در سال‌های اخیر، پیشرفت هوش مصنوعی و تأثیر آن در بسیاری از حوزه‌ها، از جمله پزشکی، داروسازی و بیوتکنولوژی، چشمگیر و شگفت‌انگیز بوده است. اغراق نیست اگر بگوییم علم پزشکی با ورود هوش مصنوعی، در آستانه یک انقلاب بزرگ قرار دارد. «ایزاک کوهان»، رئیس بخش انفورماتیک بیومدیکال دانشکده پزشکی هاروارد می‌گوید: هوش مصنوعی این امکان را فراهم می‌کند که تمام دانش پزشکی را در خدمت بیماران قرار دهد. هوش مصنوعی سیستم مراقبت بهداشتی ما را کارآمدتر و کم‌هزینه‌تر می‌کند، از فشار شدیدی که در حال حاضر روی دوش کادر درمان قرار دارد، می‌کاهد و به افراد مختلف – حتی در فقیرترین کشورهای جهان – امکان دسترسی به مراقبت‌های درمانی باکیفیت می‌دهد.
هوش مصنوعی در کدام زمینه‌های پزشکی کاربرد دارد؟
هوش مصنوعی در دنیای پزشکی امروز چند کاربرد اصلی دارد. این کاربردها عبارت‌اند از:
تشخیص بیماری
تشخیص درست بیماری‌ها به سالها آموزش پزشکی نیاز دارد. حتی با وجود دوره‌های آموزشی بسیار طولانی که پزشکان در دانشگاه می‌بینند، تشخیص بیماری معمولاً فرایندی سخت و زمان‌بر است. در بسیاری از رشته‌های پزشکی، تعداد پزشکان کم است و همین موضوع، آن‌ها را تحت‌فشار قرار می‌دهد تا در مواردی نتوانند به طور دقیق وضعیت بیمار را بررسی کنند و بیماری او را تشخیص بدهند.
یادگیری ماشین – به‌خصوص الگوریتم‌های یادگیری عمیق – در سال‌های اخیر پیشرفت‌های زیادی در تشخیص خودکار بیماری‌ها داشته و فرآیند تشخیص را ارزان‌تر و در دسترس‌تر کرده است.
الگوریتم‌های یادگیری ماشین می‌توانند یاد بگیرند که الگوهای بیماری‌ها را مشابه روشی که پزشکان می‌بینند، بررسی کنند. یک تفاوت اصلی در روش تشخیص پزشک و ماشین این است که الگوریتم‌ها برای یادگیری به مثالهای ملموس زیادی نیاز دارند. هزاران مثال! و این مثال‌ها باید کاملاً دیجیتال شوند. بنابراین یادگیری ماشین به‌ویژه در فضاهایی که اطلاعات تشخیصی به‌صورت دیجیتال وجود دارد، می‌تواند خوب عمل کند. مثلاً:
- تشخیص سرطان ریه یا سکته مغزی بر اساس سی‌تی‌اسکن
- ارزیابی خطر مرگ ناگهانی بر اثر مشکلات قلبی یا سایر بیماریهای قلبی بر اساس نوار قلب و تصاویر MRI
- طبقه‌بندی ضایعات پوستی در تصاویر پوستی
- یافتن شاخصهای رتینوپاتی دیابتی در تصاویر چشم
ازآنجایی‌که در موارد بالا داده‌های خوبی در دسترس است، الگوریتم‌ها می‌توانند به‌اندازه متخصصان در تشخیص بیماری خوب عمل کنند؛ اما یک تفاوت بزرگ وجود دارد! الگوریتم می‌تواند در کسری از ثانیه نتیجه‌گیری کند و این کار را با هزینه بسیار کم‌تری انجام می‌دهد.
اما هوش مصنوعی به این زودی جایگزین پزشکان نخواهد شد. در واقع سیستم‌های هوش مصنوعی، برای تشخیص سریع‌تر و دقیق‌تر بیماری‌ها به پزشکان کمک خواهند کرد.
توسعه سریع‌تر داروها
تولید دارو فرایندی پرهزینه است. بسیاری از فرایندهای تحلیلی که در توسعه دارو به کار می‌روند، می‌توانند به کمک یادگیری ماشین کارآمدتر شوند. ۴ مرحله اصلی در توسعه یک دارو وجود دارد که هوش مصنوعی پیش‌ازاین با موفقیت در هرکدام از این ۴ مرحله، مورداستفاده قرار گرفته است.
اولین قدم در توسعه دارو، درک منشأ بیولوژیکی یک بیماری و همچنین مکانیسمهای مقاومت آن است. سپس باید اهداف خوب (معمولاً پروتئینها) را برای درمان بیماری شناسایی کنید. الگوریتم‌های یادگیری ماشین می‌توانند به‌راحتی تمام داده‌های موجود را تجزیه‌وتحلیل کنند و حتی شناسایی خودکار پروتئینهای هدف خوب را یاد بگیرند.
در مرحله بعد، باید ترکیبی را پیدا کنید که بتواند با مولکول هدف شناسایی شده، به روش دلخواه تعامل کند. این کار شامل غربالگری تعداد زیادی – اغلب هزاران یا حتی میلیون‌ها – ترکیب بالقوه برای تأثیر آن‌ها بر هدف است.
الگوریتم‌های یادگیری ماشین می‌توانند در اینجا هم کمک کنند: آن‌ها می‌توانند یاد بگیرند که مناسب بودن یک مولکول را بر اساس توصیف‌گرهای مولکولی پیش‌بینی کنند. سپس از میان میلیون‌ها مولکول بالقوه عبور کرده و همه آن‌ها را با بهترین گزینه‌ها، فیلتر کنند. این کار منجر به صرفهجویی در زمان توسعه یک دارو خواهد شد.
در مرحله ۳، زمان سرعت بخشیدن به آزمایش‌های بالینی فرامی‌رسد. پیداکردن کاندیدای مناسب برای آزمایش‌های بالینی دشوار است. اگر کاندیداهای اشتباهی را انتخاب کنید، دوره آزمایش بسیار طولانی می‌شود و هزینه و زمان زیادی به همراه دارد.
دیتاساینتیست‌ها با استفاده از یادگیری ماشین می‌تواند طراحی کارآزمایی‌های بالینی را از طریق شناسایی خودکار نامزدهای مناسب و همچنین اطمینان از توزیع صحیح برای گروههای شرکتکننده در کارآزمایی، سرعت ببخشد. الگوریتم‌ها می‌توانند باعث شناسایی الگوهایی شوند که نامزدهای مناسب را از نامناسب جدا می‌کنند یا در کارآزمایی‌های بالینی که نتایج قطعی ایجاد نمیکنند، به محققان اجازه مداخله زودتر بدهند و بهطور بالقوه در زمان ساخت دارو صرفهجویی کنند.
در مرحله چهارم، باید نشانگرهای زیستی را برای تشخیص بیماری پیدا کنید. نشانگرهای زیستی، مولکول‌هایی هستند که در مایعات بدن (معمولاً خون انسان) یافت می‌شوند و اطمینان کاملی در مورد ابتلا یا عدم ابتلای فرد به یک بیماری را ارائه می‌کنند. آن‌ها کمک می‌کنند تا فرآیند تشخیص بیماری امن‌تر و کم‌هزینه‌تر شود.
همچنین می‌توانید از آن‌ها برای تعیین دقیق پیشرفت بیماری استفاده کنید. این قابلیت نیز انتخاب روش درمان مناسب و نظارت بر اثربخشی دارو را برای پزشکان آسان‌تر می‌کند.
اما کشف نشانگرهای زیستی مناسب برای یک بیماری خاص دشوار است. این مسئله، یکی دیگر از فرایندهای پرهزینه و وقتگیر است که شامل غربالگری دهها هزار مولکول بالقوه می‌شود.
هوش مصنوعی می‌تواند بخش بزرگی از کارها را که پیش‌ازاین به‌صورت دستی انجام می‌شد، خودکار کند و روند آن را سرعت بخشد. الگوریتم‌ها، مولکول‌ها را به کاندیداهای خوب و بد طبقه‌بندی می‌کنند. این کار به پزشکان کمک می‌کند تا روی آنالیز بهترین کاندیداها تمرکز کنند.
شخصی کردن درمان برای بیماران
بیماران مختلف به داروها و برنامههای درمانی، پاسخ‌های متفاوتی میدهند. بنابراین درمان شخصی، پتانسیل بسیار زیادی برای افزایش طول عمر بیماران دارد. اما تشخیص اینکه چه عواملی باید بر انتخاب درمان تأثیر بگذارد بسیار سخت و پیچیده است.
یادگیری ماشین می‌تواند این کار آماری پیچیده را خودکار و سریع کند. همچنین به پیداکردن ویژگیهایی که باعث می‌شود تا بیمار به یک درمان خاص، پاسخ خاصی بدهد، کمک می‌کند. بنابراین الگوریتم می‌تواند پاسخ احتمالی بیمار به یک درمان خاص را پیش‌بینی کند.
سیستم، این کار را با ارجاع به بیماران مشابه و مقایسه درمانها و نتایج آن‌ها می‌سنجد. پیش‌بینی نتیجه، می‌تواند طراحی برنامه درمانی مناسب را برای پزشکان بسیار آسان‌تر کند.
خلاصه
هوش مصنوعی در حال حاضر به ما کمک می‌کند تا به طور دقیق و مؤثرتری بیماری‌ها را تشخیص و داروها را توسعه دهیم یا شیوه‌های درمان را برای هر بیمار، شخصیسازی کنیم.
اما این تازه شروع کار است. هرچه بیشتر داده‌های پزشکی به سمت دیجیتالی شدن پیش بروند، بیشتر می‌توانیم از هوش مصنوعی برای کمک به یافتن الگوهای ارزشمند تشخیص و درمان استفاده کنیم. الگوهایی که می‌توانیم آن‌ها را برای تصمیم‌گیری دقیق و مقرون‌به‌صرفه در فرایندهای تحلیلی پیچیده پزشکی به کار بگیریم.
سحاب یک شرکت ایرانی ارائه‌کننده راهکارها و تکنولوژی‌های داده‌محور است. در وبسایت سحاب می‌توانید مطالب مفید زیادی در حوزه علوم داده و داده‌محوری بخوانید.
