استفاده از هوش مصنوعی برای تشخیص بیماری های ژنتیکی

دانشمندان با کمک یک شرکت زیست فناوری در سن دیگو با استفاده از هوش مصنوعی موفق به تشخیص بیماریهای ژنتیکی در کودکان شدند. به گزارش سرویس اخبار فناوری و تکنولوژی تکنا، محققان دانشگاه بهداشت یوتا با همکاری شرکت زیست فناوری فابریک در یک مرحله جدید از علم پزشکی موفق به استفاده از هوش مصنوعی در […]

دانشمندان با کمک یک شرکت زیست فناوری در سن دیگو با استفاده از هوش مصنوعی موفق به تشخیص بیماریهای ژنتیکی در کودکان شدند.

به گزارش سرویس اخبار فناوری و تکنولوژی تکنا، محققان دانشگاه بهداشت یوتا با همکاری شرکت زیست فناوری فابریک در یک مرحله جدید از علم پزشکی موفق به استفاده از هوش مصنوعی در بیمارستان کودکان رادی سن دیگو شدند. این فناوری قادر است بسیاری از اختلالات ژنتیکی کودکان را با دقت بالا تشخیص دهد. سپس پزشکان می توانند پس از تشخیص اولیه اختلال آن را درمان کنند.

 مارک یاندل، نویسنده اصلی این مقاله می گوید: استفاده از فناوری های مبتنی بر هوش مصنوعی به عنوان نقطه عطفی در علم پزشکی شناخته می‌شود که امکان بهبود بیماران را افزایش می دهد. وی استاد ژنتیک انسانی در دانشگاه یوتا است و مقاله این گروه از محققان نیز در مجله ژنومیک مدیسین چاپ شده است. تعداد نوزادان دارای اختلالات ژنتیکی در هر سال حدود ۷ میلیون تولد است. این نوزادان مورد بررسی علل بیماری ژنتیکی قرار میگیرند.

 در این تحقیق نیز تلاش شده است تا توالی یابی 3 میلیارد DNA متشکل از ژنوم انسانی شناسایی شود. در حالت کلی برای شناسایی توالی یابی ژنوم انسان نیاز به روزها و هفته ها خواهد بود. از طرفی نوزادان تازه متولد شده نیاز به تشخیص سریع بیماری دارند. زیرا تشخیص در مدت کوتاهی مانند ۲۴ تا ۴۸ ساعت شانس بهبودی این نوزادان را افزایش می دهد. این گروه از محققان با کمک شرکت الگوریتمی به نام Fabric GEM طراحی کردند تا با کمک هوش مصنوعی خطاهای موجود در DNA را شناسایی کنند. این الگوریتم در نهایت به تشخیص ژن عامل بروز بیماری با موفقیت ۹۲ درصد شد. در حالی که در روش های کنونی تنها ۶۰ درصد تشخیص ژن عامل بیماری با موفقیت همراه است.

پیشنهاد ویژه : قیمت ارز دیجیتال
پیشنهاد ویژه : سرور HP
پیشنهاد ویژه : تعمیر کامپیوتر تهران
پیشنهاد ویژه : ترجمه رسمی آلمانی

پیشنهاد ویژه

خرید بلیط هواپیما فلای تودی

پیشنهاد ویژه

لیست کامل و نرخ لحظه ای ارزهای دیجیتال