دانلود ترجمه مقاله هوش مصنوعی در کاردیولوژی

1. اختصارات و مخففات 2. هوش مصنوعی و یادگیری ماشین چگونه با آمار مرتبط می گردند؟ 3. چرا کاردیولوژی به هوش مصنوعی احتیاج دارد؟ 4. نظارت بر یادگیری: طبقه بندی و پیش بینی 5. انتخاب ویژگی 6. مسائل یادگیری ماشین زیست پزشکی 7. دوگانگی 8. بررسی مختصر الگوریتم های یادگیری ماشین نظارت شده در کاردیولوژی 9. نظارت بر یادگیری، شبکه های عصبی، و یادگیری عمیق 10. یادگیری تقویتی 11. پزشکی قلب چه مزایایی از یادگیری ماشین و هوش مصنوعی کسب خواهد کرد؟

هوش مصنوعی و یادگیری ماشینی، تقریباً بر هر جنبه از شرایط انسانی، قرار است تاثیر گذار باشند و کاردیوگرافی (نوار قلب) یک استثناء بر این قاعده نیست. این مقاله، راهنمایی هایی را برای پژشکان در مورد جنبه های مرتبط با هوش مصنوعی و یادگیری ماشینی ارائه می دهد، کاربردهای انتخاب شده این روش ها در کاردیوگرافی صورت گرفته تاکنون را مرور می کند و مشخص می کند که چگونه پزشکی قلبی عروقی می تواند هوش مصنوعی را در آینده بکار گیرد. بخصوص اینکه، این مقاله در ابتدا، مفاهیم مدل سازی پیش بینی کننده مرتبط با کاردیوگرافی مانند انتخاب ویژگی و نقایص فراوان مانند دو شاخه سازی غیرصحیح را بیان می کند. دوم اینکه، در مورد الگوریتم های معمولاً استفاده شده در یادگیری نظارتی بحث می کند و کاربردهای انتخاب شده در رشته های کاردیوگرافی و رشته های مرتبط را مرور می کند. سوم، اختراع یادگیری عمیق و روش های مرتبط را به صورت جمعی که یادگیری غیرنظارتی نامیده می شوند را توضیح می دهد و مثالهای زمینه ای هم در بطور کلی پزشکی و هم بطور خاص پزشکی قلبی عروقی را ارائه می دهد و سپس توضیح می دهد که چگونه این روش ها را می توان برای ممکن سازی کاردیوگرافی دقیق و بهبود پیامدهای بیمار، بکار گرفت. وعده بکار گیری هوش مصنوعی (AI) و یادگیری ماشین در کاردیوگرافی، فراهم کردن یک مجموعه ابزار برای تقویت و گسترش اثربخشی کاردیولوژیست ها می باشد. این امر به چندین دلیل لازم است. معرفی بالینی فنآوریهای غنی از داده، مانند دنباله یابی کل ژنوم و جریان یابی بیومتریک های دستگاه سیار به زودی کاردیولوژیست ها را ملزم می کند که اطلاعات را از بسیاری از زمینه های مختلف بیوپزشکی، تفسیر و اجرایی کند (1-4). بطور همزمان، نصب فشارهای بیرونی در پزشکی، نیاز به بازده عملکردی بیشتر از جانب پزشکان و سیستم های مراقبت سلامت دارد [5]. در آخر اینکه، بیماران بتازگی مراقبت سریعتر و سفارشی تر را طلب کرده اند [6، 7]. به بیان خلاصه، پزشکان با داده هایی که نیاز به تفسیر پیشرفته تر دارند احاطه شده اند، درحالی که انتظار می رود این کارها را به صورت کارآمدتر انجام دهند. راهکار، یادگیری ماشینی است که می تواند هر مرحله از مراقبت بیمار را- از پژوهش و کشف تا تشخیص و انتخاب درمان- بهبود بخشد. در نتیجه، شیوه اجرایی بالینی کاراتر، راحت تر، سفارشی شده تر و موثرتر خواهد شد. علاوه بر آن، داده های آتی فقط در حیطه و محیط مراقبت سلامت، گردآوری و جمع نخواهند شد. ازدیاد و گسترش حسگرهای سیار، به پزشکان آینده امکان نظارت، تفسیر و پاسخ به جریان های اضافه داده های بیوپزشکی گردآوری شده از راه دور و خودکار را فراهم می کند. در این گوشه فنآوری، روشهای معمول برای یادگیری ماشینی را معرفی می کنیم، چندین کاربرد انتخاب شده در کاردیوگرافی را مرور می کنیم و پیش بینی می کنیم که طب قلب و عروق چگونه AI را در آینده در خود شامل می کند (شکل مرکزی).

Artificial intelligence and machine learning are poised to influence nearly every aspect of the human condition, and cardiology is not an exception to this trend. This paper provides a guide for clinicians on relevant aspects of artificial intelligence and machine learning, reviews selected applications of these methods in cardiology to date, and identifies how cardiovascular medicine could incorporate artificial intelligence in the future. In particular, the paper first reviews predictive modeling concepts relevant to cardiology such as feature selection and frequent pitfalls such as improper dichotomization. Second, it discusses common algorithms used in supervised learning and reviews selected applications in cardiology and related disciplines. Third, it describes the advent of deep learning and related methods collectively called unsupervised learning, provides contextual examples both in general medicine and in cardiovascular medicine, and then explains how these methods could be applied to enable precision cardiology and improve patient outcomes. The promise of artificial intelligence (AI) and machine learning in cardiology is to provide a set of tools to augment and extend the effectiveness of the cardiologist. This is required for several reasons. The clinical introduction of data-rich technologies such as whole-genome-sequencing and streaming mobile device biometrics will soon require cardiologists to interpret and operationalize information from many disparate fields of biomedicine (1-4). Simultaneously, mounting external pressures in medicine are requiring greater operational efficiency from physicians and health care systems (5). Finally, patients are beginning to demand faster and more personalized care (6, 7). In short, physicians are being inundated with data requiring more sophisticated interpretation while being expected to perform more efficiently. The solution is machine learning, which can enhance every stage of patient care—from research and discovery to diagnosis to selection of therapy. As a result, clinical practice will become more efficient, more convenient, more personalized, and more effective. Furthermore, the future’s data will not be collected solely within the health care setting. The proliferation of mobile sensors will allow physicians of the future to monitor, interpret, and respond to additional streams of biomedical data collected remotely and automatically. In this technology corner, we introduce common methods for machine learning, review several selected applications in cardiology, and forecast how cardiovascular medicine will incorporate AI in the future (Central Illustration).

ترجمه این مقاله در 19 صفحه آماده شده و در ادامه نیز صفحه 11 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.