یک گام در مسیر ساخت مغز انسان

فوجیتسو و MIT فناوری هوش مصنوعی الهام‌گرفته از مغز انسان را توسعه دادند

0

کمبریج، ماساچوست‌ و توکیو، ۹ دسامبر ۲۰۲۱ – شرکت فوجیتسو و مرکز مغزها، ذهن‌ها و ماشین‌ها (CBMM) که مقر آن در موسسه‌‌ فناوری ماساچوست (MIT) است، در یک ابتکار مشترک برای ایجاد بهبود در دقت مدل‌های هوش مصنوعی (AL) به نقطه عطف مهمی دست یافته‌اند.
نتایج همکاری پژوهشی بین فوجیتسو و CBMM در مقاله‌ای منتشر شده‌ و در آن از یک‌سری اصول محاسباتی بحث می‌شود که از علم عصب‌شناسی الهام گرفته شده است تا مدل‌های هوش مصنوعی را قادر سازند که اطلاعات داده‌نشده‌ای را که از داده‌های آموزشی اصلی کاملا جدا شده‌اند، تشخیص دهد. اطلاعات داده‌نشده یا همان اطلاعات OOD ، به اطلاعات خارج از داده‌های آموزشی می‌گویند.
نکات مهم مقاله در NeurIPS 2021 (کنفرانس سیستم‌های پردازش اطلاعات عصبی) ارائه خواهد شد تا پیشرفت‌های حاصل در افزایش میزان دقت مدل‌های هوش مصنوعی را نشان دهند.

ظهور شبکه‌های عصبی عمیق (DNNs) در سال‌های اخیر به یک تنوع رو به افزایش در برنامه‌های کاربردی دنیای واقعی برای فناوری‌های یادگیری ماشین و هوش مصنوعی از جمله کارهایی مانند تشخیص نقص برای صنعت تولید و تصویربرداری تشخیصی در حوزه‌ پزشکی کمک کرده است. اگر‌چه این مدل‌های هوش مصنوعی گاهی مواقع می‌توانند عملکردی برابر یا بهتر از عملکرد انسان نشان دهند، اما چالش‌ها همچنان باقی می‌مانند زیرا دقت تشخیص در مواردی رو به کاهش می‌رود. از جمله زمانی که شرایط محیطی مثل نور و زاویه‌دید (پرسپکتیو) به طور قابل‌توجهی با شرایط محیطی تعریف‌شده درمجموعه داده‌های مورد استفاده در طول فرآیند آموزش متفاوت باشد.

برای حل این مسئله، محققان فوجیتسو و CBMM پیشرفت مشترکی در شناخت و درک مبانی هوش مصنوعی داشته‌اند به طوری که امکان تشخیص داده‌های OOD با دقت بالا را از طریق تقسیم شبکه‌های عصبی عمیق(DNN) به ماژول‌هایی مثل شکل و رنگ (در میان سایر ویژگی‌ها) فراهم می‌کند. آنها رویکرد منحصر‌به‌فردی را برگزیده‌اند که الهام‌گرفته از ویژگی‌های شناختی انسان و ساختار مغز او‌ست. همان‌طور که در مقاله‌‌ ارائه‌شده از سوی این گروه در کنفرانس NeurIPS 2021 نشان داده شده است، یکی از مدل‌های هوش مصنوعی که با استفاده از این فرآیند ساخته شده بود، در یک ارزیابی که در آن با شاخص CLEVR-CoGenT دقت تشخیص تصویر را اندازه‌گیری می‌کردند، به عنوان دقیق‌ترین مدل رتبه‌بندی شد.

دکتر سیشی اوکاموتو، یکی از اعضای کمپانی فوجیتسو می‌گوید: از سال‌۲۰۱۹ فوجیتسو در تحقیقاتی مشترک با مرکز CBMM که متعلق به دانشگاه MIT است، شرکت کرده ‌تا ما بتوانیم به درک خودمان در این خصوص که چگونه مغز انسان اطلاعات را برای تولید رفتار هوشمندانه با هم ترکیب می‌کند، عمق بیشتری بدهیم‌ و به دنبال آن باشیم که چگونه به ساخت یک هوش مصنوعی با چنین قابلیتی تحقق بخشیم و چگونه از این دانش که به حل مشکلات فعلی صنایع مختلف و عمومیت مردم کمک می‌کند، نهایت استفاده را برده باشیم. این دستاورد نقطه عطف بزرگی برای توسعه‌‌ فناوری هوش مصنوعی در آینده است که می‌تواند ابزار جدیدی را برای مدل‌های آموزشی ارائه دهد. به طوری که این ابزار بتواند به‌طور انعطاف‌پذیر به موقعیت‌های مختلف پاسخ دهد و حتی داده‌های ناشناخته‌ای را که به طور قابل‌توجهی با داده‌های آموزشی اصلی متفاوت است،  با دقت بالا تشخیص دهد و ما مشتاقانه منتظر آن امکانات هیجان‌انگیز دنیای واقعی هستیم که این فناوری می‌تواند درهای آنها را به روی ما باز کند (با خود به ارمغان بیاورد).

دکتر توماسو پوگیو، دارای نشان علمی Eugene McDermott Professor ، از دپارتمان مغز و علوم شناختی (علوم ذهن‌شناسی) دانشگاه MIT و مدیر مرکز مغزها، ذهن‌ها‌ و ماشین‌ها می‌گوید: وقتی شرایط اطلاعات خارج از داده‌های آموزشی را می‌سنجیم (OOD)، شکاف قابل‌توجهی بین شبکه‌های عصبی عمیق (DNNs) و انسان‌ها وجود دارد که در کارکردهای هوش مصنوعی به‌شدت ایجاد اختلال می‌کند، به ویژه از لحاظ ایمنی و شفافیت. تحقیقات الهام گرفته‌شده از علوم اعصاب ممکن است منجر به فناوری‌های جدیدی شوند که قادر به غلبه بر سوگیری مجموعه‌داده‌ها هستند. نتایجی که تاکنون در این برنامه‌‌ تحقیقاتی به‌دست آمده، گام خوبی در این راستاست.

کاربردهای احتمالی در آینده ممکن است شامل ساخت نوعی هوش مصنوعی برای نظارت بر ترافیک شود که می‌تواند به تغییرات شرایط مختلف و مشاهدات گوناگون پاسخ دهد و همچنین هوش مصنوعی دیگری که در تصویربرداری تشخیصی در حوزه‌ پزشکی کاربرد دارد و می‌تواند انواع مختلف ضایعات را به‌درستی تشخیص دهد.

  • درباره‌‌ این روش جدید

یافته‌های این تحقیقات بر این واقعیت متمرکز است که مغز انسان می‌تواند با دقت تمام اطلاعات بصری را جمع‌آوری و طبقه‌بندی کند، حتی اگر درشکل و رنگ اشیایی که مشاهده می‌کنیم، تفاوت‌هایی وجود داشته باشد. این روش جدید نوعی  شاخص منحصربه‌فرد را محاسبه می‌کند که برمبنای نحوه‌‌ مشاهده‌ یک شیء توسط نورون‌ها و همین‌طور چگونگی طبقه‌بندی تصاویر ورودی توسط شبکه‌های عصبی عمیق (DNN) است. این مدل، افزایش شاخص موردنظر را به منظور ارتقای تشخیص موثرتر نمونه‌داده‌های OOD هدف تشدید می‌کند.تا به امروز فرض بر این بود که بهترین روش ساخت یک مدل هوش مصنوعی با دقت تشخیص بسیار بالا، تنظیم شبکه‌های عصبی عمیق (DNN) به عنوان یک ماژول واحد و بدون تقسیم‌بندی آن است. اگرچه، محققان فوجیتسو و CBMM با تقسیم DNN به ماژول‌های جداگانه بسته به شکل، رنگ‌ و دیگر ویژگی‌های اشیاء بر اساس شاخص جدید توسعه‌یافته، با موفقیت به دقت تشخیص بالاتری دست یافته‌اند.

  • برنامه‌های آینده

فوجیتسو و CBMM امیدوارند که در آینده یافته‌های خود را برای توسعه‌ و ارتقای هوش مصنوعی بیشتر اصلاح کنند تا این مدل جدید بتواند قضاوت‌های انعطاف‌پذیری مانند انسان داشته باشد و در نتیجه، امکان به‌کارگیری آن در زمینه‌های مختلفی مانندتولید و مراقبت‌های پزشکی ایجاد شود.

درباره‌‌ فوجیتسو

فوجیتسو شرکت پیشرو ژاپنی در زمینه‌‌ فناوری اطلاعات و ارتباطات (ICT) است که طیف کاملی از خدمات، راه‌حل‌ها و محصولات فناوری را ارائه می‌دهد. تقریبا ۱۲۶هزار کارمند فوجیتسو در بیش از ۱۰۰ کشور از مشتریان پشتیبانی می‌کنند. ما از تجربه و قدرت اطلاعات و ارتباطات برای شکل‌دادن به آینده‌ جامعه با مشتریان خود استفاده می‌کنیم. شرکت سهامی فوجیتسو (بورس اوراق بهادار توکیو : ۶۷۰۲) درآمد تلفیقی ۳.۶ تریلیون ین (۳۴ میلیارد دلار آمریکا) را برای سال مالی منتهی به ۳۱ مارس ۲۰۲۱ گزارش کرده است. برای اطلاعات بیشتر، لطفا به
www.fujitsu.com مراجعه کنید.

درباره‌‌ مرکز مغزها، ذهن‌ها و ماشین‌ها در (MITCBMM)

یک مرکز چندنهادی علوم و فناوری NSF که مقر آن در MIT است که به توسعه‌‌ شناخت و درک هوش انسانی بر مبنای محاسبات و ایجاد یک تکنیک مهندسی براساس همان شناخت پرداخته است. مرکز CBMM دانشمندان کامپیوتر، دانشمندان علوم شناختی‌ و دانشمندان علوم اعصاب را گرد هم می‌آورد تا زمینه‌‌‌ پژوهشی جدیدی را ایجاد کند؛ یعنی حوزه‌‌ علم و مهندسی هوش.

این کار تا حدودی از سوی مرکز مغزها، ذهن‌ها‌ و ماشین‌ها (CBMM) پشتیبانی شد، با بودجه‌‌ جایزه‌ NSF STC به شماره‌‌ CCF – ۱۲۳۱۲۱۶

چگونه هوش مصنوعی در پزشکی انسان‌ها را مداوا خواهد کرد؟

جان لیلیوایت، تحلیلگر و نویسنده در زمینه تکنولوژی با الکس زاوورونیکف و آنامیکا مهتا در مورد فعالیت‌های شرکتشان صحبت کرده است. الکس زاوورونیکف در سال ۲۰۱۴ شرکت انسیلیکومدیسن را تاسیس کرد.

تخصص شرکت انسیلیکومدیسن استفاده از هوش‌مصنوعی به منظور ساخت دارو، توسعه نشانگرزیستی و تحقیقات کهن است. آنامیکا مهتا، سخنگوی شرکت انسیلیکومدیسن از چگونگی تاثیر پروژه‌های پیشگام شرکتشان بر فعالیت‌های پزشکی در آینده خبر داد.

دنیایی را تصور کنید که قدرت کامپیوتر تنها راهی برای ساخت داروها نیست، بلکه نشانه‌های بیماری را قبل از بروز در بدنتان تشخیص می‌دهد. انسیلیکومدیسن تنها یک استارتاپ نیست، بلکه راهی برای اعتباربخشی به عنوان یک مدل تجاری است.

افرادی که با جنجال‌های شرکت خدمات پزشکی ترانوس آشنا هستند، سختی‌های مدل تجاری استارتاپ‌های پزشکی را درک می‌کنند. شرکت خدمات سلامت و تجهیزات آزمایشی ترانوس، در سپتامبر سال ۲۰۱۸ منحل شد و بنیانگذارانش به جرم کلاهبرداری دستگیر و محاکمه شدند.

ترانوس استارتاپی در زمینه تست خون بود که ۴۰۰ میلیون دلار از سرمایه‌گذاران سیلیکون‌ولی دریافت کرد و بیش از ۹میلیارد دلار پیش از بسته‌شدن شرکت به دست آورد. چیزی که شرکت‌های دارویی به دنبال آن هستند، تنها تحلیل هوش‌مصنوعی در بخش‌های پزشکی نیست.

آنها به دنبال فروش در بازار نیز هستند. به نظر می‌رسد شرکت‌های تکنولوژی و علوم که درراستای مفهوم هوش‌مصنوعی هستند، در آینده نزدیک اعتبارات و تجارت را تسخیر می‌کنند. اینسیلیکومدیسن و گروهش در ایده‌آل‌ترین حالت ممکن به درک و چگونگی کارهای تکنولوژی کمک می‌کند. شرکت اینسیلیکومدیسن به احتمال زیاد در امارات متحده عربی پیشرفت می‌کند.

با توجه به هشدارهایی که به شرکت‌های دارویی براساس هوش‌مصنوعی داده می‌شود، آنامیکا مهتا دوره‌ای را برای بررسی شکست شرکت‌های پزشکی طراحی کرده است. در این دوره، مهتا و زاووریونکف با بررسی نگرش‌های مختلف، چگونگی ترکیب هوش‌مصنوعی و بیوتکنولوژی را بررسی می‌کنند.

آنامیکا مهتا در این مورد می‌گوید: «اگرچه به نظر می‌رسد مطالعات کافی در زمینه علوم و تکنولوژی انجام گرفته، اما در این مورد به مطالعات بیشتری نیاز است. اکثر مطالعات ثابت می‌کنند که تکنیک‌های ساده‌ای مثل یوگا و مدیتیشن برای رهایی از استرس وجود دارد.

با این حال، حتی اگر برای ۲۱ روز با دقت این حرکات را انجام دهید، تغییرات مولکولی در بدن شما نشان می‌دهد که این تکنیک‎ها باعث ایجاد نشانه‌‎های استرس شده‌اند.» مهتا در ادامه صحبت‌هایش را اینگونه توضیح می‌دهد: «به عنوان مثال، اگر شما تحت فشارهای استرسی باشید، سطح کورتیزول در بدنتان افزایش می‌یابد.

اولین قدم آموزش هوش مصنوعی برای شناسایی نشانگر‌های زیستی است.» برای شناسایی تغییراتی که در بدن ایجاد می‌شود، شناسایی نشانگر‌های زیستی اهمیت بسزایی دارد، زیرا ممکن است با تغییرات معکوس، بیماران درمان شوند.

اگر شما استرس داشته باشید، تغییرات مولکولی در بدن شما موجب بیماری‌های مزمنی چون سرطان می‌شود. اگرغذای مناسبی نداشته باشید، درنهایت دچار بیماری‌هایی نظیر دیابت یا بیماری سوخت‌و‌ساز بدن می‌شوید. این مثال‌ها برای همه‌‌ ما آشنا‌ست.

اما چیزی که تغییر کرده‌، پیشرفت‌های علم ژنومیک است. این پیشروی به پزشکان این امکان را می‌دهد تا با استفاده از عکس‌های مولکولی از تغییرات کوچکی که در بدن اتفاق می‌افتد و موجب بیماری می‌شود، اطلاع پیدا کنند. دیابت یا بیماری‌های قلبی هیچ‌گاه یکدفعه ظاهر نمی‌شوند.

اما طبق گفته مهتا، «در سطوح مولکولی می‌توان آنها را دید». به عبارتی، با داشتن تصاویر ساختار مولکولی یا ماتریکس ساختارها می‌توانیم از وقوع بیماری‌هایی مثل بیماری قلبی یا حتی سرطان مطلع شویم. چه می‌شد اگر می‌توانستیم به کامپیوترآموزش دهیم تا به صورت خودکار سطوح مولکولی تمام انسان‌ها را تشخیص دهد؟ در آن صورت چه اتفاقی می‌افتاد؟

همچون بسیاری چیز‌ها در هزاره جدید، رسیدن به اهداف تاریخی با دو چیز شروع می‌شود؛‌ داده‌های بسیار و تصاویر گربه‌ها. بله، تصاویرگربه‌ها. مهم‌ترین مسئله آموزش به کامپیوتر است. با این آموزش، کامپیوتر تصاویرفوری مولکولی را تشخیص می‌دهد، همچنین تصویرصورت یک گربه را در پایگاه داده از میان ۲۵۰میلیون عکس دیگر جدا می‌کند.

در واقع آموزش یک کامپیوتر برای تشخیص یک گربه، ممکن است در آینده باعث تشخیص و کمک به درمان سرطان شود. این جادوی داده را به نام یادگیری عمیق نیز می‌شناسند. همچنین یادگیری عمیق از مولفه‌های مرکزی تمام اشکال هوش مصنوعی است. این مولفه‌ها شامل اتومبیل‌های بدون سرنشین، اپلیکیشن روسی پریسما و جست‌وجوگرتصاویر گوگل می‌شود.

در حال حاضر، داده‌های پخش‌شده‌ای از صورت گربه‌ها منتشر شده است؛ داده‌هایی که تفاوت چشم گربه را با چشم انسان و یا سگ نشان می‌دهد. برنامه‌های نوشته‌شده در کامپیوتر با استفاده از شبکه‌های عصبی تصاویر را تشخیص می‌دهد.

این برنامه‌ها به ظاهرساده هستند، اما در حقیقت اینطور نیست، زیرا برنامه‌نویسی خطی نیست. در حال حاضرکامپیوترها با تحلیل داده‌ها و الگوهای برنامه‌نویسی‌شده می‌توانند تصاویر گربه را شناسایی کنند. در نهایت فرایند یادگیری عمیق، شما را به سمت چیزی که هستید، هدایت می‌کند.

امروز به فرایند یادگیری عمیق برچسب هوش مصنوعی را می‌زنیم. به اعتقاد مهتا، زمانی که کار برنامه‌نویسی تمام می‌شود و وقتی سیستم را برای تشخیص آموزش داده‌اند، با انتشار ویدئو یا تصویر گربه، کامپیوتر آن را تشخیص می‌دهد.

کامپیوتر شما بعد از برنامه‌نویسی به اندازه‌ای باهوش شده ‌که حتی اگر چشم یا نشانه‌ای از گربه ببیند، به سرعت آن را شناسایی می‌کند. زاوورونیکف از این ابرانسان هوش‌مصنوعی بارها صحبت کرده است. او در زمان ارائه‌ای در اسکایپ، اسلایدهایی را نشان داد که این فناوری نوظهور را ثابت می‌کرد.

زاوورونیکف می‌گوید: «رنسانس واقعی در این زمینه از سال ۲۰۱۰ شروع شد.» در سال ۲۰۱۵، یادگیری عمیق از دقت در تشخیص چهره فراتر رفت و به دقت در تشخیص متن رسید. علاوه بر این، انسان را با تشخیص و دقت در صدا به ابرانسان نزدیک می‌کند.

با وجود قانع‌کننده بودن مواردی که زاوورونیکف و مهتا مطرح کردند، آیا این مسئله کمکی به کسب درآمد می‌کند؟ در این زمان که هزینه‌های پزشکی در امارات متحده عربی، آمریکا و تمام دنیا افزایش یافته است، آیا هوش مصنوعی می‌تواند درمصرف مواد و محصولات دارویی صرفه‌جویی کند؟

چطور شرکت‌های کوچکی مثل اینسیلیکومدیسن در صنعت داروسازی میلیون‌ها دلار برای ساخت یک دارو هزینه می‌کنند؟ بسیاری از شرکت‌های داروسازی قربانی اندازه شرکت می‌شوند. به گفته‌ زاوورونیکف، شرکت‌های داروسازی افرادی را به جنگل‌های آمازون و جزایری نادر می‌فرستند تا مولکول‌های جدید را پیدا کنند.

این شرکت‌ها بایگانی عظیمی از مولکول‌ها‌ست؛ مولکول‌هایی که کورکورانه توسط روبات‌ها ‌روی سلول‌های انسانی و باکتری‌ها آزمایش می‌شود. مشاهدات زاوورونیکف که به عنوان یکی از منابع اینسیلیکو چاپ شده بود، در جایزه جامعه شیمی آمریکا برنده شد.

در همین راستا، گروه اینسیلیکو پیشنهاد یک خط تولید و فروش دارو برپایه هوش‌مصنوعی را داد. به عقیده زاوورونیکف، با استفاده از این روش‌ها، آنها قادر خواهند بود نسل جدیدی از مولکول‌ها را دریافت و سپس ‌روی موش‌ها و در نهایت روی مدل‌های انسانی آزمایش کنند.

زاوورونیکف ادعا می‌کند که استفاده از هوش مصنوعی، نیاز به شرکت‌های داروسازی و امکانات عظیم روباتیک را کمرنگ می‌کند، در نتیجه شما تنها به زیرزمین کوچکی به عنوان آزمایشگاه نیاز دارید تا به پیش‌بینی‌های خود اعتبار ببخشید. به هر حال، ممکن است ۹۵ درصد از آزمایش‌های پزشکی شما درمورد سرطان شکست بخورد و یا دهه‌ها طول بکشد.

مدیرعامل شرکت اینسیلیکون‌مدیسن با اشاره به طولانی‌شدن فرایند کشف داروهای جدید، می‌گوید: «در اکثرمواقع شرکت‌های دارویی شکست می‌خورند، زیرا شرکت‌ها بیش از ۲۰۰ هزاردلار برای درمان بیماران هزینه می‌کنند؛ هزینه‌ای که برای این شرکت‌ها هیچ بازگشتی ندارد. شرکت‌ها تنها خواستار افزایش تحقیق و پیشرفتشان هستند.» براساس توضیحات مهتا درمورد خط تولید داروهای شرکت اینسیلیکومدیسن، کار آنها سه گام ساده دارد. به عنوان مثال، آزمایش خون یکی از نمونه‌های حیاتی است.

سپس ما ماشین‌هایی را آموزش می‌دهیم که از شبکه‌های تحلیلگر استفاده می‌کنند و براساس داده‌ها پزشکان داروساز، دارویی را می‌سازند. در نهایت داروهای جدید را در بازارها امتحان می‌کنیم. به گفته مدیرعامل شرکت اینسیلیکومدیسن، مزیت هوش‌مصنوعی در این است که مولکول‌هایی که ۲۰ سال برای شناسایی زمان لازم دارند را با استفاده از مدل‌های حیوانی امتحان و شناسایی می‌کند.

سیسستم پزشکی در سراسر دنیا با ورود هوش مصنوعی تغییریافته است. یکی از دلایلی که ثابت می‌کند هوش مصنوعی انقلابی در صنعت داروسازی است، سرعت ساخت و قیمت ارزان داروها‌ست. از طرفی بیگ دیتا حوزه‌ای عمومی نیست، زیرا این داده‌ها برای پیشرفت هوش مصنوعی حیاتی هستند.

همچنین از طریق تکنیک‌های یادگیری عمیق، بازار مشترکی میان شرکت‌های داروسازی قدرتمند و آزمایشگاه‌های بیوتکنولوژی در آینده شکل می‌گیرد. با شروع و ادامه این همکاری‌های مشترک قیمت دارو نیز تغییر می‌کند.

این همکاری‌های فرهنگی و هوش مصنوعی توسط افرادی مثل ایلان ماسک حمایت می‌شود. هوش مصنوعی باز (OPEN AI) توسط ایلان ماسک، موسس تسلا و سم آلتمن مدیر شرکت وای کامبینیتر تاسیس شده است. هدف از ساخت هوش مصنوعی باز، اختراع و پژوهش ‌روی هوش مصنوعی باز عمومی برای بازگویی و پیشرفت است، زیرا قدرت هوش مصنوعی پتانسیل تغییرشکل دادن دولت‌ها و تمام صنایع را دارد.

این سازمان حرکات و اطلاعات مختلف تعیین‌شده‌ای را بازبینی می‌کند، برای تنظیم تعادل و مطمئن ساختن تکنولوژی‌هایی که به‌سادگی قدرتمند نمی‌شوند. باید علاقه‌های شخصی در بخش‌های پزشکی را در نظر بگیریم و داده‌ها و دسترسی‌های تکنولوژی هوش مصنوعی را کنترل کنیم.

اینسیلیکو شاید اولین شرکتی باشد که در حوزه پیشرفت مواد مغذی فعالیت می‌کند. این شرکت هوش مصنوعی را قاعده‌مند می‌کند. زاوورونیکف ازسیستم مدیریت داده و داده‌کاوی استفاده می‌کند. سیستم‌های داده‌کاوی که شرکت اینسیلیکومدیسن از آن استفاده می‌کند، براساس تحقیقی از ایان جی گودفلو، محقق دانشگاه استنفورد و گوگل برین است. چه می‌شد اگر هوش‌مصنوعی به‌سادگی یک تغییرمولکولی را انجام دهد؟ چه اتفاقی می‌افتاد اگر این پیشرفت‌ها حقیقتا باعث درمان بیماری‌ها شود؟

هوش مصنوعی به کامپیوترها خلاقیت را می‌آموزد. زاوورونیکف می‌گوید: «زمانی که ما کار قانونی انجام می‌دهیم، می‌توانیم انواع مختلفی از داروها را برای بیماری‌های مزمن بسازیم. نه فقط می‌توانیم سرطان را درمان کنیم، بلکه بیماری‌های دیگری را نیز درمان خواهیم کرد.

در واقع سرطان تنها قدم اول است.» با توجه به گزارش پروژه‌های سلامتی در امارات متحده عربی، این کشور۱۹٫۵ میلیارد دلار تا سال ۲۰۲۰ در این حوزه به دست خواهد آورد، به طور میانگین این قیمت ۱۲٫۷ درصد افزایش می‌یابد که نشان‌دهنده این است که هوش مصنوعی انقلابی در صنعت پزشکی به راه انداخته است و شکاف موجود در صنعت پزشکی خاورمیانه را پر می‌کند.

ارسال دیدگاه
امتیاز بدهید

آدرس ایمیل شما منتشر نخواهد شد.