تشخیص زودهنگام بیماری با هوش مصنوعی
جلوه هیجان‌انگیز دیگر هوش مصنوعی در تشخیص زودهنگام بیماری ها، در بیماری آلزایمر یا زوال عقل است. این بیماری باعث از کارافتادگی بیماران و از بین رفتن تدریجی حافظه می‌شود و در آمریکا ششمین علت مرگ محسوب می‌شود. اما متأسفانه تا زمانی که کاهش قوای شناختی، برجسته نشود، این بیماری تشخیص داده نمی‌شود.اما یک شرکت فناوری که مقر آن در تورنتو است به نام شرکت Winterlight موفق شده که ابزاری برای تشخیص زودهنگام این بیماری با استفاده از تحلیل صدای بیماران بسازد. صدای بیماران آلزایمری در مراحل ابتدایی تغییرات ظریف و نامحسوسی پیدا می‌کند که چون بیشتر در طیف فرکانسی بالا قرار دارد، پزشکان و آدم‌ها اصلا متوجه‌اش نمی‌شوند. اما ابزار این شرکت می‌تواند در مراحل ابتدایی پی به این تغییر ببرد و تشخیص زودهنگام را ممکن کند.تست‌های معمول تشخیص آلزایمر را نمی‌توان در فواصل کوتاه برای جمع آدم‌های سالخورده انجام داد و هزینه زیادی هم دارند. اما این آزمایش کامپیوتری را می‌توان چند بار در هفته به آسانی انجام داد. به علاوه باید در نظر بگیرید که بیماران آلزایمری روزهای خوب و بد دارند. یعنی بعضی از روزها ممکن است عملکرد شناختی آنها بهتر از روزهای قبل باشد و از قضا، آزمایشات روتین هم دقیقا در همین روزها انجام شود. اما چون آزمایش شرکت وینترلایت را می‌توان در فواصل کوتاه انجام داد، بیماری دیگر به این علت پنهان نمی‌ماند و قابل تشخیص می‌شود.
استارتاپ Niramaiنیرامای یک استارتاپ هندی deep tech در حوزه سلامت هوشمند است که با استفاده از هوش مصنوعی و یادگیری ماشین غربالگری سرطان پستان را به صورت غیرتهاجمی، دقیق، امن، دردسترس و ارزان ارائه می‌دهد. برخلاف ماموگرافی، راهکار نیرامای نیازی به دستگاه‌های گران‌قیمت و متخصصان رادیولوژی ندارد. تشخیص نیرامای از طریق آنالیز عکس‌های حرارتی با کیفیت بالا و الگوریتم‌های یادگیری ماشینی انجام می‌شود. برای انجام غربالگری سنسور حرارتی با حساسیت بالا در فاصله سه فوتی از فرد قرار می‌گیرد تا انتشار حرارت بر روی قفسه سینه وی را ارزیابی و عکس‌برداری نماید. سپس نرمافزار نیرامای این عکس‌های حرارتی را آنالیز و به طور خودکار گزارش غربالگری/ تشخیصی را تهیه کرده، و گزارش تایید شده توسط رادیولوژیست را برای فرد ارسال می‌کند.
نیرامای فقط هوش مصنوعی و یادگیری ماشینی را به روش‌های مرسوم اضافه نکرده است، بلکه با توجه به پیشرفت‌های تکنولوژی توانست یکی از روش‌های قدیمی یعنی ارزیابی حرارتی برای تشخیص سرطان پستان را بهبود بخشد. تشخیص براساس عکس‌های حرارتی برای رادیولوژیست‌ها به صورت چشمی امکان‌پذیر نیست و دقت کافی را ندارد در حالی که هوش مصنوعی می‌تواند اختلافات جزئی را تشخیص دهد و با کمک یادگیری ماشینی دقت تشخیص را بسیار بالا ببرد.
استارتاپ VoxelCloud استارتاپ وکسل‌کلاود ، سرویس آنالیز تصاویر رادیولوژی با استفاده از هوش مصنوعی ارائه می‌دهد. در حال حاضر محصولات این استارتاپ شامل غربالگری سرطان ریه، غربالگری بیماری‌های شبکیه و آنالیز پلاک‌های عروق قلبی می‌باشد. سیستم وکسل‌کلاود با استفاده از رایانش ابری (Cloud Computing) کار می‌کند و با استفاده از یک مرورگر ساده در دسترس است. مدل کسبوکار این استارتاپ، کسبوکار به کسبوکار یا B2B است و مشتریان آن مراکز درمانی، تصویربرداری و بیمارستان‌ها هستند. بنیانگذاران استارتاپ وکسل‌کلاود چینی هستند. هرچند که این استارتاپ ابتدا در آمریکا شروع به کار کرده و همچنان نیز دفتر خود در لس‌آنجلس را دارد ولی بازار هدف خود را چین قرار داده است. با توجه به شناختی که بنیانگذاران از بازار کشورشان داشتند توانستند به سرعت در این بازار رشد کنند.سرویس‌های هوش مصنوعی برای آنالیز تصاویر رادیولوژی ایده جدیدی نیست ولی این استارتاپ با انتخاب بازار مناسب توانسته موفقیت‌های خوبی به دست آورد.
استارتاپ Baylabs بِی‌لَب استارتاپی است که با به کارگیری هوش مصنوعی در اکوکاردیوگرافی قلبی، تشخیص بیماری‌های قلبی را تسهیل می‌کند. سونوگرافی یکی از تصویربرداری‌های کاربردی برای تشخیص بیماری‌های مختلف است، اما نکته قابل توجه درباره سونوگرافی (و اکوکاردیوگرافی که نوعی از آن است) این است که نتیجه و دقت سونوگرافی کاملا به پزشک اپراتور آن وابسته است. همین مسأله باعث شده به علت کمبود پزشک اکوکاردیولوژیست در برخی مناطق، امکان استفاده از اکوکاردیوگرافی برای تشخیص بیماری‌های قلبی وجود نداشته باشد. نرمافزار بِی‌لَب با نام EchoMD AutoEF فیلم اکوکاردیوگرافی انجام شده توسط پزشک را دریافت کرده و براساس یادگیری عمیق (Deep Learning) آن را تحلیل می‌کند. طی اکوکاردیوگرافی پزشک از قلب در زوایای مختلف تصویربرداری می‌کند و براساس بهترین مقطع تصویری که مشاهده می‌کند، اعداد مورد نظر را محاسبه و نتیجه تصویربرداری را گزارش می‌کند.نرمافزار EchoMD AutoEF به آرشیو بیش از 40 میلیون ویدیوی اکوکاردیوگرافی و نتایج آنها دسترسی دارد و به کمک هوش مصنوعی آنها را برای تحلیل تصاویر جدید به کار می‌برد. به این ترتیب، پزشک فیلم اکوکاردیوگرافی‌ای که انجام داده را در اختیار نرمافزار می‌گذارد و نرمافزار بین تصاویر مختلفی که دریافت کرده، بهترین آن را انتخاب و ارزیابی می‌کند.این نرمافزار همچنین می‌تواند با داده‌های انبوهی که در اختیار دارد، پیش‌آگهی افراد در معرض خطر را اعلام کند.با توجه به اینکه سونوگرافی، اپراتورمحور است تنوع در نتایج سونوگرافی امری طبیعی است. تحقیقات نشان داده رادیولوژیست‌ها برون‌ده قلبی را با حدود 9 درصد تنوع اندازه‌گیری می‌کنند و نرمافزار EchoMD AutoEF توانسته این تنوع را به 8 درصد کاهش دهد که نشانگر دقت بالای آن است.