هوش مصنوعی و کاربرد مهم آن در حوزه پزشکی

در سال های اخیر، هوش مصنوعی و یادگیری ماشین در حوزه های داروسازی و زیست فناوری با پیشرفت های چشمگیری همراه بوده است. حتی در این ایام که با ویروس کرونای جدید نیز روبرو هستیم از هوش مصنوعی در پزشکی برای تشخیص سریع بیماران استفاده می شود.

تیم کارشناسی عصررایان شبکه در این مطلب چهار مورد از مهم ترین کاربردهوش مصنوعی درحوزه پزشکی را بیان کرده است.

تشخیص بیماری با هوش مصنوعی در پزشکی

تشخیص درست بیماری‌، به سال‌ها آموزش در حوزه پزشکی نیاز دارد و حتی پس از گذراندن دوره‌های آموزشی هم تشخیص بیماری، اغلب فرآیندی دشوار و زمان‌بر است.

یادگیری ماشینی به خصوص الگوریتم‌های یادگیری عمیق، اخیرا موجب پیشرفت‌های قابل توجهی در تشخیص خودکار، کم‌هزینه و در دسترس‌تر بیماری شده‌اند.

چگونگی تشخیص بیماری توسط ماشین

الگوریتم‌های یادگیری ماشینی می‌توانند یاد بگیرند که الگوها را مانند پزشکان مورد بررسی قرار دهند. یک تفاوت مهم میان دو تشخیص این است که الگوریتم‌ها، به نمونه‌های بسیاری برای یادگیری نیاز دارند و شاید برای آموزش آنها به هزاران نمونه نیاز باشد.

یادگیری ماشینی می‌تواند درحوزه‌هایی کارآمد باشد که درآن، اطلاعات تشخیصی بررسی شده توسط یک پزشک، بصورت دیجیتال ارائه می‌شوند.

این حوزه می‌تواند شامل موارد زیر باشد:

1- تشخیص سرطان ریه یا سکته براساس سی‌تی‌اسکن

2- ارزیابی خطر مرگ ناگهانی قلب یا دیگر بیماری‌های قلبی براساس نوار قلب یا تصاویر ام‌آرآی

3- طبقه‌بندی ضایعات پوستی در تصاویر ثبت شده از پوست

4- یافتن شاخص‌های مربوط به عارضه “رتینوپاتی دیابتی”(Diabetic retinopathy) در تصاویر چشم

از آنجا که داده‌های بسیاری در این حوزه‌ها موجود هستند، مهارت تشخیص الگوریتم‌های مبتنی بر هوش مصنوعی نیز در حال پیشرفت است. تفاوت میان تشخیص با این الگوریتم‌ها و تشخیص متخصصان این است که الگوریتم می‌تواند در کسری از ثانیه به نتیجه برسد و نتایج آن در سراسر جهان تکثیر شود. شاید به زودی همه افراد در همه جای جهان بتوانند به کیفیت تشخیص متخصصان با هزینه کم دست پیدا کنند.

پیشرفت تشخیص مبتنی بر هوش مصنوعی در پزشکی

کاربرد یادگیری ماشینی در تشخیص، به تازگی آغاز شده و سیستم‌های بیشتری در ادغام چندین منبع داده از جمله سی‌تی‌اسکن، ام‌آرآی، داده‌های مربوط به بیماران و حتی دست‌نوشته‌ها مداخله می‌کنند تا بیماری و روند گسترش آن ارزیابی شود.

هوش مصنوعی جایگزین پزشکان نیست

باید به این نکته توجه داشته باشید که هوش مصنوعی جای پزشکان را نمی تواند بگیرد. سیستم‌های مبتنی بر هوش مصنوعی می‌توانند ضایعه‌های بدخیم یا الگوهای خطرناک قلب را برای متخصصان مشخص کنند و به آنها امکان دهند تا بر تفسیر این نشانه‌ها تمرکز داشته باشند.

کشف سریع دارو

کشف و ارائه دارو، یک فرآیند پرهزینه است.

بسیاری از فرآیندهای تحلیلی مورد نیاز برای کشف دارو می‌توانند با کمک یادگیری ماشینی، کارآیی بیشتری داشته باشند.

این روش می‌تواند نیاز به سالها پژوهش و صدها میلیون سرمایه‌گذاری را برطرف کند.

هوش مصنوعی در حال حاضر با موفقیت در چهار حوزه مربوط به ارائه دارو به کار می‌رود.

1- شناسایی هدف برای مداخله

2- کشف گزینه‌های دارویی

3- سرعت بخشیدن به آزمایش‌های بالینی

4- یافتن زیست‌نشانگرهایی برای تشخیص بیماری

شناسایی هدف برای مداخله

نخستین مرحله برای کشف دارو، درک ریشه بیولوژیکی بیماری و مکانیسم مقاومتی آن است. پس از این مرحله باید اهداف مورد نظر که معمولا پروتئین‌ها هستند، شناسایی شوند تا به درمان بیماری کمک کنند.

الگوریتم‌های یادگیری ماشین می‌توانند داده‌های دردسترس رابه شکل ساده‌تری تحلیل کنند وحتی یادبگیرند که به شناسایی خودکار پروتئین‌های مورد نظربپردازند.

کشف گزینه‌های دارویی

در این مرحله، پژوهشگران باید ترکیبی را پیدا کنند که با مولکول شناسایی شده در تعامل قرار ‌گیرند.

این کار به بررسی شمار زیادی از ترکیبات احتمالی نیاز دارد تا اثر آنها بر هدف تشخیص داده شود. این ترکیبات می‌توانند طبیعی یا مصنوعی باشند و یا با مهندسی زیستی ارائه شوند.

نرم‌افزارهای کنونی، اغلب بی‌دقت هستند و به زمان زیادی برای بررسی نیاز دارند اما الگوریتم‌های هوش مصنوعی می‌توانند در این مرحله هم مفید واقع شوند. این الگوریتم‌ها، دوام یک مولکول را براساس ساختار آن پیش‌بینی می‌کنند و سپس از میان میلیون‌ها مولکول، بهترین مولکول را انتخاب می‌کنند که با کمترین عوارض جانبی همراه است. بدین‌ ترتیب، زمان قابل توجهی در ارائه دارو صرفه‌جویی خواهد شد.

سرعت بخشیدن به آزمایش‌های بالینی با هوش مصنوعی در پزشکی

یافتن گزینه‌های مناسب برای آزمایش‌های بالینی، کار دشواری است و اگر این گزینه‌ها اشتباه انتخاب شوند، زمان و هزینه زیادی را برای آزمایش به همراه خواهند داشت.

یادگیری ماشینی می‌تواند با شناسایی خودکار گزینه‌های مناسب، سرعت طراحی آزمایش‌های بالینی را افزایش دهد و استفاده از آنها را برای گروه‌های خاصی از شرکت‌کنندگان تضمین کند. الگوریتم‌ها می‌توانند گزینه‌های خوب و بد را جدا کنند تا انتخاب بهترین آنها ممکن شود.

این الگوریتم‌ها می‌توانند مانند یک سیستم هشدار در آزمایش‌های بالینی عمل کنند تا آزمایشی که نتیجه کارآمدی در بر ندارد، انجام نشود.

بدین ترتیب، پژوهشگران می‌توانند امکان مداخله به موقع را داشته باشند.

یافتن زیست‌نشانگرهایی برای تشخیص بیماری

تنها هنگامی امکان درمان یک بیمار وجود دارد که از تشخیص درست اطمینان داشته باشیم. برخی از روش‌های تشخیص، بسیار پرهزینه هستند و علاوه بر دانش متخصص، به تجهیزات آزمایشگاهی پیچیده‌ای نیاز دارند.

زیست‌نشانگرها، مولکول‌هایی هستند که در مایعات بدن انسان به خصوص خون او وجود دارند و اطمینان لازم را در مورد بیمار بودن شخص فراهم می‌کنند.

این مولکول‌ها موجب می‌شوند که روند تشخیص یک بیماری، با ایمنی بیشتر و هزینه کمتری صورت بگیرد.

از زیست‌نشانگرها می‌توان برای بررسی روند گسترش بیماری نیز استفاده کرد تا پزشکان بتوانند درمان مناسب را برای بیماری انتخاب کنند و عملکرد دارو را مورد بررسی قرار دهند.

اماکشف زیست‌نشانگرهای مناسب برای یک بیماری خاص، کاردشواری است و به فرآیندی طولانی وپرهزینه برای بررسی ده‌ها هزارمولکول احتمالی نیازدارد.

زیست‌نشانگرها را می‌توان برای شناسایی موارد زیر به کار برد.

• زیست‌نشانگر تشخیصی برای شناسایی به موقع وجود یک بیماری در بدن

• زیست‌نشانگر خطر برای تشخیص خطر گسترش بیماری در بدن

• زیست‌نشانگر پیش از تشخیص برای شناسایی احتمال گسترش یک بیماری

• زیست‌نشانگر پیش‌بینی برای شناسایی این که آیا بیمار نسبت به دارو واکنشی خواهد داشت یا خیر

شخصی‌سازی درمان

از آنجا که بیماران گوناگون، واکنش‌های متفاوتی نسبت به داروها و برنامه‌های درمانی دارند؛ در نتیجه شخصی‌سازی درمان می‌تواند طول عمر شخص را افزایش دهد اما شناسایی عواملی که بر انتخاب درمان تاثیر می‌گذارند، کار بسیار دشواری است.

یادگیری ماشینی می‌تواند با خودکارسازی این روند پیچیده، به کشف ویژگی‌هایی کمک کند که نشان می‌دهند بیمار، واکنش مثبتی نسبت به درمان خواهد داشت.

در واقع، الگوریتم‌ها می‌توانند واکنش احتمالی بیمار را نسبت به یک درمان خاص پیش‌بینی کنند.

این الگوریتم‌ها، کار خود را با بررسی بیماران مشابه و مقایسه درمان و پیامدهای آن یاد می‌گیرند.

نتایج پیش‌بینی الگوریتم‌ها، به پزشکان کمک می‌کند تا برنامه درمان را ساده‌تر و به درستی طراحی کنند.

بهبود اصلاح ژن

روش اصلاح ژن کریسپر،جهش بزرگی درحوزه اصلاح ژن بشمارمی‌رودکه مانندیک جراح عمل می‌کند وروشی دقیق ودرعین حال مقرون بصرفه است.

مدل‌های مبتنی بریادگیری ماشینی اثبات کرده‌اندکه می‌توانند بهترین نتایج رادراین زمینه ارائه دهند و به روند کارنیز سرعت بدهند.

منبع: ایسنا

مطالب مرتبط:

هوش مصنوعی ؛ بهبود در دقت تشخیص و درمان بیماری ها

توانایی هوش مصنوعی در تشخیص کرونا در کمتر از 20 ثانیه

بزودی داروی ساخته شده مبتنی بر هوش مصنوعی روی انسان آزمایش می شود


پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *