Machine Learning for Healthcare Informatics: Techniques and Applications

از الگوریتم یادگیری ماشین تا یک مسئله واقعی در سلامت

کتاب Machine Learning for Healthcare Informatics: Techniques and Applications مجموعه‌ای پژوهش‌محور از کاربردهای یادگیری ماشین و یادگیری عمیق در تحلیل داده‌های سلامت است. برخلاف کتاب‌هایی که آموزش الگوریتم‌های Machine Learning را از مبانی آغاز می‌کنند، این اثر عمدتاً بر مسئله، داده، طراحی مدل و ارزیابی عملکرد آن در کاربردهای واقعی تمرکز دارد؛ از تحلیل تصاویر X-ray و MRI گرفته تا تشخیص سرطان، پردازش EEG، شناسایی متون مرتبط با سلامت و تحلیل شبکه‌های زیستی.

فصل‌های کتاب توسط گروهی از پژوهشگران حوزه‌های هوش مصنوعی، علوم کامپیوتر و پردازش داده تدوین شده‌اند و در بسیاری از آن‌ها معماری مدل، مجموعه‌داده مورد استفاده، مراحل آماده‌سازی داده و نتایج آزمایش‌ها به‌صورت مشخص بررسی می‌شود. در نتیجه، کتاب بیش از آنکه یک متن مقدماتی درباره انفورماتیک پزشکی باشد، مجموعه‌ای از مطالعات کاربردی Machine Learning و Deep Learning است.

تصویربرداری پزشکی یکی از محورهای اصلی کتاب

بخش قابل‌توجهی از مطالب به استفاده از شبکه‌های عمیق در تصاویر پزشکی اختصاص دارد. تشخیص COVID-19 و سایر بیماری‌های ریوی از تصاویر قفسه سینه، تعیین محل نواحی درگیر در Chest X-ray، پیش‌بینی سرطان پستان، تشخیص سرطان ریه از CT و شناسایی تومور مغزی در تصاویر MRI نمونه‌هایی از این کاربردها هستند.

یکی از فصل‌ها از ensemble-based transfer learning برای segmentation تومور مغزی در MRI استفاده می‌کند و فصل دیگری ResNet-101 را برای تشخیص تومورهای مغزی به‌صورت fine-tuned به کار می‌گیرد. در حوزه پوست نیز تشخیص ضایعات پوستی و سرطان پوست با ترکیبی از CNN، attention و ensemble learning بررسی شده است.

این تنوع باعث می‌شود خواننده بتواند نحوه انتقال مفاهیمی مانند convolutional neural networks، transfer learning، attention و ensemble modeling را از فضای نظری به مسائل تصویربرداری پزشکی مشاهده کند.

سرطان، بیماری‌های گوارشی و پزشکی محاسباتی

سرطان یکی از پرتکرارترین کاربردهای پزشکی کتاب است. علاوه بر سرطان پستان، پوست، مغز و ریه، روش‌های یادگیری عمیق برای classification بیماری‌های دستگاه گوارش نیز بررسی می‌شوند. در این بخش، نویسندگان به explainable learning، cost-sensitive learning و supervised contrastive learning توجه کرده‌اند؛ موضوعاتی که در داده‌های پزشکی، به‌ویژه هنگام عدم توازن کلاس‌ها یا نیاز به تفسیر خروجی مدل، اهمیت ویژه‌ای دارند.

کتاب همچنین از سطح تصویر فراتر می‌رود. برای مثال، یک فصل از تحلیل ترتیبی شبکه‌ها برای شناسایی hub geneهای بالقوه مرتبط با سل و بیماری‌های غیرواگیر همراه آن استفاده می‌کند و نمونه‌ای از پیوند میان Machine Learning، تحلیل شبکه و داده‌های زیستی ارائه می‌دهد.

از EEG تا پردازش زبان در داده‌های سلامت

دامنه داده‌های مورد استفاده در کتاب تنها به تصاویر محدود نیست. یک فصل به پردازش سیگنال‌های EEG و استفاده از scalogram، transfer learning و انتخاب ویژگی می‌پردازد و فصل دیگری روش‌های Deep Learning را برای شناسایی متن سلامت به زبان بنگالی بررسی می‌کند.

این تنوع داده‌ای برای پژوهشگرانی که می‌خواهند تفاوت طراحی pipelineهای یادگیری ماشین برای image، signal، text و biological network data را ببینند، از نقاط قابل توجه مجموعه است.

نکته مهم درباره دامنه محتوای کتاب

با وجود عنوان کاملاً سلامت‌محور کتاب، همه 17 فصل آن مستقیماً به پزشکی و مراقبت سلامت اختصاص ندارند. چند فصل درباره تشخیص بیماری گیاهان، بیماری برگ Black Gram و شناسایی آفات کشاورزی با Transfer Learning و CNN هستند.

این فصل‌ها از نظر روش‌شناسی با موضوع اصلی کتاب—یعنی کاربرد Machine Learning، Computer Vision و Transfer Learning—مرتبط‌اند، اما از نظر موضوعی خارج از Healthcare Informatics قرار می‌گیرند. بنابراین خواننده‌ای که انتظار دارد تمام کتاب صرفاً درباره داده‌ها و کاربردهای پزشکی باشد باید این نکته را در نظر داشته باشد.

در مقابل، همین فصل‌ها امکان مقایسه استفاده از معماری‌های مشابه در domainهای متفاوت را نیز فراهم می‌کنند و نشان می‌دهند چگونه یک تکنیک یادگیری عمیق را می‌توان برای مسائل طبقه‌بندی تصویری در حوزه‌های مختلف بازطراحی کرد.

مناسب برای پژوهش و توسعه مدل، نه آموزش مقدماتی پزشکی

ساختار کتاب برای دانشجویان تحصیلات تکمیلی، پژوهشگران Medical AI، Health Informatics، Biomedical Engineering، Computer Science و Medical Image Analysis مناسب‌تر است؛ به‌خصوص افرادی که با مبانی Machine Learning و Deep Learning آشنایی اولیه دارند و به دنبال نمونه‌های اجرایی و پژوهشی هستند.

وجود جزئیات مربوط به methodology، dataset و experimental results در فصل‌ها می‌تواند برای طراحی پایان‌نامه، مقایسه معماری‌ها یا شناخت روش‌های متداول در AI پزشکی مفید باشد. از سوی دیگر، پزشک یا متخصص سلامت بدون پیش‌زمینه محاسباتی احتمالاً این اثر را بیشتر به‌عنوان منبع آشنایی با نمونه‌های پژوهشی هوش مصنوعی خواهد دید تا یک راهنمای بالینی.

در مجموع، کتاب تصویری کاربردمحور از نقش یادگیری ماشین در انفورماتیک سلامت ارائه می‌دهد؛ تصویری که بیشترین تمرکز آن بر تشخیص مبتنی بر تصویر، Deep Learning، Transfer Learning و تحلیل محاسباتی داده‌هاست و در کنار آن چند مطالعه خارج از حوزه پزشکی نیز برای نمایش دامنه کاربرد این تکنیک‌ها گنجانده شده است.