استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی
استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی به عنوان یک موضوع مشترک در سراسر برنامه های تشخیصی پزشکی در حال ظهور است، و باید توجه داشت که پیشرفت در این زمینه نیازمند اعتماد از جامعه پزشکی و برنامه ریزی دقیق توسط توسعه دهندگان آن می باشد
با این حال، روند آزمون و خطا تا حد زیادی بر ارزش این فناوری استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی در دنیای واقعی تاثیر خواهد گذاشت و این که میزان آن در زمینه تشخیصی اجرا شود. متاسفانه چون میزان استفاده از هوش مصنوعی در تشخیص بیماری کم بوده پس اطلاعات زیادی برای تجزیه و تحلیل و پردازش فعلا در دسترس نیست. این برنامه ها پتانسیل بالایی برای تأثیر چگونگی تشخیص پزشکان و سیستم های مراقبت های بهداشتی و توانایی افراد در درک تغییرات در سلامتی بیماران در زمان واقعی دارند.
با پیش بینی رشد سریع در بخش دستگاه های پزشکی، شرکت هایی که تلاش می کنند تا تشخیص دقیق و قابل اطمینان پزشکی مبتنی بر برنامه های کاربردی برای یادگیری ماشین ها و استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی رابه بازار ارائه دهند، می تواند به جذب درصد زیادی از این بازار سودآور کمک کنند .
یادگیری ماشین ها برای تشخیص بیماری ها
استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی: موسسه پزشکی در آکادمی ملی علوم، مهندسی و پزشکی گزارش می دهد که “خطاهای تشخیصی باعث تقریبا ۱۰ درصد مرگ و میر بیماران می شود” و همچنین ۶ تا ۱۷ درصد از عوارض بیمارستانی را شامل می شود. مهم است که توجه داشته باشیم که عملکرد پزشک معمولا سبب خطای تشخیصی نمی شود. در واقع، محققان علت خطاهای تشخیص را عوامل مختلف زیر می دانند:
همکاری و همکاری ناکارآمد فناوری اطلاعات سلامت (IT) با پزشکان
شکاف در ارتباط بین پزشکان، بیماران و خانواده های آنها
بررسی ۲۵ ساله ادعای پرداخت خسارت در ایالات متحده توسط محقق جان هاپکینز نشان داد که ادعاهای خطای تشخیصی در بیماران سرپایی (۶۸٫۸ درصد) و در بیماران بستری (۳۱٫۲ درصد) تنظیم شده است. با این حال، کسانی که در بیمارستان بستری بودند، تقریبا ۱۱٫۵ درصد بیشتر احتمال مرگ و میر را داشتند. مجموع پرداخت های غرامتی در مدت ۲۵ سال به مجموع ۳۸٫۸ میلیارد دلار رسید.
کاربردهای فعلی AI در تشخیص پزشکی
به نظر می رسد بسیاری از برنامه های کاربردی تشخیصی که امروزه در حال استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی هستند که تحت دسته بندی های زیر قرار می گیرند:
Chatbots: شرکت ها از AI-chatbots با قابلیت تشخیص گفتار برای شناسایی الگوها در علائم بیمار استفاده می کنند تا بالقوه بیماری را تشخیص و پیشگیری کنند.
انکولوژی: محققان از یادگیری عمیق ماشین ها برای آموزش الگوریتم ها برای تشخیص بافت سرطانی در سطح قابل مقایسه با پزشکان آموزش دیده استفاده می کنند.
آسیب شناسی: تشخیص بیماری مبتنی بر تجزیه و تحلیل آزمایشگاهی مایعات بدن مانند خون و ادرار و همچنین بافت ها است.
در تکنولوژی هوش مصنوعی، چشم انداز ماشین ها و سایر تکنیک های یادگیری ماشین ها می توانند تلاش هایی را که به طور سنتی برای آسیب شناسی با میکروسکوپ انجام می شود را به طرز چشمگیری دقیق تر و میزان آن را افزایش دهند.
بیماری های نادر: نرم افزار تشخیص چهره با یادگیری دستگاه همراه است تا به پزشکان تشخیص بیماری های نادر کمک کند. عکس های بیمار با استفاده از تجزیه و تحلیل چهره و یادگیری عمیق برای شناسایی فنوتیپ هایی که با بیماری های ژنتیکی نادر ارتباط دارند، تجزیه و تحلیل می شوند.
مهم است که توجه داشته باشیم که این لیست کاملی از استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی نیست و این فناوری به سرعت در حال پیشرفت است.
برخی از بزرگترین فرصت ها و چالش های استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی چیست؟
از توالی ژنوم فردی تا سنسورهای پیچیده، امروزه اطلاعات بیشتری در مورد سلامت از قبل به دست آمده است. هوش مصنوعی به ما فرصت می دهد تا بینش های عملی را از اقیانوس های داده ای که ما را در حال غرق کردن است، بدست آوریم. مزیت استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی این است که بسیار مقیاس پذیر است. همراه با دسترسی به اطلاعات مناسب، AI بالقوه برای تاثیر گذاری بر زندگی تمام ۷٫۵ میلیارد نفر که در حال حاضر در این سیاره زندگی می کنند، وجود دارد.
بزرگترین مزیت AI زمانی حاصل خواهد شد که فراتر از مرزها را ببینیم و برویم. ما باید در سراسر کشورها، جوامع و صنایع برای گسترش استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی همکاری کنیم.
با این حال، هشدارهای مختلف نیز وجود دارد. اول اینکه عملکرد سیستم های AI به کیفیت داده بستگی دارد. بنابراین، ما ابتدا باید اطلاعات بهداشتی را که دقیق و بی طرف هستند، ارزیابی کنیم.
دوم، قول مقیاس پذیری با نیاز به نوعی استاندارد سازی داده ها به وجود می آید. به عنوان مثال، استانداردهای تلفن در سرتاسر جهان به ما در برقراری ارتباط با یکدیگر کمک می کند. به طور مشابه، اگر یک استاندارد جهانی برای گرفتن اطلاعات تصویری وجود داشته باشد، می توانیم این تصاویر را مستقیما در بیماران سراسر جهان مقایسه کنیم.
چالش سوم در استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی ، شفافیت و اعتماد است. مقیاس پذیری AI یک شمشیر دو طرفه است زیرا اشتباهات نیز می توانند مقیاس پذیر باشند.
آیا ما نیاز به شفافیت بیشتری در سیستم های AI داریم؟ اگر چنین است، چرا؟
بله، من فکر می کنم ما به سیستم های AI شفاف نیاز داریم. به خصوص در زمینه پزشکی، مسائل بالایی در تصمیمات ما وجود دارد. مشارکت بین هوش انسانی و هوش مصنوعی باید بر مبنای اعتماد ایجاد شود.
هنگامی که سیستم AI بر خلاف شهود بشر پاسخ می دهد، مهم است که آن را درک کنید. ما باید کشف کنیم که آیا سیستم AI در حال تلاش برای این است که چیزی به ما آموزش می دهد یا اینکه اشتباه از هوش مصنوعی و برنامه ریزی آن است. شفافیت نیز تضمین می کند که سیستم های هوش مصنوعی ارزش های انسانی ما مانند عدالت، استقلال و احترام که پزشکان به بیماران خود می دهند را منعکس کنند.
تصور کنید اگر مجبور نباشیم برای تشخیص ارتروز، منتظر صدمه و درد استخوان باشیم. اگر بشه قبل از بروز هرگونه علائمی بیماری های خودمون رو تشخیص بدیم چی؟ اگه بتونیم قبل از بروز بیماری آن را درمان کنیم چی؟ به نظر شما جان چند نفر نجات داده میشه؟ چند نفر از نرمی استخوان، سرطان و خیلی بیماری های دیگه جان سالم به درمیبرند؟ آیا به نظر شما میشه به چنین سیستمی اعتماد کرد؟
استفاده از هوش مصنوعی برای تشخیص سرطان
در بررسی استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی ، محققان می گویند هوش مصنوعی در حال حاضر بهتر و سریع تر در تشخیص سرطان از پزشکان است.
دقیق تر از متخصصین پوست.
یک سیستم AI که توسط یک تیم از آلمان، فرانسه و ایالات متحده ساخته شده است، می تواند به طور چشمگیری قدرت بیشتری در تشخیص سرطان پوستی نسبت به متخصصین پوستی داشته باشد. در این تحقیق، این نرم افزار قادر به تشخیص دقیق سرطان در ۹۵٪ تصاویر از مدلهای سرطانی و نقاط خوش خیم بود، در حالی که یک تیم متشکل از ۵۸ متخصص پوست توانست ۸۷٪ موارد را تشخیص دهد.
یک الگوریتم برای سرطان پروستات
محققان چینی الگوریتمی را ایجاد کرده اند که می تواند سرطان پروستات را دقیقا مثل یک متخصص فوق حرفه ای تشخیص دهد. رهبر پژوهشی تیم تولیدی این سیستم هوش مصنوعی Hongqian Guo از دانشگاه نانجینگ گفت: “این الگوریتم کمک خواهد کرد پاتولوژیست ها تشخیص سریعتری در مورد سرطان داشته و حس قضاوت انسانی را که شرایط روزمره در آن تاثیر دارد، را از بین ببرد. استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی و سرطان پروستات بسیار موثر است.
هدف قرار دادن تومورهای سر و گردن
محققان دانشگاه تگزاس، هوستون، یک نرم افزار را برای تشخیص دقیق شکل تومورهای سر و گردن ایجاد کرده اند. در مطالعات انجام شده، پزشکان آموزش دیده به طور گسترده ای ارزیابی حجم تومور را انجام داده اند. این نرم افزار انکولوژیست های پرتویی را قادر می سازد درمان های خود را به طریق بهینه تری در محل سرطان انجام دهند و این خیلی مهم است زیرا این نوع از سرطان ها در نقاط حساس بدن انسان یعنی سر و گردن هستند.
سرطان روده بزرگ
دانشمندان یوکوهاما، ژاپن، یک نرم افزار را طراحی کرده اند که می تواند سرطان روده بزرگ را در مراحل اولیه خود با دقت ۸۶٪ تشخیص دهد. تشخیص محل این نوع سرطان بسیار دشوار است زیرا قبل از اینکه تومورها بدخیم و کشنده شوند، به عنوان سلول های سرطانی وارد جریان خون می شوند، بنابراین تشخیص زود هنگام بسیار مهم است. اینجاست که استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی به کار می آید
سرطان پستان
محققان در کالج امپریال لندن با DeepMind Health در حال کار با تکنیک های مبتنی بر AI برای بهبود دقت غربالگری سرطان پستان هستند. با مطالعه ۷،۵۰۰ ماموگرام، آنها امیدوارند که نرم افزاری ایجاد کنند که تشخیص اشتباهی مثبت کاذب را کاهش دهد. آنها قصد دارند یافته های خود را در اواخر امسال معرفی کنند.
امروز الگوریتم‌های کامپیوتری در حال انجام وظایفی باورنکردنی هستند با دقت بالا، در ابعاد عظیم، با استفاده از هوش شبه انسانی. و به این هوش کامپیوترها معمولا AI گفته می‌شود یا هوش مصنوعی. هوش مصنوعی به وجود آمده تا تاثیر شگرفی درزندگی آینده ما داشته باشد. با این وجود امروزه هنوز با چالش‌های بزرگی روبرو هستیم در شناسایی و تشخیص چندین بیماریخطرناک، مانند بیماری‌های عفونی و سرطان. هر سال هزاران بیمار جان خود را به خاطر سرطان کبد یا دهان از دست می‌دهند.بهترین روش ما برای کمک به این بیماران شناسایی و تشخیص زودهنگام این بیماری‌ها است. خوب امروز چطور این بیماری‌ها را شناسایی می‌کنیم، و آیا هوش مصنوعی می‌تواند کمک کند؟
در بیمارانی که، متاسفانه، مشکوک به این بیماری‌ها هستند، پزشک متخصص ابتدا دستور می‌دهد در پروسه استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی ، تصویربرداری‌های پزشکی بسیار گرانی مانند تصویربرداری فلوئورسانت، سی‌تی و ام‌آر‌آی انجام شوند. بعد از گرفتن آن تصویرها، پزشک متخصص دیگری با آن تصاویر تشخیص می‌دهد و با بیمار صحبت می‌کند. و می‌بینید که این فرایندی بسیار هزینه‌بر است، و هم به پزشکان متخصص نیاز دارد، و هم فناوری‌های گران‌قیمت تصویربرداری پزشکی، و برای کشورهای در حال توسعه کاربردی تلقی نمی‌شود. و البته برای بسیاری از کشورهای صنعتی هم به همچنین. پس می‌توانیم این مشکل را با هوش مصنوعی حل کنیم؟ امروز، اگر می‌خواستم با معماری‌های هوش مصنوعی سنتی
این مشکل را حل کنم، به ۱۰٫۰۰۰ — تکرار می‌کنم، لازم بود اول چیزی حدود ۱۰٫۰۰۰ از این تصویرهای بسیار گران گرفته شوند. پس از آن، پیش یک متخصص می‌رفتم، تا آن تصاویر را برای من تحلیل کند. و با استفاده از این دو اطلاعات، می‌توانم یک شبکه عصبی عمیق استاندارد یا یک شبکه یادگیری عمیق بسازم که تشخیص را برای بیماران انجام دهد. مشابه روش اول، روش‌های هوشمصنوعی سنتی هم از مشکلات مشابهی رنج می‌برند. میزان زیادی اطلاعات، پزشکان متخصص و فناوری‌های تصویربرداری تخصصی پزشکی.
خوب، آیا در مورد استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی می‌توانیم معماری‌های هوش مصنوعی مقیاس‌پذیرتر، موثرتر و باارزش‌تری ایجاد کنیم که این مشکلات بسیار مهم که امروز پیش روی ما هستند را حل کنند؟ و این دقیقا کاری است که گروه من در آزمایشگاه رسانه MIT انجام می‌دهد. ما گونه‌های مختلف نامعمولی از معماری هوش مصنوعی اختراع کرده‌ایم تا بعضی از مهم‌ترین چالش‌های امروزی پیش رو در تصویربرداری پزشکی و آزمایش‌های بالینی را حل کنیم. در مثالی که امروز با شما مطرح کردم، دو هدف داشتیم. هدف اول کاهش تعداد تصاویرمورد نیاز برای آموزش به الگوریتم‌های هوش مصنوعی بود. هدف دوم — جاه‌طلب‌تر شدیم، می‌خواستیم استفاده از فناوری‌های گران تصویربرداری پزشکی را هم برای بررسی بیماران کاهش دهیم. خوب چطور این کار را کردیم؟ برای هدف اول‌مان، به جای شروع با ده‌ها هزار تصویر گران‌قیمت پزشکی مثل هوش مصنوعی سنتی، با یک تصویر پزشکی شروع کردیم. از این تصویر، من و گروهم روشی هوشمندانه برای استخراج میلیاردها بسته اطلاعات پیدا کردیم. این بسته‌های اطلاعات شامل رنگ، پیکسل، هندسه و ترجمه بیماری روی تصویر پزشکی بود. به بیانی، ما یک عکس را به میلیاردها نقطه اطلاعاتی آموزشی تبدیل کردیم، که به طور قابل توجهی میزان اطلاعات لازم برای آموزش را کاهش داد. برای هدف دوم‌مان،
برای کاهش استفاده از فناوری‌های تصویربرداری گران‌قیمت پزشکی برای بررسی بیماران، ما با یک عکس استاندارد با نور سفید شروع کردیم، که با یک دوربین DSLR یا دوربین گوشی از بیمار گرفته شده بود. بعد، آن میلیاردها بسته اطلاعاتی را یادتان هست؟ما آنها را از تصویر پزشکی روی این عکس انداختیم، تا چیزی بسازیم که به آن تصویر مرکب می‌گوییم. در عین ناباوری، فقط به ۵۰ عکس — تکرار می‌کنم، فقط ۵۰ — از این عکس‌های ترکیبی را برای آموزش الگوریتم‌مان برای بازدهی بالا نیاز داشتیم. برای خلاصه کردن روش‌مان، به جای استفاده از ۱۰٫۰۰۰ عکس پزشکی خیلی گران، حالا می‌توانیم الگوریتم هوش مصنوعی را به روشی نامعمول آموزش دهیم،
با استفاده از فقط ۵۰ عکس رزولوشن بالا، اما استاندارد، که با دوربین DSLR و گوشی موبایل گرفته شده است، و تشخیص راانجام دهیم. مهم‌تر اینکه، الگوریتم ما می‌تواند، در آینده و حتی حالا، عکس‌های بسیار ساده نور سفید از بیمار را بپذیرد، به جای فناوری‌های گران تصویربرداری پزشکی. من بر این باورم که در حال ورود به دورانی هستیم که هوش مصنوعی تاثیری باورنکردنی برآینده خواهد گذاشت. و من فکر می‌کنم که در کنار فکر کردن به هوش مصنوعی سنتی، که اطلاعات زیادی می‌خواهد اما کارایی کمی دارد، همچنین باید
به معماری‌های هوش مصنوعی نامعمول فکر کنیم، که می‌توانند میزان کمی اطلاعات بگیرند و بعضی از مهم‌ترین مشکلات امروزی پیش روی ما را حل کنند، مخصوصا در زمینه مراقبت‌های بهداشتی.
در حالی که وعده های زیادی در استفاده از هوش مصنوعی برای تشخیص بیماری پزشکی وجود دارد، AI در تشخیص پزشکی هنوز یک رویکرد نسبتا جدید است، زیرا بسیاری از پزشکان هنوز آن اعتماد مورد نیاز برای جهانی شدن این تکنولوژی را ندارند اما چشم اندازهای آینده به ما میگوید که استفاده از هوش مصنوعی برای تشخیص بیماری در پزشکی به صورت گسترده در آینده استفاده خواهد شد.