کاربرد هوش مصنوعی در تشخیص و درمان سرطان و تومور

در سال های اخیر، فناوری هوش مصنوعی به سرعت توسعه یافته است. کاربرد هوش مصنوعی در تشخیص و درمان سرطان و تومور بسیار حائز اهمیت است زیرا با استفاده از الگوریتم های هوش مصنوعی میتوان شناسایی بیماری ها را با دقت بالا و به صورت ۲۴ ساعته انجام داد. با پیشرفت صنعت تصویربرداری و ظهور فناوری های جدیدی مانند مایکروویو و ترموگرافی، پردازش تصویر در تشخیص بیماری سرطان از الگوریتم های جدیدی استفاده میکند.

فناوری تشخیص هوش مصنوعی قادر به انجام تجزیه و تحلیل خوشه چند پارامتری و ساده کردن تصویر میباشد، بنابراین به پزشکان در غربالگری اولیه سرطان ها کمک بسیاری میکند. به طورکلی، هوش مصنوعی رشد قابل توجهی در سلامت پزشکی نشان داده است و میتوان از الگوریتم های هوش مصنوعی با ایجاد یک مدل هوشمند برای تجزیه و تحلیل تصاویر سرطان استفاده کرد.

هر ناحیه از بدن ممکن است تحت تأثیر سلول سرطانی قرارگیرد. سلول های طبیعی درگیر این سلول های سرطانی شده و گسترش پیدا میکنند و سبب پخش سرطان در سراسر بدن و به دنبال آن اختلال در عملکرد صحیح میشوند. سرطان یک بیماری منفرد نیست بلکه مجموعه ای از بیماری هاست.

سلول سرطان بدخیم انواع مختلفی دارند که میتوانند در هر اندام سلول های خونی به وجود آیند و رشد کنند و محدود به یک منطقه نیستند. با این حال، برخی از این ناهنجاری ها در بدن ممکن است مضر نباشند. برای تعیین سرطانی بودن یک تومور یا توده، یک نمونه کوچک توسط پزشک برداشته میشود و زیر میکروسکوپ بررسی میشود، اگر سرطانی نباشد به آن تومور خوشخیم میگویند.

در دهه گذشته، افزایش قدرت محاسباتی و حافظه، توسعه و اجرای تکنیک های پیشرفته هوش مصنوعی را برای تجزیه و تحلیل تصاویر رادیولوژی ممکن ساخته است. اگرچه روش های کامپیوتری از دهه ۱۹۶۰ در رادیولوژی استفاده میشود، ولی ابتکارات اولیه چندان مورد توجه قرار نگرفت، زیرا به دریافت تصویر آنالوگ و منابع محاسباتی محدود، متکی بودند. در دهه ۱۹۸۰ ظهور روش های تصویربرداری دیجیتال و بهبود در معماری محاسباتی و ذخیره سازی، توجه ها را به این تکنیک های تشخیص به کمک رایانه (CAD) جلب کرد.

موفقیت اولیه هوش مصنوعی در تشخیص سرطان سینه راه را برای استفاده گسترده تر از رویکردهای هوش مصنوعی در کارهای تشخیصی مانند طبقه بندی تومور و تشخیص سرطان هموار کرد. در دهه گذشته، ابزارهای تشخیصی مبتنی بر هوش مصنوعی به طور مداوم اصلاح شده اند و در بسیاری از موارد نشان داده شده است که عملکرد تشخیصی آنها با متخصصان انسانی در انواع مختلف سرطان مطابقت دارد یا حتی از آن فراتر رفته است.

این موفقیت منجر به ارزیابی رویکردهای هوش مصنوعی برای کمک به وظایف تصمیم گیری پیچیده تر شده است، از کاربردهای هوش مصنوعی در این زمینه میتوان به موارد تشخیص بیماری، تعیین خوشخیم یا بدخیم بودن تومور، پیشبینی پاسخ به روش های مختلف درمانی، تشخیص تغییرات مرتبط با درمان و کشف نمایش های تصویربرداری از فنوتیپی (مثالً جنسیت، سن یا قومیت) و ویژگی های ژنوتیپی مرتبط با پیش آگهی اشاره کرد.

استفاده از هوش مصنوعی برای اهداف تشخیصی، استفاده از تجزیه و تحلیل تصویربرداری سرطان امروزه بسیار افزایش یافته است. ابزارهای هوش مصنوعی میتوانند با استفاده از تصاویر رادیولوژی در پیشبینی نتیجه در سرطان های متعدد، پیشبینی پاسخ به روش های مختلف درمانی و شناسایی به موقع الگوهای پاسخ غیرمعمول و پیشبینی مشخصات جهشی و مولکولی تومورها میتواند کارآمد باشد، پس میتوان چنین بیان کرد؛ کاربرد هوش مصنوعی در تصویربرداری انکولوژی، با تمرکز بر رویکردهای رادیو میک دست ساز و بازنمایی های مشتق از یادگیری عمیق، با نمونه هایی از کاربرد آنها برای حمایت از تصمیم گیری کاملا مشهود است. 

هوش مصنوعی در بسیاری از زمینه های پزشکی از جمله تشخیص پزشکی، آمار پزشکی، رباتیک استفاده میشود. زیست شناسی انسان در مورد غربالگری سرطان، شاخه ای از هوش مصنوعی است که یادگیری ماشین، الگوریتم هایی را به عنوان کمکی برای رادیولوژیست هاست، چنین تکنیک هایی میتوانند به عنوان یک کمک کامپیوتری برای سیستم تشخیصی برای شناسایی گره های کاندید و بازیابی هرچه بیشتر اطلاعات مربوط به تشخیص تا حد ممکن عمل کنند.

به تعریفی دیگر هوش مصنوعی یک اصطلاح جامع است که هم یادگیری ماشین سنتی (ML)  و هم عمیق (DL) را در بر میگیرد یادگیری DL تا حد زیادی بر اساس ML طبقه بندی میشود و تکنیک های مبتنی بر DL تکنیک های یادگیری ماشین مرسوم اعمال میشود در تجزیه و تحلیل تصاویر معمولا چندین مرحله پیش پردازش شامل انتخاب ویژگی، تقسیم بندی و طبقه بندی تصویر تکنیک های ML به طور گسترده مورد بررسی قرار میگیرد.

 از دهه گذشته، محققان بر توسعه تکنیک های جدید یادگیری عمیق تلاش دارند زیرا عملکرد بهتری نسبت به تکنیک های یادگیری ماشین معمولی در زمینه های مختلف و تجزیه و تحلیل تصویر دارد. به امروز، بسیاری از این تکنیک های ML توسط DL جایگزین شده اند. نتایج ارائه شده توسط مطالعاتی که مجموعه ای از تکنیک های DL انجام میشود از تکنیک های ML بسیار دقیقتر است.

سیستم فنی هوش مصنوعی را میتوان در چهار ماژول خلاصه کرد:

• پردازش زبان طبیعی
• تشخیص تصویر 
• تعامل کامپیوتر-انسان 
• یادگیری ماشینی

انسان-کامپیوتر فناوری تعاملی تبدیل طبیعی پردازش زبان و تشخیص تصویر است، در درجه اول شامل گرافیک کامپیوتری، رابط تعاملی طراحی و غیره میباشد. هوش مصنوعی شامل تکنیک های ماشینی برای تقلید یا فراتر رفتن از هوش انسان، عمدتاً در قابلیت های شناختی است. 

محتوای اصلی تحقیقات هوش مصنوعی شامل یادگیری ماشینی است. تشخیص الگو، پردازش زبان طبیعی، و غیره سهم قابل توجهی از توسعه در از پزشکی دارد. اطلاعات مبتنی بر هوش مصنوعی (AI) نیاز به طبقه بندی دارد که این روش بخشی از علم کامپیوتر است که الگوریتم ها را توسعه میدهد تا کارهای پیچیده ای که قبال با دانش بشری حل میشدند بطور خودکار انجام دهد. طبقه بندی معمولا توسط پزشک انجام میشود، هوش مصنوعی میتواند راه حل های خودکار ارائه دهد.

شبکههای عصبی مصنوعی (ANN) یک نوع الگوریتم های هوش مصنوعی مورد استفاده برای انجام طبقه بندی می باشد، این الگوریتم ها از مغز الهام گرفته شده اند که داده های ورودی را با استفاده از یک فرایند، ذخیره میکنند. (ANN) از یک طرح سه لایه تشکیل شده است: ورودی، پنهان و خروجی. (ANN) اطلاعات موجود در متغیرهای ورودی را میگیرد و تنظیم میکند مقادیر متغیرهای همه لایه ها را به منظور مطابقت با ورودی به هم متصل میکنند، به این ترتیب، توسط الگوی پنهانی که در تمام ورودی ها مشترک هستند، کلاس مربوطه شناسایی و ذخیره میشود.

این مطالعه مروری سعی دارد با روش جست و جو در محقق گوگل انواع مقالات بروز در مورد هوش مصنوعی را بررسی کرده و موارد مختلف دستورالعمل های تحقیقاتی برای مدل های پیشبینی سرطان مبتنی بر هوش مصنوعی را خلاصه کند و اهمیت این روش را در حوزه بهداشت و درمان مشخص کرده و به بررسی تحلیلی رویکردهای تجزیه و تحلیل تشخیصی را بیان کند.

مدل های یادگیری عمیق مورد استفاده در تشخیص زودهنگام سرطان با استفاده از تصویربرداری پزشکی هوش مصنوعی نقش مهمی در پیش آگهی اولیه سرطان و تشخیص با استفاده از تکنیک های یادگیری ماشینی و عمیق برای استخراج و طبقه بندی ویژگی های بیماری دارند. این مقاله بر یک بررسی جامع تمرکز دارد، که این الگوریتم ها، با ساده ترین راه حل ها شروع میشوند توسعه یافته، با تاکید عمده بر وضعیت فعلی در رادیومیک و الگوریتم های یادگیری عمیق ادامه می یابد.

پیشینه تحقیق

کالج آمریکایی استانداردها در انتشارات خود، دستورالعمل های ژنتیک پزشکی برای تفسیر از انواع توالی موج جدیدی از هوش مصنوعی را با فرصت های نوآورانه در انکولوژی دقیق توسعه داده است. جمع آوری داده ها در مورد نئوپلاسمهای نادر یکی از امیدوار کننده ترین انتظارات برای هوش مصنوعی، امکان ادغام داده های مختلف و ترکیبی مشتق شده از omics multi داده است. این روش هوش مصنوعی میتوانند قادر به مدیریت حجم زیادی از داده های مختلف باشند، انواع تجزیه و تحلیل، از جمله اطلاعات به دست آمده از DNA و RNA ترتیب دهی کنند.

کنینی و همکاران طبق پژوهش FL به عنوان یک راه حل فنی برای AI جهت حفظ حریم خصوصی معرفی کرده است، که امکان آموزش مشترک را فراهم میکند. FL به عنوان یک هماهنگ کننده مرکزی مدل حاصل از هوش مصنوعی را به انحصار خود در می آورد و داده ها را متمرکز و نیاز اشتراک گذاری داده ها را حل میکند اما مشکل اطلاعات هنوز پا برجاست و برای این مشکل یک راه حل ارائه میدهد که در شرکت های حاضر در این طرح به طور مشترک در یک سطح ارتباط برقرار کرده و کار میکنند و به طور مساوی الگوهای آموزشی را به اشتراک میگذارند. 

فریا و همکاران  در پژوه ResNet-2V دو طبقه بندی برای تصاویر بافت شناسی سرطان پستان از طریق یادگیری انتقالی، تنظیم شبکه و افزایش داده ها پیشنهاد کرده است. از ۱۰۰ تصویر برای هر کلاس ،۷۰ ۲۰ و ۱۰ تصویر به صورت تصادفی انتخاب میشوند آموزش، آزمایش و اعتبارسنجی نتایج نهایی نشان میدهد که دقت مجموعه تست ۹۰ درصد و ضرر ۰.۵۹ است، در حالی که دقت مجموعه اعتبار ۹۳ درصد و ضرر است ۰.۲۳ است.

جون و همکاران سرطان ریه را با استفاده از یک فعال تقسیم کردند، و مدل spline به عنوان روش تجزیه و تحلیل آن پیشنهاد دادند. با عکس های اشعه ایکس با استفاده از این تکنیک، تصاویر اشعه ایکس از ریه به دست آمده اند، از فیلتر میانه برای تشخیص نویز در حین پیش پردازش استفاده میشود. در طول فاز بخش بندی، K-mean و C-means فازی خوشه بندی برای هدف گرفتن ویژگی انجام میشود. مدل با استفاده از رویکرد SVM برای طبقه بندی به منظور شبیه سازی یافته های سیستم تشخیص سرطان، متلب مورد استفاده قرار میگیرد.

دباس و و همکاران، پیشنهاد یک تکنیک نظارت شده خودکار استفاده از یادگیری عمیق برای حفظ اندازه اصلی تصویر پیشنهاد کرده اند در این مقاله برای انجام طبقه بندی سرطان ریه از طریق ۳۱ لایه شبکه عصبی پیچیده عمیق (DCNN) صورت گرفته است. مدل پیشنهادی به دقت طبقه بندی ۹۶.۹۷ درصد منجر می شود. برای درجه بندی دو کلاسه ۹۳.۲۴ درصد دقت اعلام شده است.

 تینگ و همکاران برای تشخیص سرطان سینه، الگوریتمی به نام شبکه عصبی کانولوشنال توصیه میکنند که برای بهبود طبقه بندی سرطان سینه از آن میتوان استفاده کرد. به کمک شبکه عصبی کانولوشن برای بهبود طبقه بندی پارگی های سرطان سینه الگوریتم CCNI-BCC طراحی میشود و به متخصصان در تشخیص بیماری با استفاده از تصویربرداری پزشکی و طبقهبندی بیماری به عنوان بیماران خوش خیم، بدخیم یا سالم را امکان پذیر میکند.

در پژوهش بلال و همکاران نشان داده شده است که استفاده از SL میتواند پیشبینی نشانگرهای زیستی بالینی مبتنی بر هوش مصنوعی را امکان پذیر کند. در تومورهای جامد، و مدل هایی با عملکرد بالا برای پیش بینی مبتنی بر آسیب شناسی وضعیت دو BRAF وMSI، برای پیش آگهی و پیشبینی بسیار مهم است و طبق پژوهش در آینده، وظایف طبقه بندی تصویر در SL اعمال شود آسیب شناسی محاسباتی SL محققان را قادر میسازد از مجموعه داده های کوچک استفاده کنند برای آموزش مدل های هوش مصنوعی؛ آموزش مشترک یک مدل بر روی بسیاری از مجموعه داده های کوچک معادل آموزش یک مدل بر روی یک مجموعه داده بزرگ است. این روش نیازهای سخت افزاری را کاهش میدهد و به طور بالقوه SL را به یک گزینه مناسب برای محققان کشورهای کم درآمد و با درآمد متوسط تبدیل میکند.

دیمستور و همکاران در روش های یادگیری ماشینی بررسی میکنند که معمولا در پردازش تصویر دیمستور هیستوپاتولوژیک استفاده می شود، مانند تقسیم بندی، استخراج ویژگی، یادگیری بدون نظارت، و نظارت بر یادگیری.

جاست و همکاران با استفاده از پردازش تصویر، استخراج ویژگی، ویژگی انتخاب و روش های یادگیری ماشینی به تشخیص دقیق سرطان سینه پرداخته اند. برای استخراج ویژگی ها از داده ها، AlexNet به کار گرفته شده است و با استفاده از الگوریتم امداد یادگیری ماشینی برای شناسایی و تشخیص انواع مختلف این بیماری قابل شناسایی است.

 سالدهان و و همکاران در پژوهش یادگیری ازدحام SL تعریف کردند، که در آن به طور مشترک مدل های هوش مصنوعی را آموزش داده میشود و در عین حال از انتقال داده اجتناب میکنند و حاکمیت داده انحصاری است. با استفاده موفقیت آمیز از SL مجموعه داده های بزرگ و چند مرکزی گیگاپیکسلی حاصل میشود. تصاویر هیستوپاتولوژی بیش از ۵۰۰۰ بیمار، نشان میدهد که مدل های هوش مصنوعی آموزش دیده با استفاده از SL میتوانند وضعیت جهش BRAF را پیشبینی کنند علاوه بر این، در این تحقیق اثابت شده است مدل های هوش مصنوعی مبتنی بر SL کارآمدی داده ها هستند. 

بیان مسئله

هدف هوش مصنوعی تجزیه و تحلیل ارتباطات بین تکنیک های درمانی و نتایج حاصل شده در بیمار است. در تحقیقات سرطان، هوش مصنوعی پتانسیل خود را برای تأثیرگذاری بر چندین جنبه درمان سرطان، بهبود دقت و سرعت ثابت کرده است تشخیص و ارائه تصمیمات بالینی قابل اعتمادتر، منجر به نتایج بهتر سلامتی میشود.

اکنون استفاده از هوش مصنوعی برای ارتقای شناخت بیماری، مدیریت آن و پیامدهای درمانی به دلیل تعداد فزایندهای از بیماران شناسایی شده با سرطان و مقدار زیادی از داده های جمع آوری شده در طول فرآیند درمان رایج شده است.

تشخیص سرطان بر اساس یادگیری عمیق، تصویربرداری پزشکی برای سرطان، مجموعه داده سرطان، با استفاده از روش های خودکار و نیمه خودکار و تشخیص سرطان با روش رایانه ای (CAD) مبتنی بر سیستم است، چارچوبی که به متخصصان کمک میکند تا به سرعت تصمیم بگیرند.

میتوان اذعان کرد که بیشتر تکنیک های یادگیری عمیق عملکرد خوبی داشته و به دقت بالایی دست یافته اند شرایط نمرات پیش بینی به دست آمده بسیار بالاست. در تحقیقات هیستوپاتولوژیک، مقاطع مورد بررسی برای تجزیه و تحلیل ویژگی ها و خواص بافت ها توسط هیستوپاتولوژیست زیر میکروسکوپ قرار میگیرد. به طور سنتی، مقاطع بافت با چشم غیر مسلح مشاهده میشود هیستوپاتولوژیست به طور مستقیم، اطلاعات بصری تجزیه و تحلیل شده بر اساس دانش پزشکی قبلی به صورت دستی بررسی میشود. به دلیل پیچیدگی و تنوع هیستوپاتولوژیک تصاویر، این تجزیه و تحلیل دستی میتواند زمان زیادی را ببرد. در در عین حال، عینیت این فرآیند تحلیل دستی است بسته به تجربه، حجم کاری و هیستوپاتولوژیست تا حد زیادی ناپایدار است.

هوش مصنوعی دارای توانایی تجزیه و تحلیل عینی قوی در تشخیص هیستوپاتولوژیک است و میتواند از تفاوتهای ذهنی ناشی از تحلیل و بررسی دستی جلوگیری کند. تا حدودی باعث کاهش قضاوت نادرست آسیب شناسان میشود و راندمان کاری بهبود مییابد. اکثر مقاالت تحقیق در مورد تجزیه و تحلیل بر روی پردازش تصاویر به دست آمده با استفاده از روش های غیر تهاجمی مانند اشعه ایکس، اولتراسوند، یا تشدید مغناطیسی، که در دسترسترین فناوری ها در بیمارستان ها انجام میدهند که دارای ۴ مرحله: دریافت تصویر، تخمین، استخراج ویژگی و تفسیر هستند.

برای برآورد، استراتژی های پیشنهادی بر اساس حاشیه نویسی رادیولوژیست یا براساس کمک خارجی قابل اجرا است. با این روش در یک منطقه الگوریتم هایی که میتوانند به طور خودکار ناهنجاری ها را تشخیص دهند برای تخمین ویژگی و تعیین کمیت استفاده میشود.

کاربرد هوش مصنوعی در تشخیص سرطان

برای تشخیص دقیق سرطان سینه، AlexNet مورد استفاده قرار میگیرد. که در این روش ویژگی های مورد استفاده انتخاب میشوند با استفاده از الگوریتم امداد برای شناسایی و تشخیص انواع مختلف توده از الگوریتم های یادگیری ماشینی استفاده میشود. تجزیه و تحلیل هیستوپاتولوژیک تصاویر سرطان سینه بر اساس شبکه عصبی مصنوعی میباشد به طور جامع شبکه عصبی به دو گروه شبکه عصبی مصنوعی کلاسیک و شبکه عصبی عمیق تقسیم می شود. بررسی نتایج از سال ۲۰۱۲ نشان داده است که MLP و PNN که دو بخش از شبکه عصبی عمیق میباشد، بیشترین تشخیص درست در توده سرطان سینه نسبت به شبکه های کلاسیک دارند.

سیب شناسی دیجیتال مزایای زیادی نسبت به آسیب شناسی دستی دارد که میتوان به افزایش دقت، قابلیت آپلود تصاویر دیجیتال از راه دور و بررسی این تصاویر توسط پاتولوژیست های متعدد، اکتساب و پردازش مجموعه داده های بزرگ و پیچیده شاره کرد. در ایمونونوکولوژی، برای درک عمیق تر و بررسی زمینه مکانیسم های تصویر سلول های ایمنی مرتبط با تومور(TME) میتوان از هوش مصنوعی کمک گرفت، که در آن مجموعه دادهها میتوانند به طور پیوسته باشند.

برای تجزیه و تحلیل و اعتبارسنجی کاربرد این روش برای توسعه مشاوره بالینی و دارو با استفاده از هوش مصنوعی و یادگیری ماشین در داخل کلینیک آزمایشی طراحی شده است، در این آزمایش برای توصیف ویژگی های بالینی، پاتولوژیک چند نمونه بیمار مورد بررسی مداوم قرار گرفته است. ورود درمان های ایمونوآنکولوژی (I-O)  باعث دقیق تر شدن تصمیم گیری بالینی تشخیصی پیش آگهی و پیش بینی در درمان سرطان شده است.

الگوریتم های مبتنی بر هوش مصنوعی، به ویژه آن هایی که مبتنی بر یادگیری عمیق هستند، در دقت برای شناسایی توده های مشکوک به توده های بدخیم برتری دارند. با توسعه روش های نیمه نظارتی میتوان برخی از مراحل را ادغام کرد تا استخراج، انتخاب و طبقه بندی ویژگی های موثر سریع تر انجام شود. جمع آوری و دسته بندی اطلاعات در مورد زندگی روزمره بیماران بر اساس هوش مصنوعی (AI) با هدف پیشنهاد الگوریتم برای پیشبینی ضایعات بدخیم بسیار مهم است. برای رسیدن به این هدف، توسعه پایگاه داده ای که شامل ویژگی های ذکر شده و اندازه توده باشد، ضروری است، که باید این اطلاعات به صورت شخصی برای هر بیمار طراحی شود تا راهبردهای نظارت و غربالگری بالینی که بهترین نتیجه سلامتی را شامل میشود برای هر بیمار ارائه دهد.

هوش مصنوعی برای پیشبینی سرطان به ویژه رویکردهای تجزیه و تحلیل تشخیصی و بررسی ماشین و مدل های یادگیری عمیق برای تشخیص زودهنگام سرطان با استفاده از تصویربرداری پزشکی نقش مهمی دارد، همچنین تکنیک های یادگیری ماشینی و عمیق برای استخراج و طبقه بندی ویژگی های بیماری مورد استفاده قرار میگیرد. تکنیک های یادگیری عمیق، به ویژه شبکه های عصبی پیچشی (CNN) در اکثر مطالعات روی داده های سرطان بسیار کارآمد است.

نتایج و کارهای آینده 

هوش مصنوعی نقشی حیاتی دارد در تشخیص و پایش بیماری، ارزیابی اثربخشی، پیشبینی بقا، آزمایش های دارویی و مدیریت سلامت دارد. تعداد رو به رشد از مدلهای هوش مصنوعی برای نظارت بر دادههای مختلف استفاده میشود، که میتوان به دادههای پرونده الکترونیکی سالمت، روشهای تصویربرداری، هیستوپاتولوژی و بیومارکرهای مولکولی، به بهبود دقت پیشبینی خطر بیماری، تشخیص و پیشبینی پاسخ درمانی اشاره کرد.

هوش مصنوعی یک رویکرد مؤثر برای ایجاد الگوریتم های عملکردی بوده است. علیرغم اثربخشی آنها در تسهیل نوآوری، رقابتها هنوز از مجموعه ای از محدودیت ها رنج میبرند. اعتبارسنجی الگوریتم های حاصل معمولا مستقل از توسعه دهندگان الگوریتم انجام نشده است و با اعتبارسنجی الگوریتم ها در گروه های بین المللی دنبال نمی شوند، این تردید را ایجاد میکند که آیا راه حل های بدست آمده قابلیت تعمیم برای پاسخگویی واقعی به مشکل بالینی اساسی را دارند.

هوش مصنوعی میتواند وجود تغییرات مولکولی را مستقیماً از اسلایدهای معمول هیستوپاتولوژی پیشبینی کند. با این حال، آموزش سیستم های هوش مصنوعی قوی به مجموعه داده های بزرگی نیاز دارد که جمع آوری داده ها با موانع عملی، اخلاقی و قانونی مواجه است. مقدار کل داده های مراقبت های بهداشتی در حال افزایش است برای افزایش سرعت در تشخیص هیستوپاتولوژی، موسسات در سراسر جهان گردش کار خود را دیجیتالی میکنند و داده های فراوانی را تولید میکنند. این داده های تصویری را میتوان به روش های جدیدی استفاده کرد.

جمع بندی 

هوش مصنوعی کاربردهای بسیار زیادی در حوزه سلامت، درمان و پیشگیری دارد به همین منظور به مجموعه داده های بزرگ و متنوعی نیاز دارد. برای آموزش مدل های مفید و قابل تعمیم هوش مصنوعی، موسسات باید بتوانند بدون به خطر انداختن حریم خصوصی و اطالعات بیمار، همکاری کنند. 

محدودیت های پژوهشی انجام شده تا کنون این است که به طور صریح حریم خصوصی متفاوت بررسی نشده است، اما این میتواند در کارهای آینده حل شود. اطلاعات حتی تحت قابلیت حمل و نقل بیمه سلامت و قانون پاسخگویی (HIPAA) در ایالات متحده، هر گونه حمله یا افشای اطلاعات از مدل مشترک در هنگام به روز رسانی داده ها را میتوان با اجرای دیفرانسیل حفظ حریم خصوصی، جلوگیری کرد.