پایان عطسه و آبریزش بینی؟ هوش مصنوعی به جنگ آلرژی می‌رود!
این سیستم هوش مصنوعی که توسط محققان دانشگاه تگزاس در آرلینگتون، دانشگاه نوادا و ویرجینیا تک توسعه یافته است، تشخیص دانه‌های گرده ریز درختان کاج و صنوبر را که حتی با میکروسکوپ‌های با وضوح بالا نیز به سختی قابل تشخیص هستند، بسیار آسان‌تر می‌کند.
فرارو، یک سیستم هوش مصنوعی جدید برای هدف قرار دادن گرده درختان عامل آلرژی توسعه یافته است. این کاربرد هوش مصنوعی نشان‌دهنده پتانسیل آن در بهبود کیفیت زندگی روزمره و سلامت عمومی از طریق مدیریت دقیق و پیش‌بینی عوامل محیطی است. آلرژی‌های فصلی بر میلیون‌ها نفر تأثیر می‌گذارند. با استفاده از هوش مصنوعی برای شناسایی و هدف قرار دادن منابع گرده، می‌توان پیش‌بینی‌های دقیق‌تری ارائه داد و حتی راهکارهای مداخله‌ای (مانند مدیریت فضای سبز شهری) را بهینه‌سازی کرد. این یک نمونه عالی از هوش مصنوعی به عنوان یک ابزار “پزشکی پیشگیرانه” در مقیاس وسیع است.
به گزارش فرارو به نقل از ScienceDaily، این سیستم هوش مصنوعی که توسط محققان دانشگاه تگزاس در آرلینگتون، دانشگاه نوادا و ویرجینیا تک توسعه یافته است، تشخیص دانه‌های گرده ریز درختان کاج و صنوبر را که حتی با میکروسکوپ‌های با وضوح بالا نیز به سختی قابل تشخیص هستند، بسیار آسان‌تر می‌کند. این چالش به دلیل شباهت‌های مورفولوژیکی بسیار ظریف بین این گونه‌ها وجود دارد. با داده‌های دقیق‌تر در مورد اینکه کدام گونه‌های درختی بیشترین آلرژی‌زایی را دارند و چه زمانی گرده آزاد می‌کنند، برنامه‌ریزان شهری می‌توانند تصمیمات هوشمندانه‌تری در مورد اینکه چه چیزی را کجا بکارند، بگیرند. این امر به ویژه در مناطق پرتردد مانند مدارس، بیمارستان‌ها، پارک‌ها و محله‌ها اهمیت دارد. خدمات بهداشتی نیز می‌توانند از این اطلاعات برای زمان‌بندی بهتر هشدارهای آلرژی، پیام‌رسانی بهداشت عمومی و توصیه‌های درمانی در فصول اوج گرده‌افشانی استفاده کنند.
تحلیل گرده یک روش قدرتمند برای بازسازی اکوسیستم‌های تاریخی است. دانه‌های گرده حفظ شده در بستر دریاچه‌ها و باتلاق‌های تورب، سوابق دقیقی از جوامع گیاهی گذشته ارائه می‌دهند. از آنجایی که توزیع گیاهان به شدت با عوامل محیطی مانند دما، بارندگی و رطوبت مرتبط است، شناسایی انواع گرده‌های موجود در لایه‌های مختلف رسوب می‌تواند نشان دهد که اکوسیستم‌ها چگونه به نوسانات طبیعی آب و هوایی در طول زمان واکنش نشان داده‌اند و چگونه ممکن است در آینده واکنش نشان دهند. دکتر بهناز بالمکی، استادیار تحقیقات زیست‌شناسی در UT آرلینگتون و یکی از نویسندگان این مطالعه، اظهار داشت: “حتی با میکروسکوپ‌های با وضوح بالا، تفاوت بین گرده‌ها، بسیار ظریف است.” “مطالعه ما نشان می‌دهد که ابزارهای یادگیری عمیق می‌توانند سرعت و دقت طبقه‌بندی گرده را به طور قابل توجهی افزایش دهند. این امر راه را برای نظارت گسترده زیست‌محیطی و بازسازی‌های دقیق‌تر تغییرات اکولوژیکی باز می‌کند. همچنین نویدبخش بهبود ردیابی آلرژن‌ها با شناسایی دقیق گونه‌ها و زمانی است که گرده آزاد می‌کنند”.
این تیم نمونه‌های تاریخی از درختان کاج و صنوبر را که توسط موزه تاریخ طبیعی دانشگاه نوادا حفظ شده بودند، بررسی کردند. آن‌ها این نمونه‌ها را با استفاده از نه مدل مختلف هوش مصنوعی آزمایش کردند و پتانسیل قوی این فناوری را برای شناسایی گرده با سرعت و دقت چشمگیر نشان دادند. دکتر بالمکی تأکید کرد: “این نشان می‌دهد که یادگیری عمیق می‌تواند با موفقیت از روش‌های شناسایی سنتی در سرعت و دقت پشتیبانی کرده و حتی از آن‌ها پیشی بگیرد.” “اما همچنین تأیید می‌کند که تخصص انسانی هنوز چقدر ضروری است. شما به نمونه‌های خوب آماده شده و درک قوی از زمینه اکولوژیکی نیاز دارید. این فقط در مورد ماشین‌ها نیست؛ این یک همکاری بین فناوری و علم است”.
هدف آن‌ها از این مطالعه، توسعه یک سیستم جامع شناسایی گرده است که می‌تواند در مناطق مختلف ایالات متحده برای درک بهتر چگونگی تغییر جوامع گیاهی در پاسخ به رویدادهای آب و هوایی شدید به کار رود.
