مطالعات اخیر توانایی سیستم های هوش مصنوعی را در تشخیص پزشکی بیماری های مهم نشان داده است
سیستم های هوش مصنوعی (AI) have been around for quite some time and are now getting smarter and better with time. AI has applications is multitude areas and is now an integral of most fields. AI can be an essential and useful component of پزشکی علم و تحقیق، زیرا پتانسیل بسیار زیادی برای تأثیرگذاری بر صنعت مراقبت های بهداشتی دارد.
هوش مصنوعی در تشخیص پزشکی؟
زمان با ارزش ترین منبع در مراقبت های بهداشتی است و تشخیص زودهنگام مناسب برای نتیجه نهایی یک بیماری بسیار مهم است. مراقبت های بهداشتی اغلب فرآیندی طولانی و زمان بر و زمان بر است که تشخیص موثر را به تاخیر می اندازد و در نتیجه درمان صحیح را به تاخیر می اندازد. AI can help to fill the gap between availability and time management by doctors by incorporating speed and accuracy in the diagnosis of patients. It could help to overcome limitations of resources and healthcare professionals specially in low- and middle-income countries. AI is a process of learning and thinking just like انسان through a concept called deep-learning. Deep learning utilizes broad sets of sample data to create decision trees by itself. With this deep learning, an AI system can actually think just like humans, if not better, and therefore AI could be deemed fit to carry out medical tasks. When diagnosing patients, AI systems keep looking for patterns among patients with same illnesses. Over time, these patterns can construct a foundation for predicting diseases before they are manifested.
در یک مطالعه اخیر1 منتشر شده در سلول، محققان استفاده کرده اند مصنوعی تکنیک‌های هوش و یادگیری ماشین برای توسعه یک ابزار محاسباتی جدید برای غربالگری بیماران مبتلا به بیماری‌های شایع اما کور شبکیه چشم، به‌طور بالقوه تسریع در تشخیص و درمان. محققان از یک شبکه عصبی مبتنی بر هوش مصنوعی برای بررسی بیش از 200,000 اسکن چشم انجام شده با فناوری غیرتهاجمی استفاده کردند که نور را از شبکیه می تاباند تا نمایش های دوبعدی و سه بعدی بافت را ایجاد کند. آنها سپس از تکنیکی به نام «یادگیری انتقالی» استفاده کردند که در آن دانش به دست آمده در حل یک مسئله توسط رایانه ذخیره می شود و برای مسائل مختلف اما مرتبط اعمال می شود. به عنوان مثال، یک شبکه عصبی هوش مصنوعی که برای تشخیص ساختارهای آناتومیک مجزای چشم، مانند شبکیه، قرنیه یا عصب بینایی بهینه شده است، می تواند هنگام بررسی تصاویر یک چشم کامل، آنها را سریعتر و کارآمدتر شناسایی و ارزیابی کند. این فرآیند به سیستم هوش مصنوعی اجازه می‌دهد تا به تدریج با مجموعه داده‌های بسیار کوچک‌تری نسبت به روش‌های سنتی که به مجموعه داده‌های بزرگ نیاز دارند، یاد بگیرد و آنها را گران و وقت‌گیر می‌کند.
The study focused on two common causes of irreversible blindness which are treatable when detected early. Machine-derived diagnoses were compared with diagnoses from five ophthalmologists who reviewed the same scans. In addition to making a medical diagnosis, the AI platform also generated a referral and treatment recommendation which has not been done in any previous study. This trained AI system acted just like a well-trained ophthalmologist and could generate a decision within 30 seconds on whether or not the patient should be referred for treatment, with more than 95 percent accuracy. They also tested the AI tool in diagnosing childhood pneumonia, a leading cause of death worldwide in children (under the age of 5) based on machine analyses of chest X-rays. Interestingly, the computer program was able to differentiate between viral and باکتری pneumonia with more than 90 percent accuracy. This is crucial because though viral pneumonia is naturally rid by the body after its course, bacterial pneumonia on the other hand tends to be a more serious health threat and requires immediate treatment with antibiotics.
در یک جهش بزرگ دیگر2 در سیستم‌های هوش مصنوعی برای تشخیص پزشکی، دانشمندان دریافتند که عکس‌های گرفته شده از شبکیه چشم یک فرد را می‌توان با الگوریتم‌های یادگیری ماشینی یا نرم‌افزار برای پیش‌بینی خطر قلبی عروقی با شناسایی سیگنال‌هایی که نشان‌دهنده بیماری قلبی هستند، تجزیه و تحلیل کرد. وضعیت رگ‌های خونی در چشم که در عکس‌ها ثبت شده است، به‌طور دقیق سن، جنسیت، قومیت، فشار خون، هرگونه حمله قلبی قبلی و عادات سیگار کشیدن را پیش‌بینی می‌کند و همه این عوامل در مجموع بیماری‌های مرتبط با قلب را در یک فرد پیش‌بینی می‌کنند.
چشم به عنوان یک بلوک اطلاعاتی
ایده نگاه کردن به عکس های چشم برای تشخیص سلامتی مدتی است که مطرح شده است. به خوبی ثابت شده است که دیواره داخلی پشتی چشم انسان دارای رگ های خونی زیادی است که نشان دهنده سلامت کلی بدن است. با مطالعه و تجزیه و تحلیل ظاهر این رگ های خونی با دوربین و میکروسکوپ می توان اطلاعات زیادی را در مورد فشار خون، سن، سیگاری یا غیرسیگاری و غیره پیش بینی کرد و همه اینها شاخص های مهم سلامت قلب یک فرد هستند. . بیماری قلبی عروقی (CVD) علت شماره یک مرگ و میر در سراسر جهان است و افراد بیشتری در مقایسه با هر بیماری یا شرایط دیگری بر اثر بیماری های قلبی عروقی جان خود را از دست می دهند. این امر در کشورهای با درآمد کم و متوسط رواج بیشتری دارد و بار بزرگی بر اقتصاد و بشریت وارد می کند. خطر ابتلا به بیماری های قلبی عروقی به عوامل متعددی مانند ژن ها، سن، قومیت، جنسیت در ترکیب با ورزش و رژیم غذایی بستگی دارد. بسیاری از بیماری های قلبی عروقی را می توان با پرداختن به خطرات رفتاری مانند مصرف دخانیات، چاقی، کم تحرکی و رژیم غذایی ناسالم با ایجاد تغییرات قابل توجه در شیوه زندگی برای مقابله با خطرات احتمالی، پیشگیری کرد.
تشخیص سلامت با استفاده از تصاویر شبکیه چشم
این مطالعه که توسط محققان گوگل و شرکت فناوری سلامت خود Verily Life Sciences انجام شد، نشان داد که یک الگوریتم هوش مصنوعی بر روی مجموعه داده بزرگی از عکس‌های شبکیه چشم از حدود 280,000 بیمار استفاده شده است و این الگوریتم قادر است عوامل خطر قلبی را با موفقیت در دو مورد کاملاً پیش‌بینی کند. مجموعه داده های مستقل از حدود 12000 و 1000 بیمار با دقت نسبتا خوب. این الگوریتم از کل عکس شبکیه چشم برای تعیین کمیت ارتباط بین تصویر و خطر حمله قلبی استفاده کرد. این الگوریتم می تواند یک رویداد قلبی عروقی را در 70 درصد موارد در یک بیمار پیش بینی کند و در واقع یک فرد سیگاری و یک فرد غیرسیگاری نیز در 71 درصد مواقع در این آزمایش قابل تشخیص بودند. این الگوریتم همچنین می‌تواند فشار خون بالا را که نشان‌دهنده یک بیماری قلبی است، پیش‌بینی کند و فشار خون سیستولیک - فشار در رگ‌ها هنگام تپش قلب - را در طیف وسیعی از بیماران با یا بدون فشار خون بالا پیش‌بینی کند. به گفته نویسندگان، دقت این پیش‌بینی بسیار شبیه به بررسی قلبی عروقی در آزمایشگاه است، جایی که خون از بیمار برای اندازه‌گیری سطح کلسترول به موازات شرح حال بیمار گرفته می‌شود. الگوریتم در این مطالعه، منتشر شده در مهندسی پزشکی بیولوژیکی، به احتمال زیاد می تواند وقوع یک رویداد قلبی عروقی بزرگ مانند حمله قلبی را نیز پیش بینی کند.
یکی از جنبه های بسیار جالب و حیاتی این مطالعات این بود که کامپیوتر می تواند تشخیص دهد که در یک تصویر به کجا نگاه می کند تا به تشخیص برسد و به ما امکان می دهد فرآیند پیش بینی را درک کنیم. به عنوان مثال، مطالعه گوگل دقیقاً نشان داد که "کدام بخش از شبکیه چشم" در الگوریتم پیش بینی نقش داشته است، به عبارت دیگر چگونه الگوریتم پیش بینی می کند. این درک نه تنها برای درک روش یادگیری ماشین در این مورد خاص، بلکه برای ایجاد اطمینان و ایمان در کل این روش با شفاف کردن آن مهم است.
چالش ها
چنین تصاویر پزشکی با چالش های خود همراه است زیرا مشاهده و سپس کمی کردن تداعی ها بر اساس چنین تصاویری ساده نیست، عمدتاً به دلیل چندین ویژگی، رنگ، ارزش، شکل و غیره در این تصاویر. این مطالعه از یادگیری عمیق برای ترسیم ارتباطات، ارتباط و روابط بین تغییرات در آناتومی انسان (مورفولوژی درونی بدن) و بیماری استفاده می کند، به همان روشی که یک متخصص مراقبت های بهداشتی زمانی که علائم بیماران را با یک بیماری مرتبط می کند، انجام می دهد. . این الگوریتم‌ها قبل از استفاده در یک محیط بالینی نیاز به آزمایش بیشتری دارند.
علیرغم بحث‌ها و چالش‌ها، هوش مصنوعی پتانسیل عظیمی برای متحول کردن تشخیص و مدیریت بیماری با انجام تجزیه و تحلیل و طبقه‌بندی شامل حجم عظیمی از داده‌ها دارد که برای متخصصان انسانی دشوار است. این ابزارهای تشخیصی جایگزین سریع، مقرون به صرفه و غیر تهاجمی را فراهم می کند. عوامل مهم برای موفقیت سیستم های هوش مصنوعی، قدرت محاسباتی بالاتر و تجربه بیشتر افراد خواهد بود. در آینده‌ای احتمالی، بینش‌ها و تشخیص‌های پزشکی جدید می‌تواند با هوش مصنوعی بدون نظارت یا هدایت انسانی قابل دستیابی باشد.
***
{شما می‌توانید مقاله پژوهشی اصلی را با کلیک بر روی پیوند DOI که در فهرست منابع ذکر شده در زیر آمده است بخوانید}
منبع (ها)
1. Kermany DS et al. 2018. شناسایی تشخیص های پزشکی و بیماری های قابل درمان با یادگیری عمیق مبتنی بر تصویر. سلول. 172 (5). https://doi.org/10.1016/j.cell.2018.02.010
2. پوپلین آر و همکاران. 2018. پیش‌بینی عوامل خطر قلبی عروقی از عکس‌های فوندوس شبکیه از طریق یادگیری عمیق. مهندسی زیست پزشکی طبیعت. 2. https://doi.org/10.1038/s41551-018-0195-0
