امروزه رسانهها فریاد میزنند: (هوش مصنوعی درحال آمدن است!) و شغل شما را خواهد گرفت و شما را در شطرنج شکست خواهد داد. اما هوش مصنوعی هماکنون اینجاست. و شما و حتی بهترین شطرنجباز جهان را نیز شکست میدهد. در سال ۲۰۱۲ گوگل از هوش مصنوعی برای شناسایی گربهها در فیلمهای یوتیوب استفاده کرد. در دنیای امروز هوش مصنوعی دلیل اصلی داشتن رانندگی اتوماتیک ماشینهای تسلا و ذهنخوانی شرکتهای نتفلیکس و اسپاتیفای است. این بار کاربرد هوش مصنوعی در پزشکی و تغییرات حوزهی زیست مولدها و نحوهی مهندسی زیستی را مورد بررسی قرار میدهیم. هوش مصنوعی به کمک مهندسان آمده تا مدارهای ژنتیکی را طراحی کنند. سرمایهگذاری عظیمی (۱۲.۳ میلیارد دلاری) در این حوزه شکل گرفته است؛ از این رو تاثیرات چشمگیری بر آیندهی بشریت خواهد داشت. ایدهی هوش مصنوعی نسبتا شفاف است. هوش مصنوعی شامل برنامه ریزی ماشینها با استدلال، یادگیری و رفتارهای تصمیمگیرنده است. بعضی از الگوریتمهای هوش مصنوعی به حدی در کارشان تبهر دارند که قادرند به راحتی از متخصصان انسانی پیشی بگیرند. در انتهای این مقاله از فنولوژی، میتوانید فایل کاربرد هوش مصنوعی در پزشکی + pdf را دانلود کنید.
هوش مصنوعی و یادگیری ماشین
اغلب چیزهایی که ما در باب هوش مصنوعی میشنویم به یادگیری ماشین اشاره دارد؛ یعنی زیرمجموعهای از الگوریتمهای هوش مصنوعی که از دادهها، الگوها را برونیابی میکنند و از تحلیل این دادهها برای پیشبینی اتفاقات آتی استفاده میکنند. هر چه این الگوریتمها بیشتر داده جمعآوری کنند، پیشبینیهای آنها نیز دقیقتر خواهد بود. یادگیری عمیق یک زیرمجموعهی قدرتمندتر از یادگیری ماشین است. در یادگیری عمیق تعداد زیادی از لایههای محاسباتی به نام شبکههای عصبی (الهام گرفته از ساختار مغز) به طور همزمان عمل میکنند تا عمق تحلیل را افزایش دهند و امکان فناوریهایی مانند تشخیص چهره پیشرفته (شامل FaceID گوشی آیفون شما) را فراهم آورند.
سوای در نظر گرفتن انواع هوش مصنوعی و کاربردهای آن، ما در عصر انقلاب محاسباتی هستیم که دارد ریشههای خود را در دنیای رایانه استوار میکند. به زودی هوش مصنوعی در داروهایی که استفاده میکنید، سوختهایی که مصرف میکنید و حتی مواد شویندهای که لباسهایتان را با آنها میشویید تاثیرگذار خواهند بود.
کاربرد هوش مصنوعی در پزشکی و زیستشناسی، به طور ویژه، در حال ارتقا است. از بررسی جهشهای ژنتیکی که منجر به چاقی میشوند گرفته تا آزمایش نمونههای پاتولوژی (آسیب شناسی) سلولهای سرطانی. زیستشناسی حجم انبوهی از دادههای پیچیده و درهمتنیده تولید میکند. اطلاعاتی که از این پایگاه داده استخراج میشود اغلب بینش ارزشمندی که برای افزایش سطح سلامت استفاده میشود در اختیار ما میگذارد. در این مقاله به ۵ کاربرد اصلی هوش مصنوعی در پزشکی اشاره میکنیم که عبارتند از:
۱-تشخیص بیماری
۲-تسریع توسعه دارو
۳-شخصی سازی درمان
۴-ویرایش ژنتیکی
۵-زیستشناسی مصنوعی(SynBio)
کاربرد هوش مصنوعی در پزشکی و تشخیص بیماری
تشخیص درست بیماری به سالها مطالعات پزشکی نیاز دارد. حتی در آن صورت نیز تشخیص اغلب فرایندی سخت و زمانبر است. در بسیاری از موارد تقاضا برای متخصصان با اختلاف بیشتر از منابع موجود است. این مسئله پزشکان را تحت فشار قرار داده و گاهی تشخیصهای حیاتی را به تاخیر میاندازد. برای نمونه میتوان به تشخیص شیوع کرونا در هوش مصنوعی اشاره کرد.
یادگیری ماشین و بهطور دقیقتر الگوریتمهای یادگیری عمیق، به تازگی پیشرفت زیادی در پزشکی کرده است. این الگوریتمها به صورت خودکار بیماریها را تشخیص میدهند و این فرایند را ارزانتر و در دسترستر میکنند. اما چگونه ماشینها تشخیص بیماری را میآموزند؟ الگوریتمهای یادگیری ماشین میتوانند بیاموزند که الگوهای بیماری را همانند پزشکان ببینند. تفاوت اصلی در اینجاست که این الگوریتمها برای آموختن نیاز به هزاران مثال به هم پیوسته دارند. و این مثالها باید تمیز و دیجیتال شوند؛ ماشینها توانایی خواندن از خطوط کتابها را نداند! بنابراین یادگیری ماشین بهطور مشخص در مواردی مفید است که اطلاعات آزمایشهای پزشک در یک پایگاه داده ذخیره شده باشد. در ادامه به برخی از این کاربردها اشاره میکنیم:
- تشخیص سرطان سینه بر اساس سیتیاسکن ریه
- محاسبه احتمال سکتهی قلبی یا سایر بیماریهای قلب بر اساس سیگنال قلبی (ECG) و تصاویر MRI قلبی
- دستهبندی جراحتهای پوستی بر اساس تصاویر پزشکی پوست
- یافتن نشانههای دیابت با بررسی رتینوپاتی (اختلال عروقی شبکیه) از تصاویر پزشکی چشم
به دلیل وجود دادهی زیاد و کاربردی در این زمینهها، الگوریتمهای توسعه یافته در حد متخصصان مهارت پیدا کردهاند. تفاوت در اینجاست: الگوریتمها میتوانند در کسری از ثانیه تشخیص را انجام دهند. هم چنین این نتایج میتوانند با قیمت مناسب در همهجای دنیا استفاده شوند. به زودی همهی افراد سراسر دنیا میتوانند از بالاترین سطح تشخیص تصاویر رادیولوژی در حد متخصصان برتر دنیا با قیمت پایین استفاده کنند.
کاربرد هوش مصنوعی در پزشکی و تشخیص بیماری تازه اول راه است. سازوکارهای سطح بالاتری در حال شکلگیری است از جمله: تشخیص با منابع چندگانه داده (سیتیاسکن، MRI، ژنوم و پروتئینها، دادههای بیمار و حتی پروندههای دستنویس). با تحلیل ترکیبی از این دادهها میتوان بیماری و روند آن را ارزیابی کرد.
هوش مصنوعی به این زودی جای پزشکان را نخواهد گرفت! تصور نمیشود که هوشمصنوعی کاملا جای پزشکان را بگیرد. در عوض سیستمهای هوش مصنوعی برای اخطار دادن جراحات احتمالی و الگوهای خطرناک بیماریها به پزشکان به کار میروند. این اخطارها به کمک پزشکان متخصص میآیند و آنها وقت و توجه خود را صرف تفسیر این اخطارها و نشانههای به موقع خواهند کرد.
کاربرد هوش مصنوعی در پزشکی و سرعت بخشیدن به توسعه داروها
فرایند توسعه دارو به گران بودن معروف است. حجم زیادی از فرایندهای تحلیلی تهیهی دارو با استفاده از یادگیری ماشین میتوانند بهینهسازی شوند. بدین شکل میتوان سالها کار و میلیونها دلار سرمایه گذاری را شبیهسازی کرد.
ساخت دارو با هوش مصنوعی و مراحل آن
داروسازی چهار مرحله اصلی دارد که هوش مصنوعی توانسته در همهی این مراحل ورود پیدا کند:
- مرحله اول: تعیین کردن اهداف برای مداخله
- مرحله دوم: کشف داروهای نامزد
- مرحله سوم: سرعت دادن به آزمایشهای بالینی
- مرحله چهارم: یافتن نشانههای زیستی برای تشخیص دارو
مرحله اول ساخت دارو با هوش مصنوعی: تعیین کردن اهداف برای مداخله
اولین قدم توسعه دارو شناسایی منشا زیستی بیماری و سازوکارهای مقاومتی آن است. سپس باید اهداف خوبی را برای درمان بیماری شناسایی کرد که معمولا پروتئینها هستند. تکنیکهای بسیار زیادی مانند غربالگری short hairpin RNA و ترتیبگذاری عمیق آنها (deep sequencing) وجود دارند. این تکنیکها باعث جمعآوری حجم زیادی داده جهت شناسایی مسیرهای هدف ممکن میشوند. با این حال، روشهای قدیمی برای محاسبه حجم زیاد و متنوع منابع داده و یافتن مسیر مرتبط با چالشهای زیادی مواجهاند. الگوریتمهای هوش مصنوعی میتوانند به سهولت بیشتری همهی دادههای موجود را تحلیل کنند و حتی میتوانند بیاموزند که بهصورت خودکار اهداف پروتئینی خوب را شناسایی کنند.
مرحله دوم ساخت دارو با هوش مصنوعی: کشف داروهای نامزد
در مرحله بعدی نیاز داریم ترکیبی پیدا کنیم که بتواند با مولکولهای هدف مشخص شده در مسیر خواسته شده واکنش دهد. این مرحله شامل آزمایش هزاران و یا میلیونها ترکیب احتمالی از ترکیبها است. در این آزمایشها تاثیرات این ترکیبها روی بافت هدف و همچنین عوارض جانبی آنها مانند سمی بودن باید بررسی شوند. این ترکیبات میتوانند طبیعی، مصنوعی و یا زیستمهندسی شده (رشد دادن بافتهایی که به کمک مهندسان بیومتریال ساخته میشوند) باشند. با این وجود، سازوکار فعلی اغلب دقیق نیست و نتایج اشتباهی را به همراه دارد. این فرایند به زمان زیادی احتیاج دارد تا گزینهها را محدود کند و به بهترین نامزدهای دارویی (مرسوم به لیدهای دارویی) برسد. هوش مصنوعی و یادگیری ماشین در این مرحله نیز کارساز است. این الگوریتمها میتوانند بیاموزند که میزان تطابق یک مولکول را شناسایی کنند. آنها این شناسایی را از روی سرنخهای ساختاری و شناساگرهای مولکولی انجام میدهند. سپس آنها از بین میلیونها مولکول احتمالی بهترین گزینههایی که کمترین عوارض جانبی داشته باشند را انتخاب میکنند. این روش زمان زیادی را در طراحی دارو ذخیره میکند.
مرحله سوم ساخت دارو با هوش مصنوعی: سرعت دادن به آزمایشهای بالینی
یافتن افراد مناسب برای آزمایشهای بالینی کار دشواری است. اگر افراد اشتباه انتخاب شوند روند آزمایش به تاخیر میافتد و زمان و منابع زیادی را به هدر میدهد. یادگیری ماشین میتواند با شناسایی نامزدهای مناسب به طور خودکار روند طراحی آزمایشهای بالینی را سرعت ببخشد. همچنین یادگیری ماشین توزیع درستی از گروههای شرکت کننده در آزمایش را تضمین میکند. الگوریتمها میتوانند نامزدهای خوب را از نامزدهای بد تفکیک کنند. بهعلاوه این الگوریتمها میتوانند به عنوان یک سیستم هشدار دهنده برای آزمایشهای بالینی ناموفق وارد شوند. در اینصورت به موقع به محققان اجازهی مداخله و جلوگیری از تهیهی دارو را میدهند.
مرحله چهارم ساخت دارو با هوش مصنوعی: یافتن نشانگرهای زیستی برای تشخیص دارو
شما فقط درصورتی میتوانید بیماری را درمان کنید که از تشخیص خود مطمئن باشید. بعضی روشها بسیار گران قیمت هستند و نیاز به آزمایشگاههای پیشرفته و افراد متخصص دارند، روشهایی مانند غربالگری توالی ژنتیکی. نشانگرهای زیستی مولکولهایی هستند که در مایعات بدن (معمولا خون انسان) دیده میشوند. این نشانگرها با درصد قطعیت بالایی میتوانند مشخص کنند که آیا فردی بیمار است یا خیر. بدین صورت فرایند تشخیص بیماری ایمن و ارزان قیمت خواهد شد. همچنین از این نشانگرها برای مشخص کردن محل رشد بیماری استفاده میشود. در این صورت پزشکان میتوانند راحتتر درمان درست را انتخاب کنند و بررسی کنند که داروی مورد نظر به درستی کار کند؛ اما کشف نشانگر زیستی برای هر بیماری خاصی دشوار استو زمان و هزینههای زیادی به همراه دارد. به همین دلیل مجددا شاهد کاربرد هوش مصنوعی در پزشکی هستیم.
هوش مصنوعی میتواند درصد بالایی از کارهای انسانی را سرعت ببخشد. این الگوریتمها مولکولها را به نامزدهای خوب و بد دستهبندی میکنند. این به متخصصان اجازه میدهد که روی تحلیل برترین نتایج تمرکز کنند. شناساگرهای زیستی برای تشخیص موارد زیر به کار میروند:
- وقوع بیماری در کمترین زمان ممکن – نشانگر زیستی تشخیصی
- خطر وقوع بیماری در یک فرد – نشانگر زیستی ریسک
- احتمال گسترش بیماری – احتمال پیشرفت بیماری – نشانگر زیستی پیشگیری
- احتمال جواب دادن یک بیمار به دارو – نشانگر زیستی پیشبینی کننده
کاربرد هوشمصنوعی در پزشکی و شخصی سازی درمان
بیماران گوناگون به داروها و برنامههای درمانی متنوع واکنشهای مختلفی نشان میدهند. بنابراین درمان شخصی سازی شده پتانسیل زیادی برای افزایش طول عمر بیماران دارد. ولی تشخیص اینکه چه عاملی باید در انتخاب درمان تاثیرگذار باشد، کار بسیار سختی است. هوش مصنوعی و یادگیری ماشین میتواند این فرایند پیچیدهی آماری را خودکار کند. این الگوریتمها کمک میکنند تا متوجه شویم چه خواصی بیانگر یک واکنش خاص به یک درمان خاص در هر فرد است. بنابراین پیشبینی میکنیم که هر بیمار چه واکنشهای احتمالی را به یک درمان خاص از خود نشان میدهد. سیستم یادگیری ماشین این را با مرجع قرار دادن بیماران مشابه و مقایسهی درمان و نتیجهی درمانی آنها میآموزد. نتایج پیشبینی شده از این طریق به کمک پزشکان رفته و باعث میشود نقشهی درمانی درستی طراحی شود.
کاربرد هوشمصنوعی در پزشکی و بهبود ویرایش ژنتیکی
سیستم (CRISPR-Cas9) یک سیستم جدید برای ویرایش دقیق ژنهاست. با این ابزار میتوان توالیهای ژنتیکی را به دقت و موثر مانند یک جراح ویرایش کرد. این تکنیک وابسته به واسطههایی به نام (sgRNA) است که یک موقعیت خاص روی DNA را هدف قرار میدهند. این فرایند میتواند به عوارض جانبی ناخواسته بیانجامد. انتخاب محتاطانه sgRNAهایی که کمترین عوارض جانبی خطرناک را به همراه داشته باشند یکی از چالشهای اساسی در کار با سیستم CRISPR است. یادگیری ماشین اثبات کرده که میتواند میزان برهمکنشهای بافت هدف راهنما و همچنین عوارض جانبی هدف را در هر sgRNA مشخص کند. چنین فرایندی میتواند به وضوح توسعهی RNA راهنما در هر محدوده از DNA انسان را سرعت ببخشد.
کاربرد هوشمصنوعی در پزشکی و زیست شناسی مصنوعی
در حوزهی زیستشناسی مصنوعی (synthetic biology) مهندسان تلاش در بازسازی اندامهای زنده و اعمال کارایی جدید بر آنها دارند. در زیستشناسی مصنوعی بسیاری از دانشمندان سعی در به کارگیری هوش مصنوعی برای طراحی آزمایشهای موثرتر، تحلیل دادههایشان و استفاده از آنها برای ساخت درمانهای نوظهور دارند.
در ادامه به معرفی پنج شرکت میپردازیم که درحال ادغام یادگیری ماشین با زیستشناسی مصنوعی در جهت بهبود علوم زیستی موثرتر و علوم مهندسی پیشرفتهتر هستند. این شرکتهای زیست شناسی مصنوعی (SynBio) از هوش مصنوعی برای مهندسی زیستی استفاده میکنند.
۱- شرکت Riffyn در زمینهی سرعت بخشیدن به جمع آوری و تحلیل دادههای تمیز
(در اوکلند کالیفرنیا، سال تاسیس ۲۰۱۴، جذب سرمایه ۲۴.۹ میلیون دلاری)
الگوریتمهای یادگیری ماشین باید با حجم زیادی از داده شروع شوند. اما در زیستشناسی تهیهی دادهی مفید بسیار چالشبرانگیز است؛ زیرا آزمایشها وقتگیر و خسته کننده هستند و به سختی تکرار میشوند. خوشبختانه یک شرکت با این تنگنا مواجه شده تا انجام این کار را برای دانشمندان آسانتر کند. زیرساخت نرمافزاری مبتنی بر رایانش ابری شرکت Riffyn به پژوهشگران کمک میکند تا آزمایشها را استانداردسازی، تعریف و اعمال کنند. همچنین به کمک این زیرساخت تحلیل داده تسهیل میشود که باعث میشود محققان بتوانند به مباحث علمی تمرکز کنند. با استفاده از الگوریتمهای یادگیری ماشین میتوان به اطلاعات عمیقتری برای آزمایشهای روزانه دست پیدا کرد.
با این پلتفرم آزمایشها کارآمدتر و با هزینههای بسیار پایینتری انجام میشوند. همچنین این پلتفرم بهبود تولیدات و کیفیت خدمات را به همراه داشته و دادههایی تولید میکند که در ابتدای دادهکاوی با تکنیکهای پیشرفته یادگیری ماشین کار میکند. به این معنا که شرکتها میتوانند از این فناوری استفاده کنند تا برای درمان سرطان پروتئینهای جدیدی درست کنند و این کار را بهتر و سریعتر از گذشته انجام دهند. شرکت Riffyn هماکنون با هشت تا از پانزده شرکت جهانی زیست فناور و زیست دارویی کار میکند که آنها تنها پنج سال پیش پایه ریزی شدهاند.
۲- پایگاه تحقیقاتی فاز B ماکروسافت: کنار هم گذاشتن تکههای پازل برنامهنویسی زیستی
(در کمبریج، انگلستان، شروع در سال ۲۰۱۹ میلادی)
در دنیای زیستشناسی مصنوعی قطعات متحرک زیادی استفاده میشوند. یکپارچهسازی و سادهسازی این قطعات متحرک عملیاتی بسیار حیاتی و دشوار است. در دههی اخیر بازوی زیستی-محاسباتی پایگاه تحقیقاتی فاز B ماکروسافت وارد عمل شد. این بازو در حال استفاده از یادگیری ماشین برای حل این مشکل است. مایکروسافت با استفاده از مدلهای یادگیری ماشین سعی در حل این مشکل و شتابدهی این فرایند در حوزههای زیستشناسی و همچنین سختافزار دارد. تلاشهای مایکروسافت درحال به ثمر رسیدن است زیرا منجر به همکاریهای متنوعی با سایر موسسات شده است. با کمک موسسه Synthace نرمافزارهایی برای سرعت بخشیدن به فرایند آزمایشها توسعه مییابند. فاز B همچنین با همکاری موسسه Princeton در حال مطالعهی سازوکارهای موجود در بیوفیلمهاست. بیوفیلمها غشاهای نازک چسبیده به باکتریها هستند که نشان میدهند گروههای باکتری، چگونه مقاومت آنتیبیوتیکی از خود نشان میدهند. موسسه princeton با استفاده از روشهای یادگیری ماشین و استخراج الگوهای به دست آمده از تصاویر گرفته شده از مراحل مختلف رشد باکتریها به دنبال یافتن مکانیزم بیوفیلمها است.
مایکروسافت همچنین در حال همکاری با شرکت Oxford Biomedica است. این شرکت با بهرهبرداری از پتانسیلهای یادگیری ماشین در حال توسعهی روشهایی برای ژندرمانی و درمان سرطان خون و سرطان غدد لنفاوی است. شاید طراحی درمانهایی برای نبرد با تنوع زیادی از بیماریها یکی از بزرگترین مزایای استفاده از زیستشناسی مصنوعی باشد.
۳- شرکت Atomwise: رمزگشایی از طراحی هستهی ساختارهای پروتئینی توسط یادگیری ماشین
(در سانفرانسیسکو، ایالت کالیفرنیا، سال تاسیس ۲۰۱۲ میلادی، جذب سرمایه ۵۱ میلیون دلا)
شرکت Atomwise درحال تولید دارو با یک پلتفرم به نام AtomNet است. با این پلتفرم میتوان بهطور مداوم ساختار مولکولها را مدل کرد. همچنین این پلتفرم با تحلیل دقیق واکنشهای شیمیای بین مولکولها تاثیرات دارو را بر بافتهای هدف پیشبینی میکند. با استفاده از دادهی این ساختارهای اتمی، Atomwise درمانهای جدیدی را طراحی میکند که تقریبا از روشهای دیگر غیرممکن به نظر میرسد. رویکرد Atomwise برای طراحی مولکولها رویکرد قدرتمندی است و برای شکست دادن بیماریهای گوناگون به خوبی جواب میدهد. با این وجود یک روش ایدهآل برای کشفهای محاسباتی وجود ندارد. به همین خاطر توجه شما را به شرکت بعدی جلب میکینم.
۴- شرکت Arzeda: بازنویسی قوانین طراحی پروتئین با یادگیری عمیق (de novo)
(سیاتل، واشنگتن، سال تاسیس ۲۰۰۸ میلادی، جذب سرمایه ۱۵.۲ میلیون دلار)
ماجرای شرکت Arzeda از آزمایشگاه دانشگاه واشنگتن شروع شد. Arzeda از پلتفرم طراحی پروتئین خود که مبنی بر الگوریتمهای هوش مصنوعی کار میکند، برای مهندسی کردن پروتئینها استفاده میکند. این پلتفرم انواع پروتئینها از آنزیمهای صنعتی گرفته تا محصولات کشاورزی و میکروارگانیسمهای آنها را تولید میکند.
این شرکت به جای بهینهسازی پروتئینهای موجود در طبیعت، از صفر اقدام به ساخت پروتئینهای خود میکند. از این طریق به عملکردهایی دست مییابد که در هیچ جای طبیعت پیدا نمیشود. تکنیکهای یادگیری عمیق برای تضمین صحت محاسباتی این فرایند بسیار حیاتیاند. پس از تکمیل مراحل محاسباتی پروتئینهای جدید از طریق تخمیر ساخته میشوند. به این صورت به نوعی تکامل طبیعی دور زده میشود و مولکولهای کاملا جدید پدیدار میشوند.
۵- شرکت Distributed Bio: انقلابی در آیندهی آنفولانزا، سرطان، نیش مار و …
(سان فرانسیسکو، کالیفرنیا، سال تاسیس ۲۰۱۲، موسس: شرکتlicensing technologies )
در سوی دیگر گسترهی طراحی ها، شرکت Distributed Bio با مهندسی پروتئینها، آنتیبادیهای موجود در بدن را بهینهسازی و تقویت میکند. آنتیبادیها پروتئینهایی در بدن هستند که باکتریها را شناسایی میکنند و با عوامل بیماریزا مبارزه میکنند.
از بین تکنولوژیهای دفاعی متنوعی که این شرکت استفاده میکند به پلتفرم Tumbler میپردازیم. این پلتفرم با استفاده از هوش مصنوعی بیش از ۵۰۰ میلیون آنتیبادی را پرورش میدهد. سپس آنها را بررسی میکند و مطمئن میشود که تا چه اندازه در دنیای واقعی دوام میآورند.
کاربرد هوش مصنوعی در پزشکی + pdf
برای دانلود فایل کاربرد هوش مصنوعی در پزشکی + pdf بر روی لینک زیر کلیک کنید:
جمع بندی نهایی
کاربرد هوش مصنوعی در پزشکی به کمک بشریت آمده تا بتواند سلامت جامعه را بهبود ببخشد. هوش مصنوعی در حال حاضر به ما کمک میکند تا بیماریها را تشخیص دهیم، دارو بسازیم، درمانها را شخصی سازی کنیم، از تکنولوژی زیستمولد استفاده کنیم و حتی ژنها را ویرایش کنیم؛ اما یادمان باشد که اینها همه فقط شروع مسیر است. هر چه بتوانیم بیشتر دادههای خود را تبدیل به صفر و یک کنیم و آنها را یکپارچه کنیم، میتوان به کمک هوش مصنوعی الگوهای ارزشمندتری را پیدا کنیم. و در نهایت میتوانیم با استفاده از این الگوها و فرایندهای پیچیده تحلیلی تصمیمات دقیق و مقرون به صرفهای در عرصهی سلامت بگیریم.
منبع: DATAREVENUE