برنامه جدید هوش مصنوعی در تلفن همراه می تواند به بهبود تشخیص HIV کمک کند:

دانشمندان از فناوری هوش مصنوعی (AI) برای کمک به متخصصان بهداشت برای تفسیر دقیق تر نتایج آزمایش HIV استفاده کرده اند. محققان دانشگاه کالج لندن (UCL) و انستیتوی تحقیقات بهداشتی آفریقا (AHRI) برنامه ای را ایجاد کرده اند که می تواند نتایج آزمایش HIV را از تصویری که توسط کاربران نهایی روی دستگاه تلفن همراه گرفته شده بخواند. این برنامه همچنین ممکن است بتواند نتایج را به سیستم های بهداشت عمومی در آینده گزارش دهد.

این مطالعه به منظور بررسی اینکه آیا یک برنامه هوش مصنوعی می تواند تصمیمات آزمایش HIV را که توسط پرستاران و کارکنان بهداشت جامعه با استفاده از آزمایش جریان جانبی در مناطق روستایی آفریقای جنوبی گرفته شده است ، پشتیبانی کند ، ایجاد شده است. این تحقیق در Nature Medicine منتشر شده است.

استفاده از الگوریتم AI برای تشخیص HIV:

در مرحله اول ، یک تیم متشکل از 60 کارگر آموزش دیده در AHRI به ساخت کتابخانه ای متشکل از بیش از 11000 تصویر از آزمایشات HIV در کوازولو-ناتال ، آفریقای جنوبی پرداختند که از یک ابزار بهداشتی تلفن همراه و پروتکل ضبط تصویر ساخته شده توسط UCL استفاده می کند .

سپس تصاویر توسط UCL به عنوان داده های آموزشی برای الگوریتم یادگیری ماشین آنها استفاده شد. آنها مقایسه کردند که الگوریتم تصاویر را به صورت منفی یا مثبت طبقه بندی کرده است ، در حالی که کاربران نتایج آزمایش را با چشم تفسیر می کنند.

 پروفسور راشل مک کندری ، از مرکز نانوتکنولوژی UCL لندن و بخش پزشکی UCL ، گفت: "این مطالعه یک همکاری واقعا قوی با AHRI است که قدرت استفاده از یادگیری عمیق را برای طبقه بندی موفقیت آمیز" سریع " تصاویر را نشان می دهد ، و تعداد خطاهایی را که ممکن است هنگام خواندن نتایج آزمون با چشم اتفاق بیفتد کاهش می دهد. این تحقیق نشان دهنده تأثیر مثبتی است که ابزارهای بهداشتی موبایل می توانند در کشورهای با درآمد کم و متوسط داشته باشند و زمینه را برای مطالعه گسترده تری در آینده فراهم می کند.

در یک مطالعه میدانی آزمایشی بر روی پنج کاربر با تجربه های مختلف ، از پرستار گرفته تا کارکنان بهداشت جامعه تازه آموزش دیده ، شرکت کنندگان از یک برنامه تلفن همراه برای ضبط تفسیر 40 نتیجه آزمایش HIV و گرفتن تصویری از آزمایشات استفاده کردند که به طور خودکار توسط آنها خوانده می شود. همه شرکت کنندگان قادر به استفاده از برنامه بدون آموزش بودند.

کاهش خطاها:

طبقه بندی کننده یادگیری ماشینی قادر به کاهش خطاها در خواندن RDT ها بود ، و تصاویر RDT را با دقت 98.9٪ به طور کلی طبقه بندی کرد. یک مطالعه قبلی در مورد کاربران با تجربه متفاوت در تفسیر RDT های HIV نشان داد که دقت بین 80٪ و 97٪ متفاوت است.

بیماری های دیگری که RDT می تواند از آنها پشتیبانی کند شامل مالاریا ، سل ، آنفلوانزا و بیماری های غیرواگیردار است.

دکتر کوبوس هربست ، سرپرست دانشکده علوم جمعیت AHRI ، افزود: "این مطالعه نشان می دهد که چگونه رویکردهای یادگیری ماشینی می توانند از مجموعه داده های بزرگ و متنوعی که از جنوب جهانی در دسترس است بهره مند شوند ، اما در عین حال پاسخگوی اولویت ها و نیازهای محلی بهداشت هستند."

پروفسور دینان پیلای ، مدیر سابق AHRI ، از UCL Infection & Immununity ، گفت: "همانطور که تحقیقات بهداشت دیجیتال به جریان اصلی جریان می یابد ، نگرانی های جدی همچنان وجود دارد که آن دسته از جمعیتهایی که در سراسر جهان بیشترین نیاز را دارند ، به اندازه افراد با درآمد بالا سود نخواهند برد. کار ما نشان می دهد که چگونه با مشارکت و تعامل مناسب می توانیم سودمندی و سود را برای افرادی که در محیط های کم درآمد و متوسط هستند فراهم کنیم. "

201000401.088