عطااله پورعباسی ۵ آبان‌ماه، در افتتاحیه کنگره ملی مهندسی پزشکی، هوش مصنوعی و شناختی که در دانشگاه فردوسی مشهد برگزار شد، اظهار کرد: ارزش بازار جهانی نورومارکتینگ در سال ۲۰۲۴، حدود ۱۵ میلیارد دلار بوده و اکنون به ۲۰ میلیارد دلار رسیده است. پیش‌بینی‌ها حاکی از آن است که ارزش این بازار در سال‌های آینده به ۵۳ میلیارد دلار برسد. این بازار پس از هوش مصنوعی، بالاترین نرخ رشد را دارد و از نگاه سیاست‌گذار، بستری ارزشمند برای اشتغال‌زایی دانش‌بنیان به شمار می‌رود.

وی افزود: سهم جمعیت ایران در سال‌های ۲۰۲۵ و ۲۰۲۶ حدود ۱.۱ درصد از جمعیت جهان است. برآورد ما این است که در ۱۰ سال آینده نیز این نسبت جمعیتی حفظ شود، هرچند به دلیل افزایش جمعیت سالمند، ممکن است اندکی کاهش یابد. بنابراین، باید همین سهم را از بازار جهانی فناوری‌های شناختی داشته باشیم؛ در غیر این صورت، برای تأمین نیازهای داخلی خود ناچار به واردات خواهیم بود.

دبیر ستاد توسعه علوم و فناوری‌های شناختی معاونت علمی ریاست جمهوری ادامه داد: حجم بازار فناوری‌های شناختی در کشور حدود ۱۴۰ تا ۱۵۰ میلیون دلار است، در حالی که اگر بخواهیم بر اساس نسبت جمعیتی محاسبه کنیم، بازار ایران باید حدود ۲۵۰ میلیون دلار ارزش داشته باشد.

پورعباسی با اشاره به نیازهای حوزه سلامت تصریح کرد: در بیمارستان‌ها به فناوری‌های عصبی نیاز داریم و در حال حاضر حدود ۳ میلیون بیمار در حوزه نورولوژی داریم که به ایمپلنت‌های مغزی یا تجهیزات کاشتنی نیازمند هستند، در حالی که سالانه کمتر از ۲۰۰ مورد کاشت انجام می‌شود؛ زیرا با محدودیت ابزار مواجه هستیم. بیمار ما باید همان خدماتی را دریافت کند که در مراکز پیشرفته جهانی ارائه می‌شود.

وی بیان کرد: پیش‌بینی می‌شود اگر بخواهیم سهم متناسب با جمعیت خود را از این بازار حفظ کنیم، حجم بازار فناوری‌های شناختی ایران باید به حدود ۶۰۰ میلیون دلار برسد. در حال حاضر، چند گلوگاه میان وضعیت موجود و تحقق این رقم وجود دارد که باید برای رفع آن‌ها برنامه‌ریزی‌های لازم انجام شود.

پورعباسی با اشاره به وضعیت نیروی انسانی این حوزه گفت: تعداد اعضای زیست‌بوم شناختی کشور حدود ۱۰ هزار نفر است که از این تعداد، تنها هزار نفر در حوزه فناوری فعالیت می‌کنند و ۹۰۰۰ نفر دیگر به پژوهش و تولید دانش مشغول هستند. این در حالی است که برای تحقق بازار ۶۰۰ میلیون دلاری، به زیست‌بومی با حدود ۳۰ هزار نفر عضو نیاز داریم. بنابراین، در ۱۰ سال آینده فرصت داریم حدود ۲۰ هزار نفر به اعضای زیست‌بوم خود اضافه کنیم. تربیت ۲۰ هزار نفر با استفاده از نظام‌های مرسوم آموزش عالی امکان‌پذیر نیست؛ بنابراین باید به مدل‌های متفاوتی از جمله توسعه آموزش‌های مهارتی و تکمیلی فکر کنیم.

دبیر ستاد توسعه علوم و فناوری‌های شناختی معاونت علمی ریاست جمهوری افزود: در افق سال ۲۰۳۴، یعنی ۱۰ سال آینده، باید تعداد اعضای زیست‌بوم شناختی کشور به ۳۰ هزار نفر برسد که از این تعداد، حدود ۶۰۰۰ نفر باید در حوزه فناوری فعالیت کنند؛ زیرا پژوهشگر به‌تنهایی به توسعه بازار کمک نمی‌کند. این فناوران برای نقش‌آفرینی به بستری نیاز دارند که همان اکوسیستم شرکت‌های دانش‌بنیان کشور است.

داده‌های هوش مصنوعی مبنای قانون‌گذاری و سیاست‌گذاری هستند

در ادامه عبدالرضا جوان‌جعفری -رئیس دانشگاه فردوسی مشهد- با اشاره به مطرح بودن موضوعی با عنوان «عدالت آماری» در حوزه جرم‌شناسی اظهار کرد: در این رویکرد، جمعیت هدف قرار می‌گیرد و بر اساس مخاطراتی که هر قشر با آن مواجه است، مدیریت ریسک طراحی می‌شود. بر این اساس، گروه‌های پرخطر از جمله مهاجران، فقرا و طبقه پایین جامعه شناسایی می‌شوند تا تصمیم‌های لازم درباره آن‌ها اتخاذ شود.

وی افزود: این گروه‌ها در کانون توجه قوانین و دستگاه‌های قضایی قرار می‌گیرند؛ در حالی که اعمال و خسارت‌های افراد طبقه بالا هیچ‌گاه در فهرست اهداف قانون جای نمی‌گیرند. همین سیاست‌گذاری و نظارت بر گروه‌های خاص باعث می‌شود دور باطلی از داده‌های هوش مصنوعی شکل بگیرد.

رئیس دانشگاه فردوسی مشهد تصریح کرد: اگر از هوش مصنوعی پرسیده شود چه کسی مستحق زندان و چه کسی مستحق جریمه نقدی است، پاسخ می‌دهد احتمال ارتکاب جرم از سوی طبقه پایین بیشتر است و بنابراین، فرد باید به زندان برود؛ اما احتمال ارتکاب جرم در طبقه بالا کمتر است و در نتیجه، جریمه نقدی برای آن کافی خواهد بود.

جوان‌جعفری با اشاره به اینکه حتی با فرض بی‌طرف بودن داده‌های هوش مصنوعی نیز نمی‌توان به نتایج آن اعتماد مطلق داشت، تأکید کرد: داده‌ها و این آمارها، با وجود دقت، الزاماً صحیح نیستند و حتی در صورت صحت نیز لزوماً درست نیستند و ممکن است با عدالت، وجدان و احساس اجتماعی سازگار نباشند.

پیوند علوم شناختی با مهندسی و روانشناسی

 منوچهر مرادی سبزواری -معاون پژوهش و فناوری دانشگاه تهران- نیز در این کنگره با اشاره بر اهمیت شناخت سازوکارهای ذهن و رفتار انسان تاکید کرد: باید فناوری‌هایی را طراحی کنیم تا بتوانند با محیط، تعامل مؤثرتری داشته باشند و وظایف پیچیده‌تری را انجام دهند.

مرادی سبزواری همچنین به ظرفیت بازی‌های رایانه‌ای و بازی‌های جدی در تقویت و ارزیابی برخی توانایی‌های شناختی از جمله حافظه، تمرکز، سرعت عمل و حل مسئله اشاره کرد و گفت: بهره‌گیری هدفمند از این ابزارها می‌تواند زمینه‌های تازه‌ای برای پژوهش و آموزش فراهم کند.

وی با بیان کاربرد علوم شناختی در شناخت بهتر اختلال طیف اوتیسم، یادآور شد: توجه به ویژگی‌های رفتاری و حسی افرادی که اوتیسم دارد برای طراحی ابزارهای متناسب با نیازهای آنان ضروری است. همکاری میان متخصصان علوم شناختی، روان‌شناسی و مهندسی می‌تواند به طراحی ابزارهای تعاملی و بازی‌های هدفمند برای شناخت بهتر ویژگی‌های فردی و کمک به فرایند ارزیابی و مداخله منجر شود.

کمبود داده‌های برچسب‌گذاری‌شده از چالش‌های یادگیری ماشین در پردازش سیگنال‌های مغزی است

در ادامه محمدباقر شمس‌اللهی -عضو هیئت علمی دانشگاه صنعتی شریف-  اظهار کرد: هدف از پردازش سیگنال، دستیابی به اطلاعاتی درباره سامانه‌ای است که سیگنال از آن به دست آمده است. در مهندسی پزشکی، این رویکرد برای بررسی عملکرد اندام‌ها، تحلیل سیگنال‌های زیستی و کمک به تشخیص بیماری‌ها به کار می‌رود.

وی افزود: سیگنال‌های قلبی و مغزی از جمله سیگنال‌های زیستی هستند که تحلیل آن‌ها می‌تواند اطلاعات ارزشمندی درباره وضعیت بدن فراهم کند. با توجه به ماهیت پیچیده و گاه غیرخطی و غیرایستای این سیگنال‌ها، استخراج اطلاعات مفید از آن‌ها به روش‌های پردازشی مناسب نیاز دارد.

این عضو هیئت علمی دانشگاه صنعتی شریف با اشاره به کاربردهای پردازش سیگنال‌های مغزی بیان کرد: تشخیص بیماری‌های روانی و شناختی، از جمله اختلال طیف اوتیسم و اختلال نقص توجه و بیش‌فعالی و بررسی بیماری‌های عصبی مانند ام‌اس، پارکینسون و آلزایمر از جمله کاربردهای این روش‌هاست. همچنین می‌توان از سیگنال‌های مغزی برای ارزیابی خستگی، استرس، توجه، هوشیاری، تشخیص مراحل خواب و شناسایی یا پیش‌بینی تشنج استفاده کرد.

وی ادامه داد: در فناوری رابط مغز و رایانه نیز تلاش می‌شود با تحلیل سیگنال‌های مغزی، قصد فرد شناسایی و به فرمانی برای کنترل یک سامانه تبدیل شود؛ برای مثال، تشخیص تصور حرکت دست راست یا چپ می‌تواند در کنترل تجهیزات مورد استفاده قرار گیرد.

چالش‌های یادگیری ماشین در تحلیل سیگنال‌های مغزی

شمس‌اللهی با بیان اینکه طبقه‌بندی و رگرسیون از مسائل اصلی یادگیری ماشین هستند، گفت: در طبقه‌بندی، داده‌ها در گروه‌های مشخص قرار می‌گیرند؛ مانند تشخیص وجود یا نبود یک بیماری. در رگرسیون، هدف تخمین یک مقدار پیوسته است؛ برای مثال، تعیین شدت یک وضعیت یا تخمین مسیر حرکت دست از روی سیگنال‌های مغزی.

وی یکی از چالش‌های مهم این حوزه را استخراج ویژگی‌های مناسب از داده‌های خام دانست و افزود: ویژگی‌های حوزه زمان و فرکانس، ویژگی‌های مکانی و بررسی ارتباط میان کانال‌های مختلف مغزی می‌توانند در تفکیک داده‌ها مؤثر باشند. در روش‌های یادگیری عمیق نیز بخشی از این ویژگی‌ها به‌صورت خودکار استخراج می‌شود، اما انتخاب مدل مناسب و دسترسی به داده‌های کافی همچنان اهمیت دارد.

این استاد دانشگاه با اشاره به تفاوت سیگنال‌های افراد مختلف تصریح کرد: ممکن است مدلی که با داده‌های یک فرد آموزش دیده است، برای فرد دیگری همان عملکرد را نداشته باشد. بنابراین، تعمیم مدل‌ها به افراد جدید یکی از مسائل مهم پژوهشی است و روش‌هایی مانند انتقال یادگیری و فرایادگیری برای استفاده از دانش قبلی و کاهش نیاز به آموزش مجدد گسترده توسعه یافته‌اند.

وی کمبود داده‌های برچسب‌گذاری‌شده را از دیگر موانع این حوزه برشمرد و اظهار کرد: در بسیاری از کاربردهای پزشکی، داده‌ها باید بر اساس ارزیابی متخصصان برچسب‌گذاری شوند و تهیه حجم کافی از این داده‌ها دشوار است. استفاده از روش‌های افزایش داده، مدل‌های بنیادین و یادگیری خودنظارتی می‌تواند به کاهش وابستگی به داده‌های برچسب‌دار کمک کند.

شمس‌اللهی با اشاره به فعالیت‌های پژوهشی گروه خود بیان کرد: یکی از مسیرهای تحقیقاتی، ترکیب روش‌های کلاسیک پردازش سیگنال با الگوریتم‌های یادگیری ماشین است. مدل‌هایی مانند فیلتر کالمن و مدل‌های مخفی مارکوف برای مدل‌سازی و تخمین وضعیت سامانه‌ها استفاده می‌شوند و ترکیب آن‌ها با روش‌های یادگیری می‌تواند به بهبود تحلیل داده‌ها کمک کند.

وی افزود: در یکی از پژوهش‌های انجام‌شده، از ترکیب خروجی طبقه‌بندهای مبتنی بر کانال‌های مختلف سیگنال برای بهبود تشخیص مراحل خواب استفاده شده است. در رویکردی دیگر نیز کانال‌های مختلف مغزی به‌عنوان گره‌های یک شبکه در نظر گرفته شده‌اند تا روابط میان آن‌ها در فرایند طبقه‌بندی به کار گرفته شود.

این عضو هیئت علمی دانشگاه صنعتی شریف خاطرنشان کرد: استفاده از شبکه‌های عصبی برای تخمین پارامترهای مدل‌های دینامیکی نیز از دیگر زمینه‌های پژوهشی است که امکان تلفیق مدل‌سازی کلاسیک با یادگیری ماشین را فراهم می‌کند. بهبود پردازش سیگنال‌های زیستی به کیفیت داده‌ها، استخراج ویژگی‌های مناسب و افزایش قابلیت تعمیم مدل‌ها وابسته است. ترکیب روش‌های کلاسیک با رویکردهای جدید یادگیری ماشین می‌تواند زمینه توسعه کاربردهای دقیق‌تر در مهندسی پزشکی را فراهم کند.

تفاوت نوآوری دانشگاهی و تجاری؛ نیاز جامعه پیش‌شرط تجاری‌سازی است

سپس سیدعلی موسوی‌شایق -عضو هیات علمی دانشگاه علوم پزشکی مشهد- اظهار کرد: کارآفرینی مجموعه‌ای از فعالیت‌هاست که باید بر پایه نیاز واقعی جامعه بنا شود؛ تنها در این صورت است که تقاضا برای محصول ایجاد شده و امکان تجاری‌سازی آن فراهم می‌شود.

وی بر ضرورت مدیریت پروژه‌محور در حوزه‌های بین‌رشته‌ای تاکید کرد و گفت: در پزشکی از آنجا که اجزای بدن انسان یک سیستم واحد را تشکیل می‌دهند، ارائه راهکار در این حوزه مستلزم حضور یک مدیر پروژه است تا بتواند اعضای تیم را با هم هم‌راستا کرده و به یک «ادبیات مشترک» برساند.

عضو هیات علمی دانشگاه علوم پزشکی مشهد خاطرنشان کرد: در همکاری میان تیم‌های پزشکی و مهندسی، تخصص‌ها مکمل یکدیگرند و نباید با نگاهی سلسله‌مراتبی به کار نگریست، بلکه تمرکز باید بر نحوه مشارکت و تعیین دقیق نقش هر فرد در فرآیند کارآفرینی باشد. فقدان دانش تخصصی، کمبود تجربه حضور در بازار و عدم آگاهی از مسیر تجاری‌سازی از جمله موانع اصلی در این فرآیند است.

انتهای پیام