سامسونگ مدل پایهٔ هوش مصنوعی برای دادههای سلامت میسازد
پژوهشگران Samsung Research روی مدلهای پایهٔ سلامت کار میکنند؛ مدلهایی که بهجای آموزش جداگانه برای هر وظیفه، از حجم بزرگی از سیگنالهای زیستی پوشیدنی الگوهای عمومی را یاد میگیرند. دادههایی مانند ضربان قلب، تغییرپذیری ضربان، حرکت بدن، خواب و فعالیت روزانه میتوانند با یادگیری خودنظارتی تحلیل شوند. هدف این پروژه تشخیص زودهنگام الگوهای غیرعادی و ساخت ابزارهای سلامت شخصیسازیشده است، نه جایگزین کردن پزشک یا صدور تشخیص قطعی. سامسونگ تأکید کرده است که این کار در مرحلهٔ پژوهش قرار دارد و فاصلهٔ میان یک مدل آزمایشگاهی و محصول پزشکی قابل اعتماد همچنان زیاد است.
یادگیری خودنظارتی چیست؟
در یادگیری نظارتشده، نمونههای داده باید با برچسب مشخص همراه باشند؛ مثلاً متخصص تعیین کند یک بازهٔ ضربان قلب مربوط به وضعیت خاصی است. تهیهٔ چنین برچسبهایی گران و زمانبر است و همیشه همهٔ تغییرات بدن را پوشش نمیدهد. در یادگیری خودنظارتی، مدل ابتدا از خود داده وظیفهای برای آموزش میسازد. میتواند بخشی از سیگنال را پنهان کند و بخش گمشده را پیشبینی کند، ترتیب رویدادها را تشخیص دهد یا رابطهٔ حرکت و ضربان را یاد بگیرد. سپس این نمایش عمومی برای وظیفهای مشخص با دادهٔ برچسبدار کمتر تنظیم میشود.
این روش برای پوشیدنیها مناسب است، زیرا دستگاهها در طول روز حجم زیادی داده تولید میکنند، اما برچسب پزشکی دقیق برای هر لحظه وجود ندارد. مدل با دیدن هزاران الگوی خواب، فعالیت و ضربان میتواند ساختارهای مشترک را بیاموزد. پس از آن، پژوهشگر میتواند مدل را برای تخمین یک نشانگر، پیشبینی روند خستگی یا تشخیص تغییر در الگوی خواب آزمایش کند. پیشبینی به معنی اثبات بیماری نیست. هر نتیجه باید در گروههای مختلف، سنین متفاوت و شرایط گوناگون اعتبارسنجی شود تا مدل به ویژگیهای تصادفی داده وابسته نماند.
سیگنالهای بدن و دشواری تفسیر
سیگنال زیستی با متن یا تصویر تفاوت دارد. حرکت دست، شل بودن بند ساعت، رنگ پوست، دمای محیط و محل قرارگیری حسگر میتواند اندازهگیری را تغییر دهد. ضربان ثبتشده هنگام دویدن با ضربان زمان استراحت از نظر کیفیت و زمینه متفاوت است. یک مدل باید بداند داده در چه شرایطی جمع شده است، وگرنه ممکن است نویز را بهعنوان نشانهٔ سلامت تفسیر کند. پاکسازی سیگنال، تشخیص بخشهای نامعتبر و ثبت کیفیت اندازهگیری پیش از آموزش اهمیت دارد. اگر دادهٔ بد بدون علامت وارد مدل شود، خروجی ظاهراً دقیق اما در واقع گمراهکننده خواهد بود.
ترکیب چند حسگر میتواند تصویر کاملتری ایجاد کند. شتابسنج حرکت را نشان میدهد، حسگر نوری ضربان را اندازه میگیرد و دادهٔ خواب زمان استراحت و بیداری را مشخص میکند. مدل چندوجهی میتواند ارتباط میان این سیگنالها را بررسی کند. با این حال، همزمانسازی حسگرها دشوار است و نرخ نمونهبرداری آنها یکسان نیست. مدل باید فاصلهٔ زمانی و تأخیر ثبت را در نظر بگیرد. مصرف باتری نیز محدودیت مهمی است؛ تحلیل دائمی روی خود پوشیدنی میتواند شارژ را سریعتر تمام کند، بنابراین بخشی از پردازش ممکن است به گوشی یا سرور منتقل شود.
کاربردهای احتمالی
سامسونگ به حوزههایی مانند قلب، خواب و فعالیت اشاره کرده است. در بخش قلب، مدل میتواند تغییرات ضربان و واکنش بدن به فعالیت را در طول زمان مقایسه کند. در بخش خواب، زمان بهخوابرفتن، بیدارشدن و دورههای حرکت بررسی میشود. برای فعالیت نیز میزان تحرک، نشستن طولانی و تغییر الگوی روزانه اهمیت دارد. یک ابزار مصرفکننده میتواند روندها را به زبان ساده نمایش دهد و کاربر را به استراحت، حرکت یا مراجعهٔ پزشکی تشویق کند. این قابلیت زمانی مفید است که هشدارها قابل فهم و متناسب با سطح اطمینان مدل باشند.
مدل پایه میتواند برای وظایف تازه نیز تنظیم شود. پژوهشگر لازم نیست برای هر پرسش سلامت یک سامانهٔ کاملاً جدا بسازد؛ میتواند نمایش یادگرفتهشده را با دادهٔ هدف آموزش دهد. این موضوع سرعت پژوهش و آزمایش محصول را بالا میبرد. اما انعطافپذیری خطر هم دارد. اگر مدل روی دادهٔ یک کشور یا یک نوع دستگاه آموزش ببیند، نتیجهٔ آن برای کاربران دیگر ممکن است ضعیف باشد. تفاوت دستگاهها، عادت خواب، شرایط آبوهوا و وضعیت پزشکی باید در طراحی و ارزیابی گنجانده شود.
حریم خصوصی و مالکیت داده
دادهٔ سلامت از حساسترین دادههای شخصی است. کاربر باید بداند اطلاعات خام پوشیدنی در کجا ذخیره میشود، چه مدت باقی میماند و آیا برای آموزش مدل استفاده خواهد شد یا نه. پردازش روی خود دستگاه میتواند خروج داده را کم کند، اما مدل بزرگ ممکن است به توان رایانشی بیشتری نیاز داشته باشد. رمزگذاری در انتقال و ذخیرهسازی، کنترل دسترسی و حذف انتخابی داده، حداقلهای امنیتی هستند. اگر اطلاعات با پژوهشگر یا شرکت دیگری به اشتراک گذاشته شود، باید هدف و سطح ناشناسسازی روشن باشد. ناشناسسازی ساده همیشه کافی نیست، زیرا ترکیب زمان و الگوی فعالیت گاهی میتواند هویت فرد را آشکار کند.
اعتماد کاربر فقط با متن سیاست حریم خصوصی ایجاد نمیشود. رابط برنامه باید تنظیمات داده را قابل فهم نشان دهد و اجازه دهد کاربر میان تحلیل محلی، همگامسازی و مشارکت پژوهشی انتخاب کند. گزارش دسترسی و هشدار دربارهٔ ورود دستگاه جدید نیز اهمیت دارد. شرکت باید برای حذف حساب و دریافت نسخهٔ قابل انتقال داده مسیر مشخص داشته باشد. هرچه کاربرد سلامت جدیتر باشد، استانداردهای امنیتی و نظارت مستقل اهمیت بیشتری پیدا میکنند. اطلاعاتی که برای پیشنهاد خواب جمع شده است نباید بدون توضیح به هدف تبلیغاتی دیگری منتقل شود.
از پژوهش تا محصول پزشکی
یک مدل پایهٔ سلامت برای تبدیل شدن به ابزار پزشکی باید مراحل اعتبارسنجی سختگیرانه را طی کند. پژوهشگر باید عملکرد آن را در گروههای مختلف اندازه بگیرد، نرخ هشدار کاذب را گزارش کند و نشان دهد خروجی در محیط واقعی هم پایدار است. مدل باید در برابر تغییر دستگاه، دادهٔ ناقص و رفتار متفاوت کاربر آزمایش شود. اگر سامانه برای تشخیص یا تصمیم درمانی تبلیغ شود، الزامات قانونی و مسئولیت تولیدکننده بیشتر خواهد شد. شرکت نمیتواند فقط بر یک نمودار جذاب یا یک آزمایش کوچک تکیه کند.
طراحی پیام هشدار نیز بخشی از ایمنی است. عبارت قطعی میتواند کاربر را بیدلیل نگران کند یا باعث شود هشدار مهم را نادیده بگیرد. بهتر است سامانه از زبان احتمالی استفاده کند، زمینهٔ داده را توضیح دهد و پیشنهاد کند کاربر در صورت تداوم وضعیت با متخصص مشورت کند. مدل باید بداند چه زمانی سکوت یا ارجاع به انسان از تولید پاسخ بهتر است. این اصل بهویژه برای کاربران سالمند یا کسانی که بیماری زمینهای دارند اهمیت دارد.
اهمیت مدلهای پایه
مدلهای پایهٔ سلامت میتوانند تحقیق دربارهٔ دادههای پوشیدنی را سریعتر و کمهزینهتر کنند. بهجای آنکه هر تیم از صفر آموزش را شروع کند، میتواند از نمایش عمومی استفاده کند و آن را برای سؤال خود تنظیم نماید. این امر راه را برای خدمات شخصیسازیشده، پژوهش خواب و ابزارهای پایش فعالیت باز میکند. در مقابل، مدل بزرگتر لزوماً منصفانهتر یا دقیقتر نیست. کیفیت داده، نمایندگی گروهها، شفافیت و ارزیابی مستقل همچنان تعیینکننده است.
کار Samsung Research در مجموع بخشی از حرکت صنعت به سمت سلامت دادهمحور است. حسگرهای پوشیدنی میتوانند تغییرات روزانه را بهتر از یک اندازهگیری منفرد نشان دهند، اما تبدیل این تغییرات به توصیهٔ معتبر نیازمند زمینه، پزشک و کنترل کیفیت است. مدل پایهٔ سلامت باید بهعنوان ابزار پژوهشی و کمکتحلیلی دیده شود، نه دستگاه تشخیص خودکار. اگر سامسونگ بتواند امنیت داده، ارزیابی گروههای مختلف و توضیح محدودیتها را همزمان پیش ببرد، این فناوری میتواند پایهای برای نسل بعدی خدمات سلامت دیجیتال باشد.
تاریخ انتشار: ۲۴ شهریور ۱۴۰۵
منبع: Samsung Research
