4 کاربرد برتر هوش مصنوعی در حوزه پزشکی را بشناسید - مجله حقوق

به گزارش خبرنگاران، به کار بردن هوش مصنوعی و یادگیری ماشینی در سال های اخیر، به پیشرفت های قابل توجهی در حوزه های داروسازی و زیست فناوری منجر شده است. در این گزارش، به آنالیز چهار مورد از کاربردهای برتر هوش مصنوعی در حوزه پزشکی می پردازیم.

تشخیص بیماری

تشخیص درست بیماری ، به سال ها آموزش در حوزه پزشکی احتیاج دارد و حتی پس از گذراندن دوره های آموزشی هم تشخیص بیماری، اغلب فرآیندی سخت و زمان بر است. تقاضا برای افراد متخصص در بسیاری از حوزه ها، فراتر از شمار افراد قابل دسترسی است و کمبود متخصص نیز معمولا تشخیص بیماری و نجات جان بیمار را به تعویق می اندازد.

یادگیری ماشینی به خصوص الگوریتم های یادگیری عمیق، اخیرا موجب پیشرفت های قابل توجهی در تشخیص اتوماتیک، کم هزینه و در دسترس تر بیماری شده اند.

چگونه ماشین ها تشخیص دادن را یاد می گیرند؟

الگوریتم های یادگیری ماشینی می توانند یاد بگیرند که الگوها را مانند پزشکان مورد آنالیز قرار دهند. یک تفاوت مهم میان دو تشخیص این است که الگوریتم ها، به نمونه های بسیاری برای یادگیری احتیاج دارند و شاید برای آموزش آنها به هزاران نمونه احتیاج باشد. از آنجا که ماشین ها قادر به مطالعه کتاب نیستند، همه این نمونه ها باید به صورت دیحیتال ارائه شوند.

بدین ترتیب، یادگیری ماشینی می تواند در حوزه هایی کارآمد باشد که در آن، اطلاعات تشخیصی آنالیز شده توسط یک پزشک، به صورت دیجیتال ارائه می شوند. این حوزه می تواند مواردی از این دست را شامل گردد:

· تشخیص سرطان ریه یا سکته براساس سی تی اسکن

· ارزیابی خطر مرگ ناگهانی قلب یا دیگر بیماری های قلبی براساس نوار قلب یا تصاویر ام آرآی

· طبقه بندی ضایعات پوستی در تصاویر ثبت شده از پوست

· یافتن شاخص های مربوط به عارضه رتینوپاتی دیابتی(Diabetic retinopathy) در تصاویر چشم

از آنجا که داده های بسیاری در این حوزه ها موجود هستند، مهارت تشخیص الگوریتم های مبتنی بر هوش مصنوعی نیز در حال پیشرفت است. تفاوت میان تشخیص با این الگوریتم ها و تشخیص متخصصان این است که الگوریتم می تواند در کسری از ثانیه به نتیجه برسد و نتایج آن در سراسر دنیا تکثیر گردد. شاید به زودی همه افراد در همه جای دنیا بتوانند به کیفیت تشخیص متخصصان با هزینه کم دست پیدا نمایند.

پیشرفت تشخیص مبتنی بر هوش مصنوعی

کاربرد یادگیری ماشینی در تشخیص، به تازگی شروع شده و سیستم های بیشتری در ادغام چندین منبع داده از جمله سی تی اسکن، ام آرآی، داده های مربوط به بیماران و حتی دست نوشته ها مداخله می نمایند تا بیماری و فرایند گسترش آن ارزیابی گردد.

هوش مصنوعی جایگزین پزشکان نیست

امکان ندارد که هوش مصنوعی فورا جای پزشکان را بگیرد. در عوض، سیستم های مبتنی بر هوش مصنوعی می توانند ضایعه های بدخیم یا الگوهای خطرناک قلب را برای متخصصان تعیین نمایند و به آنها امکان دهند تا بر تفسیر این نشانه ها تمرکز داشته باشند.

کشف سریع دارو

کشف و ارائه دارو، یک فرآیند پرهزینه است. بسیاری از فرآیندهای تحلیلی مورد احتیاج برای کشف دارو می توانند با یاری یادگیری ماشینی، کارآیی بیشتری داشته باشند. این روش می تواند احتیاج به سالها پژوهش و صدها میلیون سرمایه گذاری را رفع کند.

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

· شناسایی هدف برای مداخله

· کشف گزینه های دارویی

· سرعت بخشیدن به آزمایش های بالینی

· یافتن زیست نشانگرهایی برای تشخیص بیماری

شناسایی هدف برای مداخله

نخستین گام برای کشف دارو، درک ریشه بیولوژیکی بیماری و مکانیسم مقاومتی آن است. پس از این مرحله باید اهداف مورد نظر که معمولا پروتئین ها هستند، شناسایی شوند تا به درمان بیماری یاری نمایند. روش هایی مانند آنالیز آران ای کوچک سنجاق سری(shRNA) که به صورت گسترده در دسترس قرار دارند، میزان داده های قابل ارزیابی برای کشف مسیرهای درمان را به صورت قابل توجهی افزایش داده اند اما به کار بردن روش های قدیمی، هنوز یک چالش برای ادغام منابع گسترده و گوناگون داده ها به شمار می رود.

الگوریتم های یادگیری ماشینی می توانند داده های در دسترس را به شکل ساده تری تحلیل نمایند و حتی یاد بگیرند که به شناسایی اتوماتیک پروتئین های مورد نظر بپردازند.

کشف گزینه های دارویی

در این مرحله، پژوهشگران باید ترکیبی را پیدا نمایند که با مولکول شناسایی شده در تعامل قرار می گیرد. این کار به آنالیز شمار زیادی از ترکیبات احتمالی احتیاج دارد تا اثر آنها بر هدف تشخیص داده گردد. این ترکیبات می توانند طبیعی یا مصنوعی باشند و یا با مهندسی زیستی ارائه شوند.

نرم افزارهای کنونی، اغلب بی دقت هستند و به زمان زیادی برای آنالیز احتیاج دارند اما الگوریتم های هوش مصنوعی می توانند در این مرحله هم مفید واقع شوند. این الگوریتم ها، دوام یک مولکول را براساس ساختار آن پیش بینی می نمایند و سپس از میان میلیون ها مولکول، بهترین مولکول را انتخاب می نمایند که با کمترین عوارض جانبی همراه است. بدین ترتیب، زمان قابل توجهی در ارائه دارو صرفه جویی خواهد شد.

سرعت بخشیدن به آزمایش های بالینی

یافتن گزینه های مناسب برای آزمایش های بالینی، کار سختی است و اگر این گزینه ها اشتباه انتخاب شوند، زمان و هزینه زیادی را برای آزمایش به همراه خواهند داشت.

یادگیری ماشینی می تواند با شناسایی اتوماتیک گزینه های مناسب، سرعت طراحی آزمایش های بالینی را افزایش دهد و استفاده از آنها را برای گروه های خاصی از شرکت نمایندگان تضمین کند. الگوریتم ها می توانند گزینه های خوب و بد را جدا نمایند تا انتخاب بهترین آنها ممکن گردد.

این الگوریتم ها می توانند مانند یک سیستم هشدار در آزمایش های بالینی عمل نمایند تا آزمایشی که نتیجه کارآمدی در بر ندارد، انجام نگردد. بدین ترتیب، پژوهشگران می توانند امکان مداخله به موقع را داشته باشند.

یافتن زیست نشانگرهایی برای تشخیص بیماری

تنها هنگامی امکان درمان یک بیمار وجود دارد که از تشخیص درست اطمینان داشته باشیم. بعضی از روش های تشخیص، بسیار پرهزینه هستند و علاوه بر دانش متخصص، به تجهیزات آزمایشگاهی پیچیده ای احتیاج دارند.

زیست نشانگرها، مولکول هایی هستند که در مایعات بدن انسان به خصوص خون او وجود دارند و اطمینان لازم را در خصوص بیمار بودن شخص فراهم می نمایند. این مولکول ها موجب می شوند که فرایند تشخیص یک بیماری، با ایمنی بیشتر و هزینه کمتری صورت بگیرد.

از زیست نشانگرها می توان برای آنالیز فرایند گسترش بیماری نیز استفاده کرد تا پزشکان بتوانند درمان مناسب را برای بیماری انتخاب نمایند و عملکرد دارو را مورد آنالیز قرار دهند.

اما کشف زیست نشانگرهای مناسب برای یک بیماری خاص، کار سختی است و به فرآیندی طولانی و پرهزینه برای آنالیز ده ها هزار مولکول احتمالی احتیاج دارد.

هوش مصنوعی می تواند بسیاری از کارهایی را که به صورت دستی انجام می شوند، اتوماتیکسازی کند و به فرآیند کار سرعت بدهد. الگوریتم های مبتنی بر هوش مصنوعی، مولکول ها را به دو دسته خوب و بد تقسیم می نمایند که پزشکان بتوانند بر آنالیز بهترین گزینه ها تمرکز داشته باشند.

زیست نشانگرها را می توان برای شناسایی مواردی از این دست به کار برد.

· زیست نشانگر تشخیصی برای شناسایی به موقع وجود یک بیماری در بدن

· زیست نشانگر خطر برای تشخیص خطر گسترش بیماری در بدن

· زیست نشانگر پیش از تشخیص برای شناسایی احتمال گسترش یک بیماری

· زیست نشانگر پیش بینی برای شناسایی این که آیا بیمار نسبت به دارو واکنشی خواهد داشت یا خیر

شخصی سازی درمان

بیماران گوناگون، واکنش های متفاوتی نسبت به داروها و برنامه های درمانی دارند؛ در نتیجه شخصی سازی درمان می تواند طول عمر شخص را افزایش دهد اما شناسایی عواملی که بر انتخاب درمان تاثیر می گذارند، کار بسیار سختی است.

یادگیری ماشینی می تواند با اتوماتیکسازی این فرایند پیچیده، به کشف ویژگی هایی یاری کند که نشان می دهند بیمار، واکنش مثبتی نسبت به درمان خواهد داشت. در واقع، الگوریتم ها می توانند واکنش احتمالی بیمار را نسبت به یک درمان خاص پیش بینی نمایند.

این الگوریتم ها، کار خود را با آنالیز بیماران مشابه و مقایسه درمان و پیامدهای آن یاد می گیرند. نتایج پیش بینی الگوریتم ها، به پزشکان یاری می نماید تا برنامه درمان را ساده تر و به درستی طراحی نمایند.

بهبود اصلاح ژن

روش اصلاح ژن کریسپر، جهش بزرگی در حوزه اصلاح ژن به شمار می رود که مانند یک جراح عمل می نماید و روشی دقیق و در عین حال مقرون به صرفه است.

این روش برای هدف قرار دادن و اصلاح یک قسمت خاص از دی ان ای، بر آران ای تکیه می نماید اما آران ای می تواند با چندین قسمت از دی ان ای منطبق گردد و عوارض جانبی نامطلوبی به همراه داشته باشد. انتخاب دقیق آران ای با کمترین عوارض جانبی، یک تنگنا در روش اصلاح ژن کریسپر به شمار می رود.

مدل های مبتنی بر یادگیری ماشینی اثبات نموده اند که می توانند بهترین نتایج را در این زمینه ارائه دهند و به فرایند کار نیز سرعت بدهند.