کیونپ درپزشکی

کیونپ در پزشکی

بنابر گفته دنیس چانگ ، رهبر تیم QuAI QNAP فعالان و توسعه دهندگان حوزه هوش مصنوعی، دیدن نتیجه سودمند و ثمر بخشی فعالیت های انجام شده به نفع مردم، بسیار خوشحال کننده می باشد. توسعه هوش مصنوعی و امکان بهره وری از آن در صنایع مختلف بسیار کارآمد بوده است. درواقع تمامی مشاغل و صنایع برای عملکرد بهتر و مطلوب تر میتواند همکاری لازم را با هوش مصنوعی و جنبه های مختلف آن را داشته باشند. برنامه های تحت نظارت هوش مصنوعی، در بسیاری از صنایع و مشاغل بخش عمده ای از نیاز های واقعی را برآورده می سازد؛ با این حال، به این معنا نیست که این تکنولوژی به عنوان جایگزینی برای مشاغل و صنایع مختلف باشد؛ بلکه مهم این است که هوش مصنوعی، چگونه میتواند به انسان در بهره وری و نتیجه گیری مطلوب در حوزه کاری و تکمیل انواع مشاغل و صنایع کمک برساند و درنهایت اقتصادهای مقیاسی دقیق تری ایجاد کند.
 

اعضای تیم qual

انتقال اطلاعات به دانش

Qnap در 14 سال گذشته از طریق تمرکز بر نوآوری محصول ثابت، برای ایجاد بازتعریف نگهداری متصل به شبکه (nas) و ذخیره سازی بهتر تلاش کرده است. علاوه بر این همواره متذکر بوده که چگونگی و سرعت گسترش علم و فناوری مهم نیست بلکه ارزش هسته در خود داده ها قرار دارد. مهمترین اعتقاد کیونپ، که او را در سفر نوآوری هدایت میکند بر این اصل استوار است که زنجیره ارزش داده ها از انبار داده شروع شده و پس از تحلیل داده ها هوش دانش بسط میابد. Qanp  در سال 2018 با راه اندازی برنامه توسعه نرم افزار هوش مصنوعی سیستم هایnas با ظرفیت بالا و ویژگیهای هوشمند ارزانی میدارد و امکان آموزش، ایجاد و بهینه سازی مدل های هوش مصنوعی بر روی کیونپ را به دانشمندان و توسعه دهندگان خواهد داد.

به دلیل توانایی های نامحدود خدمات و برنامه های که از فناوری های مرتبط با هوش مصنوعی استفاده می نمایند انتظار از این توانایی ها تا حد زیادی بالا میرود اما با این حال، نیاز به محیط های محاسباتی هوش مصنوعی به طور قابل توجه ای همگام با پیشرفت های تکنولوژیکی افزایش یافته است. توسعه یافتن تیم  qual با هدف در دسترس قرار دادن هوش مصنوعی، برای توده ی بیشتری از مردم به جهت بهره بری افراد بیشتر از این تکنولوژی میباشد. NAS علاوه بر یک یک سرور آموزشی سریع برای مدل های کیس استادی یا مورد کاوی، به عنوان یک سرور استدلال نیز میتواند عمل کند. لازم به ذکر است که سرویس های هوش مصنوعی در NAS به طور قابل توجه ای پیچیدگی تنظیمات برای ذخیره سازی داده ها  و پیکر بندی شبکه را کاهش میدهد؛ در نتیجه با کاهش مانع ورودی D&D توسعه کیس استادی امکان پذیرتر و قابل دسترس خواهد بود.

دانشمندان اطلاعاتی در Qnap با شناسایی مشکلات مربوط به کاربردهای تجاری، داده ها و روش های مناسب را مجزا می کنند و با استفاده از هوش مصنوعی برای حل مشکلات تجاری اقدام مینمایند.

کیونپ و مطالعه موردی هوش مصنوعی در پزشکی 

در فوریه 2018 تیم qual در طی دیدار با یک تیم موسسه تحقیقاتی پزشکی در تایوان و چندین متخصص و استاد پزشکی، امکان قرار دادن و مطالعه موردی هوش مصنوعی در پزشکی مورد بحث و تبادل نظر قرار گرفت. طبق گفته دنیس چانگ رهبر تیم، با انتخاب یک میدان نبرد و با در نظر گرفتن عامل کلیدی داده ها، الگوریتم و قابلیتهای محاسباتی همانند تصویربرداری های پزشکی همچون ام آر آی که از طریق فناوری های پردازش تصاویر غیر تهاجمی صورت میگیرد؛ پزشکان با استفاده از این تصاویر و با تکیه بر تجربیات خود، در رابطه با تومورها و بیماریهای دیگر تشخیص و اظهار نظر می نمایند؛ در این میان به دلیل ظرافت بالا در تصویربرداری ها امکان تشخیص درست، درصد خطا بالا میرود؛ درواقع میزان تجربه و مهارت پزشک در امر تشخیص درست، موثر است. Qnap با استفاده از فناوری هوش مصنوعی، باعث افزایش دقت تفسیر پزشک در تصویربرداری ها میشود و در نهایت با افزایش کارایی، در بهبود عملکرد خدمات پزشکی بسیار موثر خواهند بود.

لازم به ذکر است که تیم qual علاوه بر نیاز به تصاویر زیاد برای آنالیز مسائل پزشکی، باید از دانش حرفه ای پزشکان برای تسهیل برچسب و دسته بندی داده های پزشکی نیز بهره لازم را ببرد؛ تا به تدریج به یک مدل خواندن و تفسیر اطلاعات و تحلیل تجربی از طریق الگوریتم های شبکه عصبی دست یابد. این فرایند برای بهینه سازی الگوریتم و ایجاد یک مدل تشخیصی که با تصاویر پزشکی سرو کار دارد تکرار میشود. 

کیونپ و تکنولوژی هوش مصنوعی در تشخیص سرطان چشم

در بیماری سرطان چشم (maculopathy) با افزایش سن، بخش مرکزی شبکیه چشم دچار انحطاط میشود. ماکولیا یک ناحیه کوچک در مرکز شبکیه چشم میباشد که وظیفه دید مرکزی را بر عهده دارد. با انحطاط ماکولیای چشم در اثر افزایش سن، دید مرکزی تار و دید محیطی دست نخورده باقی میماند؛ این اختلال عمدتا بر وظایف نزدیک به چشم مانند مطالعه تاثیر میگذارد. این بیماری معمولا در افراد مسن بالای پنجاه و پنج سال رخ میدهد؛ به طور میانگین 15 درصد از جمعیت مسن جهان با این بیماری دست و پنجه نرم میکنند که در بیشتر افراد بالای 65 سال بینایی یک چشم از دست رفته و برخی از بیماران 70 سال به بالا ممکن است بینایی هر دو چشم را از دست بدهند.
 
بر اساس تحقیقات به عمل آمده میانگین ابتلا به بیماری ماکولا مربوط به افزایش سن، روبه کاهش است و افرادی که بیشتر از تلفن همراه استفاده میکنند درمعرض بیشتر ابتلا به این بیماری قرار میگیرند. این بیماری در مراحل اولیه ابتلا علائم مشخصی ندارد به همین دلیل در مراحل میانی و یا پایانی بیماری، پزشک متوجه بیماری در فرد خواهد شد؛ درواقع اگر تشخیص زود هنگام صورت پذیرد پزشکان با روش های درمانی نتیجه بخش تا حد زیادی از پیشرفت بیماری میتوانند جلوگیری نمایند. بیماری ماکولای مرتبط با افزایش سن را از طریق اتحاد نوری oct میتوان ردیابی کرد. به این صورت کرد که از طریق روش نوری retinal تصویر شبکیه نوری چشم بیمار بدست می آید؛ سپس برای تعیین اینکه آیا ضایعه به علت تورم ناحیه macular diabetic مربوط به افزایش سن میباشد؛ مورد بررسی قرار میگیرد و در نهایت، درمان متناسب با تشخیص پزشک صورت میگیرد. لازم به ذکر است که این بیماری در دو نوع ظاهر میشود. ماکولای مرطوب و ماکولای خشک؛ در نوع ماکولای مرطوب زوال بینایی نشات گرفته از hyperplasia رگ های خونی چشم میباشد که منجر به ترشح مایعات و خونریزی مغزی در بیمار خواهد شد که به مراتب خطرناک تر از نوع خشک این بیماری میباشد. نوع خشک بیماری ماکولای چشم در حال حاضر هیچگونه درمانی ندارد و به بیمار توصیه میشود که با استخر رفتن به صورت مداوم همواره چشم را در حالت مرطوب نگه دارد. تکنیک oct تصاویر سه بعدی و عرضی، ناحیه ماکولای چشم را به اندازه دو تا پنج میکرون اندازه گیری و تصویر بسیار دقیقی از ماکولای چشم را در عرض سه ثانیه خواهد گرفت. بنابراین ساختار ضایعه ماکولار را با  استفاده از فلورئسنت های نوری میتوان مشاهده کرد اما به دلیل وقت گیر بودن و نشان ندادن تمامی جزئیات، تفسیر بیماری از روی این تصاویر کاری دشوار و نیازمند طی کردن مراحل آموزشی طولانی  و تجربه بسیار بالای پزشک میباشد. بر اساس تحقیقات به عمل آمده پزشکان و بازرسان محلی در مناطق روستایی محروم با امکانات پزشکی محدود توانایی و اطمینان کافی برای تشخیص درست بیماری را ندارند. بنابراین تکنولوژی هوش مصنوعی این امکان را فراهم می نماید تا علاوه بر تشخیص درست و زود هنگام، بیماران زودتر در روند درمان قرار گرفته و بینایی خود را از دست نخواهند داد.  

 
کیونپ ذخیره سازی اطلاعات تصاویر oct با هوش مصنوعی

اولین و مهمترین چالش پیشرو تکنولوژی هوش مصنوعی در خصوص بیماری ماکولار، ذخیره سازی داده های پزشکی در یک فضای ذخیره سازی اطلاعات مناسب برای مقادیر انبوهی از تصاویر oct میباشد. اطلاعات پزشکی ذخیره شده که کاملا محرمانه میباشد ممکن است که در مدت طولانی و قانونی هفت سال در سیستم ذخیره ساز اطلاعات باقی بماند. بنابراین ذخیره سازی داده ها مطابق با قانون پاسخگویی و انتقال بیمه سلامت(hipaa)، نیازمند پشتیبانی و ذخیره سازی قوی می باشد. بر اساس سطح بالای امنیتی ارائه شده توسط qnap nas و بر اساس قانون سلامت، این مجموعه موافقت خود را برای ارتقا و گسترش بیشتر نرم افزار مراقبت های پزشکی و درمانی اورتانک اعلام کرد. این نرم افزار هوش مصنوعی خدمات و تصویربرداری پزشکی حرفه ای با تبدیل کردن nas به سیستم پردازش تصویر و ارتباطات به طور قابل توجه ای جریان کار پردازش تصاویر پزشکی را افزایش میدهد. بنابراین با ذخیره سازی داده های تصویربرداری پزشکی بر روی nas استفاده از viewer advanced مبتنی بر وب بسیار آسانتر خواهد شد. 
 با پشتیبانی qnap nas از hipaa  بسیاری از موسسات پزشکی مختلف قادر به ارسال مقادیر زیادی از داده ها به ts-1685 مرکزی مطابق با مشخصات امنیتی از طریق nas می باشند. تیم qual  با استفاده از اتصال gb10  qnap nas  توانست مقادیر زیادی از داده ها و اطلاعات پزشکی را در مدت زمان کوتاه جمع آوری نماید. علاوه بر این رهبر تیم، نرم افزار همگام سازی فلاش ترکیبی qnap  را به جهت پشتیبانی از تمامی پرونده های پزشکی پیکربندی کرد. در این تکنولوژی پیشرفته اگر بر حسب اتفاق، داده ای حذف شود یا تغییری در آن ایجاد شود؛ تابع snapshot اقدام به بازیابی اطلاعات متغیر و حذف شده میکند. بعد از اطمینان خاطر نسبت به ایمنی اطلاعات ذخیره شده، تیم با قرار دادن فایل dicom برای پزشکان این امکان را فراهم میسازند تا با پایین و بالا کشیدن تصاویر مربوط به بیمار از طریق برچسب های dicom تصاویر را ارسال کرده و با سرعت هرچه تمام تر تصاویر ارسالی مورد تحلیل و بررسی قرار گیرد.
مهم ترین مزیت داشتن nas  به عنوان پایه گذار dicom علاوه بر صرفه جویی در بخشهای it بیمارستان، به پزشکان این امکان را خواهد تا از طریق تلفن همراه تصاویر بیماران را به‌وسیله برنامه اورتانک به راحتی به nas ارسال نمایند.

مرحله یادگیری اجرای qual  و jupyterhub nc  در کیونپ

تیم  QuAI تصمیم گرفت از TS - ۱۶۸۵ که از دوازده دیسک سخت ۳.۵ اینچی و ۴ / ۵ اینچی SSDs پشتیبانی می‌کند، استفاده کند. این سیستم با پردازنده end ® Intel  کار می‌کند و با امکان نصب یک کارت گرافیکی Nvidia  عملکرد تسریع شده را فراهم ‌آورده تا از قدرت محاسبه کافی برای اجرای محاسبات کیس استادی توسط ts-1685 اطمینان حاصل   شود. سیستم‌عامل operating - QTS - QTS - features - features passthrough for برای تخصیص یک کارت گرافیکی در هوش مصنوعی است. بنابراین، عملکرد TS - ۱۶۸۵ با ایستگاه کاری حرفه‌ای هوش مصنوعی، با هزینه کم‌تر و با مالکیت TCO سازگار است.  در مقایسه با برنامه حسابرسی پیچیده عمومی "solutions AI"، ذخیره ترابایت داده روی TS  با ظرفیت بزرگتر، از نظر اقتصادی قابل دوام است.

تیم qual با استفاده از نرم افزار آزاد jupyterhub   قابل اجرا بر روی qanp nas به جهت اجرای الگوریتم های هوش مصنوعی و برای تسهیل برنامه ریزی الگوریتم ها در این نرم افزار از روش زبان ترجمه استفاده و دستورها به صورت پی در پی اجرا کرد. علاوه بر این  برنامه نویسی مشارکتی بین تیم با تجسم آسان و سندسازی داده ها، تسهیل شد.
تیم qual در رابطه با بیماری ماکولار از طریق جمع آوری ده ها هزار تصویر پزشکی oct و همکاری با شش نفر از پزشکان حرفه ای، تصاویر را بر اساس شرایط انحطاط ماکولا در طول یک ماه برچسب می زنند. سپس Ts-1685 از طریق پردازش تصاویر آینه ای و حذف تصاویر نامعتبر و کسب مقادیر زیادی داده ی با کیفیت بالا، به بررسی مجدد تصاویر میپردازد.

تیم QuAI با تقسیم نمونه ها به نسبت از پیش تعیین شده بین مجموعه داده های آموزش و مجموعه داده های اعتبار سنجی، آنها را به یک TS-1685 نصب شده با سیستم عامل توسعه نرم افزار QuAI وارد کرده و با بررسی و آموزش مکرر TS-1685 کل فرآیند برای بیش از 100 پیکربندی آزمایشی تکرار میشود ، که طی آن پارامترها به طور مداوم برای عملکرد بهینه تنظیم می شوند. پس از اتمام روش آزمایشی و تکمیل شدن مدل مقدماتی هوش مصنوعی روی TS-1685 داده های اصلی به عنوان مجموعه داده های آزمون برای آزمایش و تست صحت مدل و پیکربندی بهینه ساز تعریف شدند و از آن به جهت تعریف اهداف یادگیری استفاده شد.

مدل AI در طول مراحل آموزش و آزمایش فقط با طی مدت زمان دو ماه توانست میزان دقت 95 درصدی را که بسیار بالاتر از تفسیر دستی بود بدست بی آورد. TS-1685 برای شناسایی تصاویر OCT به کمتر از 100 میلی ثانیه نیاز دارد. مدل هوش مصنوعی تکمیل شده به راحتی می تواند در چندین QNAP NAS به کار گرفته شود ، و سپس NAS به عنوان یک سرور استنتاج عمل می کند تا به بیمارستان های مختلف اجازه دهد همزمان از سیستم تشخیصی ماکولوپاتی مربوط به سن استفاده کنند. بنابراین ، NAS در سازمان ها و موسسات مختلف که قادر به دسترسی اطلاعات مرکزی هستند میتواند به جمعیت بیشتری از مردم خدمت کند.

با گذشت حدودی پنج ماه، تیم qual نتایج پرثمری را ارائه داد. فناوری و سیستم تشخیص هوش مصنوعی در خصوص بیماری ماکولای چشم وابسته به سن، این امکان را برای پزشکان فراهم میکند تا با سریع ترین و بی خطاترین روش ممکن، تشخیص درست و به هنگامی را داشته باشند.

رهبر تیم QuAI به نمایندگی از اعضای تیم گفت: "ما خوشحالیم که می بینیم نتایج تحقیقات ما برای سلامتی مردم مفید است. توسعه آینده هوش مصنوعی باید در همکاری نزدیک با همه صنایع پیش برود ، تا برنامه های بیشتری برای هوش مصنوعی توسعه یابد. برای پاسخگویی به نیازهای واقعی. همه صنایع همچنین باید امکان تلفیق هوش مصنوعی را در سطوح مختلف بررسی کنند. آنچه باید در نظر بگیریم انواع مشاغل نیست که بطور بالقوه با هوش مصنوعی جایگزین شوند بلکه چگونگی کمک هوش مصنوعی به انسانها در انجام مشاغل بیشتر و مقیاس اقتصادی دقیق تر است. " تیم QuAI در تلاش است تا برنامه های پزشکی بیشتری را کشف کند و خدمات پزشکی با کمک هوش مصنوعی با دقت بالا ، از جمله تعیین توالی ژن NGS ، تشخیص تومور مغزی، آنالیز تومور و رادیوتراپی را توسعه دهد. امید است که با تلاش هم مردم و هم دولت، تایوان بتواند در آینده نزدیک به یک رهبر جهانی در زمینه هوش مصنوعی تبدیل شود.