به گزارش مفدا خراسان شمالی به نقل از خبرگزاری علم و فناوری؛ هوش مصنوعی را باید عرصه پهناور تلاقی و ملاقات بسیاری از دانش‌ها، علوم، و فنون قدیم و جدید دانست. هوش مصنوعی به سیستم‌هایی اطلاق می‌شود که می‌توانند رفتارهایی و واکنش‌هایی(مشابه رفتارهای هوشمند انسانی) از جمله درک شرایط پیچیده، شبیه‌سازی فرایندهای تفکری و شیوه‌های استدلالی انسان و پاسخ موفق به آن، یادگیری و توانایی کسب دانش و استدلال برای حل مسایل را داشته باشند.

امروزه پیشرفت این موضوع در ابعاد مختلف زندگی به یکی از مهم‌ترین مسائل پژوهشگران و محققان تبدیل شده است. حال باتوجه به پیچیدگی تصمیمات در حوزه پزشکی که یکی از مهم‌ترین حوزه‌های زندگی افراد جامعه می‌باشد، پزشکان و افراد متخصص در این حوزه بر آن شده‌اند تا از جدیدترین دستاوردهای حوزه هوش مصنوعی در فعالیت‌های خود( تشخیص بیماری و درمان) استفاده کنند.

اخیرا در رابطه با کاربردهای هوش مصنوعی در حوزه پزشکی و بهداشت مطالب و مقالات متنوعی منتشر شده است. نتایج بسیاری از این پژوهش‌ها نشان داده است آینده حوزه پزشکی باتوجه به ورود هوش مصنوعی به این حوزه، دچار تحولات عظیمی خواهد شد. حال در این نوشته تعدادی از کاربردهای هوش مصنوعی در حوزه سلامت و پزشکی بررسی می‌شود."انجمن پزشکی آمریکا"(AMA) اخیرا کدی برای سیستم‌های مبتنی بر هوش مصنوعی ثبت کرده است تا حوزه سلامت بتواند گام‌های مهمی را به سوی سازگاری هوش مصنوعی با پزشکی بردارد.

روش‌های تشخیصی دگرگون‌کننده

بسیاری از پیشرفت‌های در حال ظهور از جمله تأثیر هوش مصنوعی بر سلامت، روش‌های تشخیصی را در بر دارند که برای به کار بردن آنها باید هوش مصنوعی را آموزش داد تا بتواند ویژگی‌های شرایط گوناگون را تشخیص دهد. یکی از این سیستم‌ها، "IDx-DR" است که از هوش مصنوعی برای تشخیص "شبکیه‌رنجوری دیابتی(diabetic retinopathy)" استفاده می‌کند. شرکت‌های گوگل و "وریلی"(Verily) نیز با همکاری یکدیگر، یک سیستم هوش مصنوعی ابداع کرده‌اند تا بیماران مبتلا به دیابت را با کمک آن شناسایی کنند.

اگرچه این گونه سیستم‌ها به دستگاه‌های بالینی نیاز دارند اما پژوهشگران مرکز چشم‌پزشکی "دانشگاه میشیگان"(UM)، یک سیستم تشخیصی مبتنی بر هوش مصنوعی ابداع کرده‌اند که می‌تواند شبکیه‌رنجوری دیابتی را با کمک دوربین تلفن همراه تشخیص دهد. این ابزار تصویربرداری موسوم به "رتیناسکوپ"(RetinaScope)، از هوش مصنوعی و فناوری‌های کنونی تلفن همراه استفاده می‌کند تا دسترسی به فناوری تصویربرداری از شبکیه را افزایش دهد.

گوگل، کارهای گسترده‌ای در رابطه با هوش مصنوعی انجام داده است که یکی از برجسته‌ترین آنها، استفاده از یک سیستم مبتنی بر هوش مصنوعی در تشخیص سرطان ریه است. این سیستم، با کمک یک الگوریتم یادگیری عمیق که قابلیت تحلیل سی‌تی اسکن را دارد، آموزش داده می‌شود تا احتمال وجود بیماری را در فرد تشخیص دهد.

پژوهشگران دریافتند که سیستم هوش مصنوعی می‌تواند هنگام تحلیل سی‌تی اسکن، سرطان ریه را تا پنج درصد دقیق‌تر از متخصصان تشخیص دهد و تا ۱۱ درصد به کاهش احتمال وقوع خطا در تشخیص کمک کند. پژوهش مشابهی نشان داد که یک برنامه یادگیری ماشینی می‌تواند بیماری قلبی را با دقتی بیش از روش‌های قدیمی تشخیص دهد.

پژوهش‌های دیگری نیز در زمینه تشخیص مبتنی بر هوش مصنوعی وجود دارند که از آنها می‌توان به تشخیص اسکیزوفرنی و بیماری قلبی با کمک حسگرهای پوشیدنی شرکت اپل اشاره کرد. کمک گرفتن از پزشکان در تشخیص بیماری‌ها نیز حوزه دیگری از سلامت است که ظرفیت بالایی برای استفاده از هوش مصنوعی دارد.

بررسی بیماری با هوش مصنوعی

هوش مصنوعی با استفاده از الگوریتم‌های تشخیصی می‌تواند داده‌های به دست آمده را با سرعت و دقت یک فرد حرفه‌ای بررسی کند. پژوهشگران "واحد پزشکی وایل کرنل"(Weill Cornell Medicine)، هوش مصنوعی را برای کمک به بارداری موفق به کار گرفتند. آنها یک الگوریتم هوش مصنوعی را با کمک ۱۲ هزار تصویر از رحم انسان آموزش دادند تا سیستم بتواند تفاوت میان رحم بارور و ناسالم را تشخیص دهد. این پژوهش نشان داد که الگوریتم هوش مصنوعی موسوم به "استروک"(Stork) می‌تواند کار خود را با دقت ۹۷ درصد انجام دهد. پژوهشگران با ابداع این سیستم، گام‌های مهمی به سوی ارائه یک روش استاندارد برای پژوهش در این زمینه برداشتند.

علاوه بر موارد ذکر شده، پژوهشگران برای تشخیص آمادگی بیماران برای جراحی نیز از هوش مصنوعی استفاده کردند. پژوهش آنها نشان می‌دهد که چگونه می‌توان از یادگیری ماشینی برای تشخیص بیمارانی که آماده جراحی قرنیه هستند و کسانی که ممکن است پیامدهای پس از جراحی را تجربه کنند، استفاده کرد. پژوهشگران دریافتند که این سیستم هوش مصنوعی می‌تواند داوطلبان آماده برای جراحی را با ۹۳.۴ درصد تشخیص دهد.

بهبود تشخیص بیماران مبتلا به سرطان

هوش مصنوعی در زمینه تشخیص و مدیریت سرطان نیز امیدوارکننده است. پژوهشگران "دانشگاه اوساکا"(Osaka University) ژاپن، اخیراً سیستمی ابداع کرده‌اند که می‌تواند انواع گوناگون سلول سرطانی را از هم تشخیص دهد. تعداد زیاد و تنوع سلول سرطانی که در بیماران دیده می‌شود، شناسایی انواع آنها را برای انسان دشوار می‌سازد. سیستم هوش مصنوعی پژوهشگران اوساکا که بر اساس یک شبکه عصبی پیچشی ابداع شده، شکل خاصی از هوش مصنوعی است که سیستم بصری انسان را مدل‌سازی می‌کند. پژوهشگران پس از آموزش این سیستم با هشت هزار تصویر از انواع سلول‌، دریافتند که دقت آن در شناسایی سلول‌ها ۹۸ درصد است.

پژوهشگران "دانشگاه لوکزامبورگ"(University of Luxembourg)، یک مدل رایانه‌ای مبتنی بر یادگیری ماشینی ابداع کرده‌اند که می‌تواند متابولیسم سلول‌های سرطانی را شبیه‌سازی کند. آنها این روش را برای تحلیل اثرات داروهای گوناگون بر توقف گسترش سرطان به کار بردند و پس از ایجاد مدل‌های دیجیتالی سلول‌های سالم و سلول‌های سرطانی، داده‌های ژنتیکی به دست آمده از ۱۰ هزار بیمار را با آن ادغام کردند.

پژوهشگران، مدل‌های رایانه‌ای را برای شبیه‌سازی اثرات ترکیبات متفاوت بر متابولیسم سلولی به کار بردند. شبیه‌سازی با مدل‌های سلول سرطانی نشان داد که داروها می‌توانند رشد سرطان را به صورت مؤثر مهار کنند اما شبیه‌سازی با سلول‌های سالم، ایمنی داروها را مورد بررسی قرار داد.

بررسی بیماران از راه دور

ادغام هوش مصنوعی با فناوری‌های پوشیدنی، به پزشکان امکان می‌دهد تا بیماران خود را از راه دور بررسی کنند. شرکت "Current Health"، یک ابزار پوشیدنی مبتنی بر هوش مصنوعی ارائه داده است که می‌تواند نشانه‌های حیات بیمار را در خانه مورد بررسی قرار دهد. این شرکت پیشتر مجوز استفاده از ابزار پوشیدنی خود را کسب کرده بود اما اخیرا موفق شده مجوز "سازمان غذا و داروی آمریکا" (FDA) را برای استفاده در خانه نیز به دست آورد.

این ابزار بی‌سیم، ضربان قلب، تنفس، دما و تحرک بدن کاربر را مورد بررسی قرار می‌دهد. پژوهشگران با کمک این ابزار پوشیدنی می‌توانند اطلاعات مربوط به سلامت بیمار خود را در زمان واقعی و به صورت به روز رسانی شده در اختیار داشته باشند تا وضعیت سلامت آن‌ها را مدیریت کنند. این فناوری برای تحلیل داده‌ها و تشخیص مشکلات سلامتی، از یادگیری ماشینی استفاده می‌کند.

برخی از پژوهشگران، هوش مصنوعی را در ساعت‌های هوشمند به کار برده‌اند تا از آن برای بررسی شرایط بیماران قلبی استفاده کنند. آن‌ها این فناوری را برای تشخیص "کاردیومیوپاتی هیپرتروفیک" (HCM) به کار گرفتند. کاردیومیوپاتی هیپرتروفیک، نوعی بیماری قلبی است که می‌تواند پیامدهای جدی برای سلامت بیمار به همراه داشته باشد و معمولاً در بررسی‌های بالینی تشخیص داده نمی‌شود. پژوهشگران با به کار گرفتن یادگیری ماشینی و یک حسگر پوشیدنی، روشی غیرتهاجمی برای شناسایی بیماری ابداع کردند.

بررسی ژنتیک

یک گروه پژوهشی، اخیرا موفق شده‌اند با استفاده از هوش مصنوعی، جهش‌های ژنتیکی جدیدی در رابطه با اوتیسم کشف کنند. آن‌ها از یادگیری عمیق برای بررسی نواحی خاصی از ژنوم استفاده کردند که شاید تأثیر زیادی در تولید ژن‌های خاص نداشته باشند اما در بروز بیماری اوتیسم مؤثر هستند.

پژوهشگران، ۱۲۰ هزار جهش ژنتیکی را بررسی کردند تا ژن‌های مرتبط با بیماری اوتیسم را شناسایی کنند. این نتایج، دلایل دقیق ابتلاء به اوتیسم را نشان ندادند اما ژن‌هایی را مشخص کردند که با این بیماری مرتبط هستند.

الگوریتم یادگیری عمیق به کار رفته در این پژوهش، داده‌های پیچیده‌ای را تحلیل کرد تا الگوهای چالش‌برانگیز در شناسایی بیماری را نشان دهد. این الگوریتم در تحلیل ژنوم، نواحی خاصی از DNA را تشخیص داد که در تنظیم ژن‌ها نقش دارند.

سیستم‌های هوش مصنوعی در حوزه مشخصی کاربرد دارند و برای نمونه جهت تشخیص یک بیماری خاص مورد استفاده قرار می‌گیرند. این موضوع سؤالاتی را پیش می‌آورد: آیا برای تمام بیماری‌ها چنین سیستم‌هایی مورد نیاز است؟ در مورد کدام بیماری‌ها باید چنین سیستم‌هایی را طراحی کرد؟ آیا سیستم‌های مختلف برای تشخیص‌های مختلف باید با یکدیگر یکپارچه شوند؟ یکپارچگی آن‌ها چگونه باید انجام شود؟ آیا باید پایگاه دانش جامع و مشترک در حوزه‌های مختلف طراحی گردد؟ «در ظاهر این موارد باعث شده‌اند تا سیستم‌های هوش مصنوعی به طور عمومی در قالب امور پژوهشی مطرح باشند و کمتر دیده می‌شود که چنین سیستم‌هایی به طور واقعی در عمل مورد استفاده قرار گیرند.

بیشتر بخوانید:

- عدم مراجعه ۱۱ هزار پزشک برای دریافت شماره نظام پزشکی/ سرانه درمان در ایران کمتر از آمارهای جهانی!

- آینده در انتظار پزشکی و روانپزشکی هوشمند/ هوش مصنوعی بیماری اسکیزوفرنی را تشخیص می‌دهد

به طور خلاصه، هوش مصنوعی دارای پتانسیل‌های زیادی برای بهبود تصمیم‌گیری‌های پزشکی است، اما اجرای موفق این نوع سیستم‌ها در پزشکی، علاوه بر توجه به اصول مورد نیاز برای هر سیستم اطلاعاتی دیگر از جمله توجه به عوامل سازمانی، رفتاری، فرهنگی، مدیریتی، اقتصادی، آموزشی و فنی، مستلزم موارد دیگری است.