هوش مصنوعی و کاربردهای آن در پزشکی (بخش اول)
هوش مصنوعی به هوشی که یک ماشین از خود نشان می‌دهد و یا به دانشی در کامپیوتر که سعی در ایجاد آن دارد گفته می‌شود. هنوز تعریف دقیقی برای هوش مصنوعی ارائه نشده است که مورد قبول همه دانشمندان صاحب نظر در این زمینه باشد و این خود به علت آن است که اساس این موضوع یعنی هوش مورد جنجال و اختلاف است و تعریف جامعی درباره آن وجود ندارد.
به طور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات ، استقرا و تحلیل تجربیات به منظور رسیدن به دانش یا ارائه تصمیم است. در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسائل دریافت شده تلقی می‌شود. هوش مصنوعی علم و مهندسی ایجاد ماشین هایی با هوش با به کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی و یا حیوانی و در نهایت دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی است.
در مقایسه هوش مصنوعی با هوش انسانی می‌توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسایل در جهت قضاوت و اخذ تصمیم است در حالی که هوش مصنوعی مبتنی بر قوانین و رویه‌هایی از قبل تعبیه شده بر روی کامپیوتر است. در نتیجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر هنوز کسی قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوش های مصنوعی نیست.
ایجاد و ابداع فنون و تکنیک‌های لازم برای مدیریت پیچیدگی را باید به عنوان هسته بنیادین تلاش‌های علمی و پژوهشی گذشته ، حال و آینده ، در تمامی زمینه‌های علوم رایانه و به ویژه در هوش مصنوعی معرفی کرد. شیوه‌ها و تکنیک‌های هوش مصنوعی ، در واقع برای حل آن دسته از مسائل به وجود آمده است که به طور سهل و آسان توسط برنامه‌نویسی تابعی (Functional programming) یا شیوه‌های ریاضی قابل حل نبوده‌اند.
امروزه دانش مدرن هوش مصنوعی به دو دسته تقسیم می‌شود:
1) هوش مصنوعی سمبلیک یا نمادین Symbolic Artificial Intelligence (AI)
2) هوش غیر سمبلیک یا پیوندگرا (Connection Artificial Intelligence (AI
در میان معروف‌ترین شاخه‌های هوش مصنوعی سمبلیک می‌توان به سیستم‌های خبره (Expert Systems) و شبکه‌های Bayesian اشاره کرد. اما هوش پیوندگرا متکی بر یک منطق استقرایی است و از رهیافت بهره می‌گیرد. این آموزش‌ها نه بر اساس نتایج و تحلیل‌های دقیق آماری ، بلکه مبتی بر شیوه آزمون و خطا و یادگیری از راه تجربه است. در هوش مصنوعی پیوندگرا قواعد از ابتدا در اختیار سیستم قرار نمی‌گیرد ، بلکه سیستم از طریق تجربه ، خودش قوانین را استخراج می‌کند. روش های ایجاد شبکه‌های عصبی (Network Neural) و نیز به کارگیری منطق فازی (Fuzzy Logic) در این دسته قرار می‌گیرد.
یکی از اهداف متخصصان ، تولید ماشین‌هایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربـیات کند. برای نمونه روباتی هوشمند که بتواند اعضای بدن خود را به حرکت درآورد ، این روبات نسبت به این حرکت خود آگاه بوده و با آزمون و خطا ، دامنه حرکت خود را گسترش می‌دهد و با هر حرکت موفقیت آمیز یا اشتباه ، دامنه تجربیات خود را وسعت بخشیده و سرانجام راه رفته یا حتی می‌دود و یا به روشی برای جابجا شدن دست می‌یابد که سازندگانش برای او متصور نبوده‌اند. هدف هوش مصنوعی به طور کلی ساخت ماشینی است که بتواند فکر کند اما برای دسته‌بندی و تعریف ماشین های متفکر می‌بایست به تعریف هوش پرداخت.
کاربردهای هوش مصنوعی
سیستم های خبره (Expert Systems)
در یک تعریف کلی می‌توان گفت سیستـم‌هـای خبره ، برنامه‌های کامپیوتری‌ای هستند که نحوه تفکر یک متخصص در یک زمینه خاص را شبیه‌سازی می‌کنند. در واقع این نرم‌افزارها ، الگوهای منطقی‌ای را که یک متخصص بر اساس آن‌ها تصمیم‌گیری می‌کند ، شناسایی و سپس بر اساس آن الگوها ، مانند انسان‌ها تصمیم‌گیری می‌کنند.
یکی از اهداف هوش مصنوعی ، فهم هوش انسانی با شبیه‌سازی آن توسط برنامه‌های کامپیوتری است. البته بدیهی است که هوش را می‌توان به بسیاری از مهارت‌های مبتنی بر فهم ، از جمله توانایی تصمیم‌گیری ، یادگیری و فهم زبان تعمیم داد و از این رو واژه‌ای کلی محسوب می‌شود.
بیشتر دستاوردهای هوش مصنوعی در زمینه تصمیم‌گیری و حل مسئله بوده است که اصلی‌ترین موضوع سیستم‌های خبره را شامل می‌شوند. به آن نوع از برنامه‌های هوش مصنوعی که به سطحی از خبرگی می‌رسند که می‌توانند به جای یک متخصص در یک زمینه خاص تصمیم‌گیری کنند ، Expert Systems یا سیستم‌های خبره گفته می‌شود. این سیستم‌ها برنامه‌هایی هستند که پایگاه دانش آن‌ها انباشته از اطلاعاتی است که انسان‌ها هنگام تصمیم‌گیری درباره یک موضوع خاص ، براساس آن‌ها تصمیم می‌گیرند. روی این موضوع باید تأکید کرد که هیچ یک از سیستم‌های خبره‌ای که تاکنون طراحی و برنامه‌نویسی شده‌اند ، همه منظوره نبوده‌اند و تنها در یک زمینه محدود قادر به شبیه‌سازی فرایند تصمیم‌گیری انسان هستند. به محدوده اطلاعاتی از الگوهای خبرگی انسان که به یک سیستم خبره منتقل می‌شود Task Domain گفته می‌شود. این محدوده ، سطح خبرگی یک سیستم خبره را مشخص می‌کند و نشان می‌دهد که آن سیستم خبره برای چه کارهایی طراحی شده است. سیستم خبره با این Taskها یا وظایف می‌تواند کارهایی چون برنامه‌ریزی ، زمان‌بندی و طراحی را در یک حیطه تعریف شده انجام دهد.
به روند ساخت یک سیستم خبره ، Knowledge Engineering یا مهندسی دانش گفته می‌شود. یک مهندس دانش باید اطمینان حاصل کند که سیستم خبره طراحی شده ، تمام دانش مورد نیاز برای حل یک مسئله را دارد. طبیعتاً در غیر این‌صورت تصمیم‌های سیستم خبره قابل اطمینان نخواهند بود.
ساختار یک سیستم خبره
هر سیستم خبره از دو بخش مجزا ساخته شده است: پایگاه دانش و موتور تصمیم‌گیری. پایگاه دانش یک سیستم خبره از هر دو نوع دانش مبتنی بر حقایق (Factual) و نیز دانش غیرقطعی (Heuristic) استفاده می‌کند. Factual Knowledge ، دانش حقیقی یا قطعی نوعی از دانش است که می‌توان آن را در حیطه‌های مختلف به اشتراک گذاشت و تعمیم داد ؛ چرا که درستی آن قطعی است. در سوی دیگر ، Heuristic knowledge قرار دارد که غیرقطعی‌تر و بیشتر مبتنی بر برداشت‌های شخصی است. هرچه حدس‌ها یا دانش هیورستیک یک سیستم خبره بهتر باشد ، سطح خبرگی آن بیشتر خواهد بود و در شرایط ویژه ، تصمیمات بهتری اتخاذ خواهد کرد. دانش مبتنی بر ساختار Heuristic در سیستم‌های خبره اهمیت زیادی دارد. این نوع دانش می‌تواند به تسریع فرآیند حل یک مسئله کمک کند.
البته یک مشکل عمده در ارتباط با به کارگیری دانش Heuristic آن است که نمی‌توان در حل همه مسائل از این نوع دانش استفاده کرد.
چند سیستم خبره مشهور
از نخستین سیستم‌های خبره می‌توان به Dendral اشاره کرد که در سال 1965 توسط Edward Feigenbaum و Joshun Lederberg پژوهـشگران هوش مصنوعی در دانشگاه استنفورد ساخته شد.
وظیفه این برنامه کامپیوتری ، تحلیل‌های شیمیایی بود. ماده مورد آزمایش می‌توانست ترکیبی پیچیده از کربن ، هیدروژن و نیتروژن باشد. Dendral می‌توانست با بررسی آرایش و اطلاعات مربوط به یک ماده ، ساختار مولکولی آن را شبیه‌سازی کند. کارکرد این نرم‌افزار چنان خوب بود که می‌توانست با یک متخصص رقابت کند.
از دیگر سیستم‌های خبره مشهور می‌توان به MYCIN اشاره کرد که در سال 1972 در استنفورد طراحی شد. MYCIN برنامه‌ای بود که کار آن تشخیص عفونت‌های خونی با بررسی اطلاعات به دست آمده از شرایط جسمی بیمار و نیز نتیجه آزمایش‌های او بود. آنچه در نهایت می‌توان گفت آن است که یکی از مزیت‌های سیستم‌های خبره این است که می‌توانند در کنار متخصصان انسانی مورد استفاده قرار بگیرند که ماحصل آن تصمیمی مبتنی بر تخصص انسانی و دقت ماشینی است. این فناوری از دید تجاری نیز برای توسعه‌دهندگان آن سودآور است.
منبع: ماهنامه مهندسی پزشکی
کلمات کلیدی: biomedical engineering ، مهندسی پزشکی ، آشنایی با مهندسی پزشکی ، معرفی مهندسی پزشکی ، مهندسی پزشکی گرایش بالینی ، مهندسی پزشکی گرایش بیومکانیک ، مهندسی پزشکی گرایش بیوالکتریک ، مهندسی پزشکی گرایش بیومتریال (بیومواد) ، مهندسی پزشکی ایران ، مهندسی پزشکی دانشگاه پیام نور ، پایگاه آموزشی و اطلاع رسانی مهندسی پزشکی ، اخبار و تازه های مهندسی پزشکی ، مقالات مهندسی پزشکی ، آموزش مهندسی پزشکی ، دانلود کتاب های مهندسی پزشکی ، دانلود جزوه های مهندسی پزشکی ، دانلود نمونه سوالات امتحانی مهندسی پزشکی ، هوش مصنوعی ، Artificial Intelligence ، کاربردهای هوش مصنوعی در پزشکی
