبیر تاکید کرد: بحث برقراری ارتباط میان مغز و کامپیوتر یا همان Brain–Machine Interface موضوع جدیدی نیست، اما امروز بصورت علمی تر و کاربردی تر دنبال می شود. کارهای مغزی را می توان برمبنای کارکرد قشر بینایی مغز و فرکانس های خاص شناسایی کرد، سپس با آموزش این سیگنال ها به ماشین، سطح توان بخشی مورد نیاز را تعیین کرد.وی اشاره کرد: بوسیله الگوریتم های الگوشناسی می توان به افراد نیازمند کمک کرد تا در انجام حرکات بهینه، دقت دیداری، جهت یابی و کنترل حرکتی – مشابه عملکرد روبات ها با درجات آزادی گوناگون – توانمندتر شوند.
بررسی اثر موسیقی ایرانی بر انسان با کمک هوش مصنوعی
ستایشی در قسمت دیگری از سخنان خود از اجرای پروژه ای جدید در دانشگاه آگاهی داد و اظهار داشت: به زودی طرحی با همکاری محققان حوزه هوش مصنوعی و مهندسی کامپیوتر شروع می شود که در آن اثر دستگاه های موسیقی ایرانی بر انسان با کمک الگوریتم های هوشمند بررسی خواهد شد.ایشان در ادامه ضمن تقدیر از همکاری محققان و همکاران خود اظهار داشت: امید است با هم افزایی میان حوزه های علوم مهندسی، عصب پژوهی و هنر بتوانیم مسیر توسعه تکنولوژی های جدید مبتنی بر هوش مصنوعی را در کشور هموارتر نماییم.
دقت الگوریتم های هوش مصنوعی در تعامل مغز و کامپیوتر تا ۹۹ درصد افزایش پیدا کرده است
عضو هیئت علمی دانشگاه صنعتی امیرکبیر، با تکیه بر ضرورت حرکت عمیق و هدفمند در عرصه هوش مصنوعی اظهار داشت: آن چه برای ما اهمیت دارد، دستیافتن به عمق و دقت در کاربردهای هوش مصنوعی بخصوص در عرصه تعامل مغز و ماشین است تا هر فرد بتواند با بالاترین دقت ممکن و پایین ترین میزان خطا از این فنآوری بهره مند شود.طراحی معیارهای کنترلی مبتنی بر ارتباط مغز و بدن
وی با اشاره به ضرورت طراحی فاکتورهای عملکردی در ارتباط مغز و ماشین اضافه کرد: تلاش ما بر این است که برمبنای معیارهایی مشخص، کنترل دستگاه ها به کنترل رفتار بدن انسان منتقل شود تا از این توانایی بصورت کامل و کاربردی استفاده گردد.
ستایشی اضافه کرد: در آزمایش های انجام شده، به دقت هایی بین ۹۵ تا بیشتر از ۹۹ درصد رسیده ایم. به صورت نمونه، در تعدادی مدلها همچون DCNN و FCC، میانگین دقت ۹۹.۱۷ درصد با انحراف معیار حدود ۱.۳۴ حاصل شده است. همچنین، از میان ۱۰ شرکت کننده، هفت نفر توانستند اهداف مورد نظر را با دقت ۱۰۰ درصد شناسایی کنند و پایین ترین دقت ثبت شده هم حدود ۹۷.۲۲ درصد بوده است.
انعطاف پذیری و کارآیی بالا در تطبیق با رفتار انسان
عضو هیئت علمی دانشگاه امیرکبیر با اشاره به یافته های این مطالعه اظهار داشت: عملکرد مدلهای ما از انعطاف پذیری بالایی برخوردار می باشد و می تواند رفتارهای انسانی را در وضعیت متنوع تطبیق دهد. این بنچمارک ها که بر پایه داده های معتبر استخراج شده اند، نشان دهنده قابلیت اطمینان بالای این فناوری هستند و می توان از آنها به عنوان سابقه ای قابل اتکا در توسعه تکنولوژی های جدید بهره برد.
آموزش ماشین برای شناسایی و هدایت رفتار فرد
ستایشی خاطرنشان کرد: آن چه این سامانه را هوشمند می کند، توانایی آن در آموزش و انتقال خاصیت های رفتاری فرد دارای ناتوانی حرکتی بوسیله سیگنال های EEG به ماشین است. بعد از آموزش، ماشین می تواند در مرحله ارزیابی، رفتار فرد را بصورت دقیق راهبری کند. این همان سطحی از «هوش مصنوعی کاربردی» است که باید دارای بیشترین درجه سازگاری با نیاز انسان باشد.
وی ادامه داد: نباید تصور کرد که فقط نصب یک ابزار یا نرم افزار معروف به هوش مصنوعی می تواند کار تخصصی انجام دهد. تا وقتی که زیرساخت ها و داده های دقیق و استاندارد در اختیار نباشد، هیچ سامانه ای نمی تواند عملکرد واقعی هوش مصنوعی را بازنمایی کند.
لزوم دسترسی به داده های دقیق و پاک سازی شده
ستایشی خاطرنشان کرد: در کشورهای پیشرفته، یکی از دغدغه های اصلی، دستیافتن به پایگاه داده های قابل اعتماد و واقعی است که در آن نویز سیگنال ها کاسته شده و دقت اطلاعات تضمین شده باشد.
وی ادامه داد: ما هم باید بتوانیم داده ها را با وجود غیرخطی بودنشان، با معماری های هوشمند مانند شبکه های کانولوشنی (Convolutional) یا بازگشتی (Recurrent) تطبیق دهیم تا سیستم های رمزگشا یا Brain Decoder بتوانند پاسخگوی نیازهای فرد باشند.
هوش مصنوعی در خدمت توان بخشی شناختی
این استاد دانشگاه با اشاره به یکی از مهم ترین کاربردهای این فناوری، اظهار داشت: یکی از مزایای اصلی استفاده از هوش مصنوعی در عرصه توان بخشی شناختی است. زمانی که فرد بتواند درمان های بالینی را با وضعیت عاطفی و هیجانی متعادل تری پشت سر بگذارد، سایر فرآیندهای درمانی هم مؤثرتر عمل می کنند.
وی اضافه کرد: یکی از خاصیت های بنیادین هوش مصنوعی، قدرت استنتاج و بازسازی الگوهاست. این فناوری می تواند الگوهای جدیدی فراتر از دانسته های پیشین ما تولید نماید و بوسیله ادغام یا فیوژن داده ها، در پروسه بازپروری بیماران نقش مؤثری را ایفا کند.
الهام از معماری مغز در طراحی کامپیوتر
ستایشی در ادامه سخنان خود با اشاره به نسبت میان مغز انسان و ساختار کامپیوتر اظهار داشت: در طراحی معماری کامپیوتر ها، از ساختار مغز انسان الهام گرفته شده است؛ از تالاموس و کورتکس تا بخش های پیش پیشانی و لیمبیک. اما باید توجه داشت که هیچ کامپیوتری نمی تواند رفتار و عملکرد مغز انسان را به صورت کامل تقلید کند.
وی تاکید کرد: هدف ما این است که از این شباهت ساختاری برای بهبود تعامل مغز و ماشین بهره ببریم، نه برای جایگزینی مغز انسان. هوش مصنوعی باید در خدمت توان بخشی و ارتقاء کیفیت زندگی انسان باشد، نه در تقلید صرف از او.
هوش مصنوعی می تواند جنبه های ناشناخته ای از عملکرد مغز را آشکار کند
عضو هیئت علمی دانشگاه صنعتی امیرکبیر، با اشاره به دستیافته های جدید پژوهش خود در عرصه تعامل مغز و ماشین اظهار داشت: معماری های مبتنی بر هوش مصنوعی، زمانی که بر پایه اصول موازی سازی و توزیع پردازش (Distributed & Parallel Processing) طراحی می شوند، می توانند رفتارهایی را بروز دهند که پیشتر در مغز انسان شناسایی نشده بود. این پدیده ها به ما کمک می کنند تا در بررسی های عصب پژوهی، به جنبه های ناشناخته مغز برسیم.
کشف الگوهای مغزی ناشناخته با کمک الگوریتم های هوشمند
وی با اعلان اینکه نتایج حاصل از این معماری ها، مسیرهای جدیدی را در فهم کارکرد مغز باز می کند، اضافه کرد: گاهی در فرآیندهای هوش مصنوعی با پدیده هایی روبه رو می شویم که در مغز انسان سراغی از آنها نداریم. این یافته ها ما را ترغیب می کند تا بوسیله سیگنال های EEG یا تصویربرداری های MRI و fMRI، ساختارها و رفتارهای مغزی را دقیق تر بررسی نماییم و ببینیم چه بخشهایی از مغز را تابحال نادیده گرفته ایم.
ستایشی خاطرنشان کرد: زمانی که این غفلت ها شناسایی و اصلاح می شوند، می توان همان الگوهای بهبودیافته را به ماشین منتقل کرد تا عملکرد آن ارتقاء یابد. در این صورت، ماشین قادر خواهد بود کارکردهای جدیدی از مغز را برای ما بازسازی کند، هرچند هیچگاه نمی تواند جایگزین مغز انسان شود.
افزایش ظرفیت عملکردی بیماران با کمک هوش مصنوعی
این استاد دانشگاه با اشاره به محدودیت های طبیعی مغز اظهار داشت: به عنوان مثال، انسان در مسیرهای بینایی تنها می تواند در بازه ای کمتر از یک ثانیه مسیر دید خویش را حفظ کند، اما در سیستم های هوشمند مصنوعی می توان این ظرفیت را افزایش داد و به بیمار اجازه داد از این توانایی برای بهبود عملکرد شناختی خود بهره ببرد.
وی ادامه داد: در این پروژه، توانستیم در عرصه تعامل روزمره بیمار، به سطح اطمینان ۹۵ تا ۹۹ درصد برسیم؛ در صورتیکه روش های بالینی سنتی تنها بین ۷۴ تا ۹۰ درصد دقت داشتند. این موفقیت ناشی از به کارگیری روش های نویززدایی (Noise Reduction) و ارایه اطلاعات دقیق و شفاف به بیمار است؛ موضوعی که در روش های سنتی درمانی کمتر ممکن بود.
بازگشت بیمار به وضعیت شناختی گذشته
ستایشی با اشاره به مقصد پایانی طرح اظهار داشت: یکی از اولویت های ما در این پروژه، کمک به بازگشت بیماران به وضعیت شناختی و عملکردی قبل از بروز بیماری است. در این راستا، از رویکرد های تطبیقی (Adaptive Approaches) استفاده کردیم تا سامانه بتواند با خاصیت های هر بیمار سازگار شود و بنابراین، پروسه توان بخشی را تسریع کند.
بازسازی داده های ناقص با یادگیری تکرارشونده
عضو هیئت علمی دانشگاه امیرکبیر اضافه کرد: یکی از قابلیت های مهم این معماری ها، بازسازی (Reconstruction) داده های ناقص است. در پروسه یادگیری، زمانی که داده ها ناقص یا پرنویز هستند، ماشین با بهره گیری از روش های تکرارشونده (Iterative) می تواند الگوی اصلی را استخراج کرده و نمایه ای دقیق از وضعیت گذشته بیمار – زمانی که سالم بوده – بازسازی کند.
وی اشاره کرد: این خاصیت به ما اجازه می دهد پروفایل شناختی و رفتاری بیماران را بازتولید نماییم و از آن برای طراحی درمان های هوشمند و شخصی سازی شده بهره ببریم.
دسترسی به جزئیات مغزی مغفول مانده در سیگنال های EEG
ستایشی اضافه کرد: در این پروژه توانستیم با تحلیل دقیق سیگنال های EEG و پالایش لرزش های موجود، به جزئیاتی از مغز انسان دست پیدا کنیم که در ارزیابی های بالینی سنتی مغفول مانده بود. متاسفانه در خیلی از فرآیندهای بالینی، به سبب ناآشنایی متخصصان با فیزیک مغز و پدیده های کیوتاتیکی (Chaotic Phenomena) که در آن رخ می دهد، از اطلاعات عمیق EEG استفاده نمی شود.
فقدان فناوری در تحلیل دقیق داده های مغزی
ایشان در ادامه اظهار داشت: هم اکنون، یکی از ضعف های حوزه بالینی این است که ابزارها و فناوری های تحلیلی ضروری جهت تفسیر دقیق سیگنال های مغزی در دسترس نیست. تا وقتی که این کمبودها جبران نشود، تشخیص های بالینی از دقت کافی برخوردار نخواهد بود. ستایشی تاکید کرد: توسعه زیرساخت های فناورانه در این زمینه می تواند تحولی بزرگ در توان بخشی شناختی و بازسازی عملکرد مغز بیماران ایجاد نماید.
آینده حل مسایل بشر در علم شناختی رقم می خورد
ستایشی در قسمت دیگری از سخنان خود با تکیه بر ضرورت پیوند میان رشته های مختلف علمی اظهار داشت: ما تلاش می نماییم مهندسی پزشکی را یاری دهیم تا از «پل هوش مصنوعی» عبور کرده و به عرصه های تشخیص و حتی تشخیص سریع (Early Diagnosis) وارد شود. هدف ما این است که با بهره گیری از ابزارهای فناورانه ای که در این راه تولید می شود، بتوانیم فرآیندهای درمان و بازتوانی را تسهیل نماییم.
وی با طرح این پرسش که «چگونه می توان این مسیر را ترمیم و تسهیل کرد؟» اضافه کرد: باید شرایطی فراهم گردد تا همه کنشگران حوزه های مختلف، از علوم اعصاب و علوم شناختی گرفته تا هوش مصنوعی، مهندسی پزشکی و پزشکی، بتوانند با یکدیگر تعامل و هم افزایی داشته باشند.
ستایشی خاطرنشان کرد: من به مدلی معتقدم که برمبنای آن، آینده حل مسایل بشر در بستر علوم شناختی رقم خواهد خورد. بر همین مبنا باید از انجام مطالعات علمی بصورت جزیره ای پرهیز نماییم و موضوعات پژوهشی را در فضایی میان رشته ای به بحث بگذاریم.
وی اضافه کرد: اگر هر مسئله علمی در قالب میزگردی مطرح شود که در اطراف آن متخصصان حوزه های مختلف همچون پزشکی، روان پزشکی، روانکاوی، روان شناسی، علوم اعصاب، ریاضی، فیزیک، مهندسی کامپیوتر و حتی هنر حضور داشته باشند، خروجی این تعامل، پدیده ای خواهد بود که آنرا «رضایت مندی علمی و انسانی» می نامیم.
به گفته ی ایشان، امروز دیگر نمی توان میان علم و هنر مرزی قائل شد؛ چون که از نظر علوم شناختی، هر دو قابل مشاهده، تحلیل و اندازه گیری اند. هنر احساسی در انسان برمی انگیزد و علم هم از همین سازوکارهای ادراکی بهره می گیرد؛ بدین سبب روزی این دو حوزه ناگزیر به پیوند و هم گرایی خواهند بود.
ستایشی در آخر تاکید کرد: آن چه امروز بیشتر از هر چیز به آن نیاز داریم، فعال کردن میز علوم شناختی است تا از رهگذر گفت و گو و هم افزایی، مسیرهای نو برای فهم و بهبود عملکرد انسان گشوده شود.
منبع: سئو بوی
About the Author
