وبینار آنلاین مصورسازی تصاویر پزشکی بر بستر Google Colab

علم­ داده و سلامت

برای یک لحظه دنیایی رو تصور کنید که در آن درمان و سلامت آنقدر پیشرفت کرده­اند که پیش­بینی سکته قلبی از روی یک نوار قلب ساده، پیش­بینی سرطان سینه از روی تصاویر ماموگرافی، پیش بینی بیش از 45 نوع بیماری مثل تشخیص دیابت و بیماری­های قلبی و ریوی از روی تصاویر قرینه چشم، پیش بینی بیماری قلبی از روی صدای قلب، تشخیص شکستگی در تصاویر رادیولوژی، تشخیص افسردگی از روی حالت چهره، تشخیص تومور سرطانی در تصاویر MRI و سی­تی اسکن آن هم فقط در کسری از ثانیه انجام می­شود.  اگر خیال می­کنید تمامی این شگفتی­ها در آینده دور امکان پذیر است باید بگویم اشتباه می­کنید! همین الان که در حال خواندن این متن هستید سیستم­هایی وجود دارند که بیش از 10 نوع بیماری ریوی را فقط با نگاه کردن به تصاویر X-Ray قفسه سینه تشخیص می­دهند و بار کاری زیادی را از دوش پزشکان متخصص بر می­دارند. همه فناوری­های بالا فقط قسمت کوچیکی از کاربرد علم داده و هوش مصنوعی در پزشکی هست و اگر بخواهیم در مورد همه کاربرد­های هوش مصنوعی در سلامت صحبت کنیم باید بدون اغراق یک مقاله حداقل 5 صفحه­ای فقط از “عناوین کاربرد­های هوش مصنوعی در سلامت” بنویسیم. ترکیب هوش مصنوعی و علم داده با پزشکی یک انقلاب بزرگی رو در حوزه سلامت و درمان به وجود آورده. ورود هوش مصنوعی و علم داده به حوزه پزشکی باعث شده تا حوزه­های جدیدی مثل کشف دارو­های جدید، درمان سرطان از طریق شناخت ژنتیک تومور بوجود بیان. البته چالش­های زیادی در این مسیر وجود داره که برای حل این چالش­ها و گسترش کاربرد علم داده در پزشکی به متخصصان و محققان خیلی زیادی نیاز هست. مجله فوربز (یک مجله مشهور در زمینه کسب و کار) یک مقاله­ای را منتشر کرده (عناون مقاله AI in Healthcare) و عنوان کرده تا سال 2025 اندازه بازار  فناوری­های هوش مصنوعی در سلامت فقط در کشور امریکا به حدود 36 میلیارد دلار میرسه و این نشانه­ای از توجه کشور­های پیشرفته و در حال توسعه به حوزه هوش مصنوعی در سلامت هست.

مصور سازی داده

مصور سازی داده چیه و چه رابطه­ای با کاربرد هوش مصنوعی در سلامت داره؟ شاید اولین و مهمترین و زمان­بر ترین (بعد از جمع­آوری داده) مرحله انجام یک پروژه هوش مصنوعی، فهم داده، تمیز سازی داده، آسان سازی داده و آماده کردن اون برای دادن به یه الگوریتم هوش مصنوعی باشه. شما با مصور سازی داده میتونین اولا داده­های مخدوش و داده­های که میتونن الگوریتم شما رو دچار اشتباه کنن حذف کنید و داده رو تا جای ممکن ساده سازی کنید تا الگوریتم هوش مصنوعی بتونه به راحتی اون مسأله مد نظر شما رو به راحت­تر حل کنه. با یک مصور سازی ساده میتونین فهم بهتری از توزیع پیچیده­ترین داده­ها داشته باشیدو بهترین تصمیمات رو در رابطه با اون بگیرید. مثلا اگر مسأله مورد نظر تشخیص آلزایمر در تصاویر MRI مغز باشه ولی تعداد تصاویر افراد سالم خیلی بیشتر از افراد آلزایمری باشند و به نوعی دیتاست ما نا­متعادل باشه با مصور سازی داده میتونیم این موضوع رو بفهمیم و در آموزش الگوریتم هوش مصنوعی اون رو مد نظر قرار بدیم.

سلام و وقت بخیر محضر محترم همراهان عزیز مدرسه علوم داده و بیگ دیتا. من ایمان شوکتیان هستم. کارشناسی فیزیک رو از دانشگاه شهید بهشتی تهران و کارشناسی ارشد رو در رشته فیزیک پزشکی گرایش پردازش تصویر از دانشگاه علوم پزشکی ایران در تهران گرفتم. به واسطه موضوع پایان نامم وارد حوزه دیتاساینس و هوش مصنوعی شدم و الان حدود 3 سال هست که در زمینه بینایی ماشین در پزشکی کار میکنم. راستشو بخواین از همون اوایل لیسنانس میدونستم که به زمینه برنامه‌نویس علاقه دارم و تصمیم گرفتم در فوق لیسانس دنبال علاقم برم. موضوع پایان نامه من سگمنتیشن پروستات در تصاویر سی تی اسکن برای طراحی درمان رادیوتراپی بود. از سال 96 تو مدرسه علامه حلی 1 علوم داده و فیزیک محاسباتی تدریس کردم و عاشق برنامه‌نویسی ­ام. خیلی ها بهم میگن که مطالب خیلی پیچیده رو به زبان ساده منتقل میکنم و تصمیم گرفتم دانشم رو با شما به اشتراک بزارم. موقع هایی که سرکار نیستم سعی میکنم مقاله بخونم و کنفرانس های CVF رو نگاه کنم. به کامیک علاقه دارم و موسیقی بی کلام حماسی و صدای بارون رو خیلی دوست دارم. اگه دوست داشتین منو تو شبکه های اجتماعی دنبال کنین. خوشحال میشم اگه سوالی داشتین در حد توانم کمکتون کنم.

آشنایی بیشتر با وبینار

در این وبینار میخوام با مصورسازی داده­های پزشکی در محیط Google Colab براتون حرف بزنم. اول یکم در مورد Google Colab صحبت میکنیم که چه عصای دست خوبی برای کسایی هست که میخوان تو حوزه یادگیری عمیق کار کنند. سعی میکنم تمام ریز­کاری­های و نکاتی که در این 3 سال تجربه کار با گوگل کولب بدست آوردم رو بهتون بگم. بعد از اون یکم در مورد مصور سازی داده در محیط گوگل کولب صحبت میکنیم و چند تا از داده­های پزشکی­ای که در دسترس عموم هستند رو با هم میبینیم. داده­هایی رو با هم میبینیم که برای مسأله­های معروف حوزه بینایی ماشین مثل Segmentation و Object Detection کاربرد داشته باشند.