مطالعات اخیر توانایی سیستم های هوش مصنوعی را در تشخیص پزشکی بیماری های مهم نشان داده است
سیستم های هوش مصنوعی (AI) مدت زیادی است که وجود داشته اند و اکنون با گذشت زمان هوشمندتر و بهتر می شوند. AI دارای برنامه های کاربردی در بسیاری از زمینه ها است و اکنون جزء لاینفک اکثر زمینه ها است. هوش مصنوعی می تواند جزء ضروری و مفید باشد 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 می تواند به پر کردن شکاف بین در دسترس بودن و مدیریت زمان توسط پزشکان با گنجاندن سرعت و دقت در تشخیص بیماران کمک کند. این می تواند به غلبه بر محدودیت های منابع و متخصصان مراقبت های بهداشتی به ویژه در کشورهای با درآمد کم و متوسط کمک کند. هوش مصنوعی فرآیند یادگیری و تفکر است انسان از طریق مفهومی به نام یادگیری عمیق. یادگیری عمیق از مجموعه های گسترده ای از داده های نمونه برای ایجاد درخت تصمیم به خودی خود استفاده می کند. با این یادگیری عمیق، یک سیستم هوش مصنوعی می‌تواند درست مانند انسان‌ها فکر کند، اگر نگوییم بهتر، و بنابراین هوش مصنوعی می‌تواند برای انجام وظایف پزشکی مناسب تلقی شود. هنگام تشخیص بیماران، سیستم‌های هوش مصنوعی به دنبال الگوهایی در بین بیماران مبتلا به بیماری‌های مشابه هستند. با گذشت زمان، این الگوها می توانند پایه ای برای پیش بینی بیماری ها قبل از ظهور ایجاد کنند.
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.
این مطالعه بر روی دو علت شایع نابینایی غیرقابل برگشت تمرکز داشت که با تشخیص زودهنگام قابل درمان هستند. تشخیص‌های حاصل از ماشین با تشخیص‌های پنج چشم‌پزشکی که همان اسکن‌ها را بررسی کردند، مقایسه شد. پلتفرم هوش مصنوعی علاوه بر تشخیص پزشکی، توصیه‌های ارجاعی و درمانی را نیز ایجاد کرد که در هیچ مطالعه قبلی انجام نشده است. این سیستم هوش مصنوعی آموزش دیده درست مانند یک چشم پزشک آموزش دیده عمل می کند و می تواند در عرض 30 ثانیه تصمیم بگیرد که آیا بیمار باید برای درمان ارجاع شود یا نه، با دقت بیش از 95 درصد. آنها همچنین ابزار هوش مصنوعی را در تشخیص ذات الریه دوران کودکی، که علت اصلی مرگ و میر کودکان (زیر 5 سال) در سراسر جهان است، بر اساس آنالیز ماشینی اشعه ایکس قفسه سینه آزمایش کردند. جالب اینجاست که این برنامه کامپیوتری توانست بین ویروسی و باکتری پنومونی با دقت بیش از 90 درصد. این امر بسیار مهم است زیرا اگرچه ذات الریه ویروسی به طور طبیعی توسط بدن پس از دوره دفع می شود، از طرف دیگر ذات الریه باکتریایی تهدیدی جدی تری برای سلامتی است و نیاز به درمان فوری با آنتی بیوتیک دارد.
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
