آموزش ماشین[1] شاخه‌ای از علوم داده است که در آن کامپیوترها با مشاهده و بررسی مجموعه داده‌های بزرگ، الگوها و الگوریتم‌های مورد نیاز برای انجام یک عمل خاص را یاد می‌گیرند. امروزه الگوریتم‌های آموزش ماشین در جای جای زندگی روزمره‌ی انسان دخیل هستند. از تشخیص و جداسازی ایمیل‌های spam از سایر ایمیل‌ها گرفته تا تشخیص و پیشنهاد بهترین مسیر ممکن در نرم‌افزارهای مسیریابی مانند waze و یا حتی جاروبرقی‌های روباتیک. در بحث پزشکی، ممکن است روزی آموزش ماشین و هوش مصنوعی[2] نحوه‌ی تشخیص و درمان بیماران توسط پزشکان را متحول کند. هم اکنون نیز مطالعات مختلف، پتانسیل و توانایی هوش مصنوعی در تشخیص سرطان [1]، افسردگی [2] و دردهای مزمن [3]، پیش‌بینی خودکشی در انسان‌ها و یا حتی ارائه‌ی پیشنهاد رژیم غذایی انحصاری برای هر فرد دیابتی [4] با استفاده از اطلاعات ژنتیکی و یا تصاویر پزشکی را نشان دادند.
تشخیص بیماری‌ها به کمک کامپیوتر یا CAD[3] بر اساس تصاویر پزشکی یکی از زمینه‌هایی است که تکنولوژی هوش مصنوعی می‌تواند به کمک پزشکان آمده تا تشخیص آنها را بهبود داده و یا در تریاژ کردن بیماران ضروری به پزشکان سرعت ببخشد.
در بحث سکته‌ی مغزی، هموروئید داخل جمجمه و سایر مشکلات نورولوژی حاد، زمان بسیار با اهمیت بوده و تشخیص و درمان سریع بیمار باعث موفقیت پزشک می‌شود. برای مثال، در بخش رادیولوژی یک بیمارستان، متخصص باید تصاویر رادیولوژی گرفته شده از بیماران را به ترتیب ثبت تصاویر بررسی کند. علاوه بر این که بررسی یک تصویر رادیولوژی کاری زمان‌بر است، ممکن است سابقه‌ی بیمار نیز در بررسی مشکل او تاثیر‌گذار باشد. این در حالیست که یک تکنولوژی CAD می‌تواند علاوه بر در نظر گرفتن سابقه‌ی هر بیمار (تصاویر رادیولوژی قبلی او)، چندین عکس را به طور هم‌زمان بررسی کرده و نواحی مشکوک را بر روی تصاویر مشخص کند [5]. برای مثال در مطالعه‌ی [6]، با استفاده از الگوریتم‌های آموزش ماشین، یک سیستم CAD به نحوی طراحی شده تا تصاویر پزشکی به محض ثبت شدن، بررسی شده و کیس‌های حاد برای بررسی بیشتر به رادیولوژیست تریاژ شوند. در این مطالعه با استفاده از الگوریتم‌های شبکه‌های عصبی مصنوعی[4] و [5] و بر اساس تصاویر سیتی اسکن (CT) گرفته شده در بخش اورژانس، به سرعت سکته یا هموروئید را تشخیص داده می‌شود.
با این حال، چالش‌های مهمی در زمینه‌ی تکنولوژی‌های CAD مطرح است. تمامی تکنولوژی‌های مبتنی بر آموزش ماشین باید ابتدا با استفاده از حجم زیادی از داده‌ها آموزش ببینند. برای مثال برای ساخت یک سیستم CAD برای تشخیص سکته با استفاده از تصاویر CT، باید تعداد زیادی از تصاویر CT مربوط به افراد سالم و افرادی که سکته‌ی مغزی داشتند به سیستم CAD معرفی شده تا این سیستم الگوهای مربوط به هر دو دسته را یاد بگیرد. به همین دلیل، این الگوریتم‌ها باید از قبل حجم زیادی از داده‌های متفاوت را بررسی کرده باشد. به عبارت دیگر نمی‌توان یک سیستم CAD را با 2 تصویر CT نُرمال و 3 تصویر CT مربوط به سکته‌ی مغزی آموزش داد. استفاده از تعداد کمِ داده‌های آموزشی منجر به پدیده‌ای به نام بیش‌برازش[6] خواهد شد. بیش‌برازش بدین معناست که سیستم ما داده‌هایی که با آنها آموزش داده شده را به خوبی یاد گرفته، ولی بر روی داده‌های جدید (مثلا عکس‌های CT جدید) عملکرد مطلوبی نداشته باشد.
در آخر لازم به ذکر است که قرار نیست تا سیستم‌های CAD، جایگزین پزشکان در بیمارستان‌ها شده و تصاویر پزشکی را به جای آنها تفسیر کنند. در عوض، هدف این سیستم‌ها کمک به پزشکان برای افزایش کارایی از نظر دقت و سرعت تفسیر تصاویر پزشکی می‌باشد.
[1] Machine Learning
[2] Artificial Intelligence
[3] Computer-aided Diagnosis
[4] Artificial Neural Network
[5] شبکه‌های عصبی مصنوعی، یک الگوریتم آموزش ماشین است که از روی سیستم عصبی انسان توسعه یافته است. در این الگوریتم‌ها، نورون‌ها کوچک‌ترین واحدهای یادگیری بوده که هر کدام آنها بسته به ورودی خود، پتانسیل عمل تولید می‌کند. شبکه‌های عصبی مصنوعی شامل تعداد زیادی از این نورونهاست که هر کدام با یکدیگر در تعامل هستند (خروجی هر نورون وارد یک یا چند نورون دیگر شده و یا به خود آن نورون فیدبک داده می‌شود).
[6] Overfiting
