بیماران گوناگون به داروها و برنامه‌های درمانی متنوع واکنش‌های مختلفی نشان میدهند. بنابراین درمان شخصی سازی شده پتانسیل زیادی برای افزایش طول عمر بیماران دارد. ولی تشخیص این‌که چه عاملی باید در انتخاب درمان تاثیرگذار باشد، کار بسیار سختی است. هوش مصنوعی و یادگیری ماشین میتواند این فرایند پیچیده‌ی آماری را خودکار کند. این الگوریتم‌ها کمک می‌کنند تا متوجه شویم چه خواصی بیان‌گر یک واکنش خاص به یک درمان خاص در هر فرد است. بنابراین پیش‌بینی می‌کنیم که هر بیمار چه واکنش‌های احتمالی را به یک درمان خاص از خود نشان می‌دهد. سیستم یادگیری ماشین این را با مرجع قرار دادن بیماران مشابه و مقایسه‌ی درمان و نتیجه‌ی درمانی آنها می‌آموزد. نتایج پیش‌بینی شده از این طریق به کمک پزشکان رفته و باعث می‌شود نقشه‌ی درمانی درستی طراحی شود.
بارها گفتیم که در حال حاضر در دوره‌ی طلایی هوش مصنوعی قرار داریم که قرار است باعث تحول در همه‌ی وجهه‌های زندگی بشر خواهد شد. هوش مصنوعی در مهندسی پزشکی و به طور کلی ورود هوش مصنوعی به حوزه پزشکی یکی از مرزهای جدیدی است که هوش مصنوعی شروع به فتح آن کرده است و در سال‌های اخیر پیشرفت‌های چشمگیری در این زمینه داشته است.
استفاده از ربات‌های دستیار برای جراحان چند سالی است که به امری رایج در جراحی‌های بخصوص تبدیل شده است. استفاده از ربات‌های دستیار باعث می‌شود تا جراحی با تهاجم کمتر و دقت بیشتری انجام شود. توالی و ویرایش ژن‌ها به کمک هوش مصنوعی انجام می‌گیرد و این امر به دانشمندان کمک می‌کند تا به راه‌های درمان برای بیماری‌های مختلف دست پیدا کنند.
یکی از مهمترین گام‌های قابل توجهی که هوش مصنوعی در مهندسی پزشکی و به طور کلی علم پزشکی برداشته است، تغییراتی است که در روند تشخیص بیماری توسط پزشکان ایجاد می‌کند. در آینده‌ای نزدیک روند تشخیص و درمان بیماری با آنچه که امروز شاهد آن هستیم تفاوت‌های اساسی بسیاری خواهد داشت. در ادامه این تحول بنیادی را با یک مثال برای شما روشن می‌کنیم.
فکر کنید که صبح امروز نشانه‌هایی از سرماخوردگی را در خودتان مشاهده می‌کنید. دمای بدنتان پایین نیامده و تب کرده‌اید و در نفس کشیدن دچار مشکل شده‌اید. طبیعی است که در چنین شرایطی مثل باقی زمان‌هایی که سرما خورده بودید به پزشک مراجعه می‌کنید.
تصور کنید که این بار زمانی که به نزد پزشک رفتید، او در مورد تمام علائم و نشانه‌هایی که در مورد بیماریتان حس می‌کنید از شما می‌پرسد و تمام جواب‌هایتان و مشاهداتش را درون یک تبلت و در یک نرم افزار تشخیص بیماری، که یکی از کاربردهای هوش مصنوعی در مهندسی پزشکی و علم پزشکی هستند، وارد می‌کند. این برنامه در زمان کوتاهی تمام اطلاعات موجود در پرونده پزشکی شما را استخراج می‌کند و با توجه به علائم بیماری که در حال حاضر دارید، پیشنهاد و توصیه‌هایی را برای کمک به تشخیص بیماری آماده می‌کند. سپس پزشک از این پیشنهادات و توصیه‌ها استفاده کرده و آنها را با ارزیابی‌های شخصی خود مقایسه می‌نماید. در نهایت با توجه به همه‌ی این اطلاعات و ارزیابی‌ها تشخیص نهایی را انجام داده و آن را به شما می‌گوید.
تشخیص درست بیماری به سال‌ها مطالعات پزشکی نیاز دارد. حتی در آن صورت نیز تشخیص اغلب فرایندی سخت و زمان‌بر است. در بسیاری از موارد تقاضا برای متخصصان با اختلاف بیشتر از منابع موجود است. این مسئله پزشکان را تحت فشار قرار داده و گاهی تشخیص‌های حیاتی را به تاخیر می‌اندازد. برای نمونه می‌توان به تشخیص شیوع کرونا در هوش مصنوعی اشاره کرد.
تمام سیستم‌های هوش مصنوعی که در مهندسی پزشکی و به طور کلی حوزه پزشکی به کار میروند از الگوریتم‌های یادگیری عمیق برای رسیدن به تشخیص برای بیماری استفاده می‌کنند. از داده‌های موجود در مراکز درمانی و مراقبت‌های بهداشتی برای آموزش این سیستم‌ها استفاده می‌شود. سپس این سیستم‌های هوش مصنوعی تکنیک‌های بخصوصی را برای رسیدن به تشخیص به کار می‌گیرند. چالش و مشکلی در تکنیک‌های یادگیری عمیق وجود دارند شفافیت می‌باشد. ورودی‌ها و خروجی‌هایی که به سیستم داده می‌شوند شفاف هستند اما نحوه رسیدن به تشخیص بیماری توسط هوش مصنوعی واضح و مشخص نیست. نکته‌ی دیگری که در این زمینه وجود دارد آن است که میزان کیفیت سیستم هوش مصنوعی در تشخیص مستقیما به کیفیت داده‌ها وابستگی دارد.
یادگیری ماشین و به‌طور دقیق‌تر الگوریتم‌های یادگیری عمیق، به تازگی پیشرفت زیادی در پزشکی کرده است. این الگوریتم‌ها به صورت خودکار بیماریها را تشخیص میدهند و این فرایند را ارزان‌تر و در دسترس‌تر می‌کنند. اما چگونه ماشین‌ها تشخیص بیماری را می‌آموزند؟ الگوریتم‌های یادگیری ماشین می‌توانند بیاموزند که الگوهای بیماری را همانند پزشکان ببینند. تفاوت اصلی در اینجاست که این الگوریتم‌ها برای آموختن نیاز به هزاران مثال به هم پیوسته دارند. و این مثال‌ها باید تمیز و دیجیتال شوند؛ ماشین‌ها توانایی خواندن از خطوط کتاب‌ها را نداند! بنابراین یادگیری ماشین به‌طور مشخص در مواردی مفید است که اطلاعات آزمایش‌های پزشک در یک پایگاه داده ذخیره شده باشد. در ادامه به برخی از این کاربردها اشاره می‌کنیم:
تشخیص سرطان سینه بر اساس سی‌تی‌اسکن ریه
-
محاسبه احتمال سکته‌ی قلبی یا سایر بیماری‌های قلب بر اساس سیگنال قلبی (ECG) و تصاویر MRI قلبی
-
دسته‌بندی جراحت‌های پوستی بر اساس تصاویر پزشکی پوست
-
یافتن نشانه‌های دیابت با بررسی رتینوپاتی (اختلال عروقی شبکیه) از تصاویر پزشکی چشم
به دلیل وجود داده‌ی زیاد و کاربردی در این زمینه‌ها، الگوریتم‌های توسعه یافته در حد متخصصان مهارت پیدا کرده‌اند. تفاوت در اینجاست: الگوریتم‌ها می‌توانند در کسری از ثانیه تشخیص را انجام دهند. هم چنین این نتایج می‌توانند با قیمت مناسب در همه‌جای دنیا استفاده شوند. به زودی همه‌ی افراد سراسر دنیا می‌توانند از بالاترین سطح تشخیص تصاویر رادیولوژی در حد متخصصان برتر دنیا با قیمت پایین استفاده کنند.
کاربرد هوش مصنوعی در پزشکی و تشخیص بیماری تازه اول راه است. سازوکارهای سطح بالاتری در حال شکل‌گیری است از جمله: تشخیص با منابع چندگانه داده (سی‌تی‌اسکن، MRI، ژنوم و پروتئین‌ها، داده‌های بیمار و حتی پرونده‌های دست‌نویس). با تحلیل ترکیبی از این داده‌ها می‌توان بیماری و روند آن را ارزیابی کرد.
هوش مصنوعی به این زودی جای پزشکان را نخواهد گرفت! تصور نمی‌شود که هوش‌مصنوعی کاملا جای پزشکان را بگیرد. در عوض سیستم‌های هوش مصنوعی برای اخطار دادن جراحات احتمالی و الگوهای خطرناک بیماریها به پزشکان به کار میروند. این اخطارها به کمک پزشکان متخصص می‌آیند و آنها وقت و توجه خود را صرف تفسیر این اخطارها و نشانه‌های به موقع خواهند کرد.
در سامانه تله ویزیت، بصورت آنلاین توسط
دکتر فاطمه نعمت اللهی ویزیت شوید. جهت تله ویزیت روی لینک زیر کلیک کنید.
کاربرد هوش مصنوعی در پزشکی و سرعت بخشیدن به توسعه داروها
فرایند توسعه دارو به گران بودن معروف است. حجم زیادی از فرایندهای تحلیلی تهیه‌ی دارو با استفاده از یادگیری ماشین می‌توانند بهینه‌سازی شوند. بدین شکل می‌توان سال‌ها کار و میلیون‌ها دلار سرمایه گذاری را شبیه‌سازی کرد.
ساخت دارو با هوش مصنوعی و مراحل آن
داروسازی چهار مرحله اصلی دارد که هوش مصنوعی توانسته در همه‌ی این مراحل ورود پیدا کند:
-
مرحله اول: تعیین کردن اهداف برای مداخله
-
مرحله دوم: کشف داروهای نامزد
-
مرحله سوم: سرعت دادن به آزمایش‌های بالینی
-
مرحله چهارم: یافتن نشانه‌های زیستی برای تشخیص دارو
ساخت دارو با هوش مصنوعی: تعیین کردن اهداف برای مداخله
اولین قدم توسعه دارو شناسایی منشا زیستی بیماری و سازوکارهای مقاومتی آن است. سپس باید اهداف خوبی را برای درمان بیماری شناسایی کرد که معمولا پروتئین‌ها هستند. تکنیک‌های بسیار زیادی مانند غربالگری short hairpin RNA و ترتیب‌گذاری عمیق آنها (deep sequencing) وجود دارند. این تکنیک‌ها باعث جمع‌آوری حجم زیادی داده جهت شناسایی مسیرهای هدف ممکن می‌شوند. با این حال، روش‌های قدیمی برای محاسبه حجم زیاد و متنوع منابع داده و یافتن مسیر مرتبط با چالش‌های زیادی مواجه‌اند. الگوریتم‌های هوش مصنوعی می‌توانند به سهولت بیشتری همه‌ی داده‌های موجود را تحلیل کنند و حتی می‌توانند بیاموزند که به‌صورت خودکار اهداف پروتئینی خوب را شناسایی کنند.
ساخت دارو با هوش مصنوعی: کشف داروهای نامزد
در مرحله بعدی نیاز داریم ترکیبی پیدا کنیم که بتواند با مولکول‌های هدف مشخص شده در مسیر خواسته شده واکنش دهد. این مرحله شامل آزمایش هزاران و یا میلیون‌ها ترکیب احتمالی از ترکیب‌ها است. در این آزمایش‌ها تاثیرات این ترکیب‌ها روی بافت هدف و هم‌چنین عوارض جانبی آنها مانند سمی بودن باید بررسی شوند. این ترکیبات می‌توانند طبیعی، مصنوعی و یا زیست‌مهندسی شده (رشد دادن بافت‌هایی که به کمک مهندسان بیومتریال ساخته می‌شوند) باشند. با این وجود، سازوکار فعلی اغلب دقیق نیست و نتایج اشتباهی را به همراه دارد. این فرایند به زمان زیادی احتیاج دارد تا گزینه‌ها را محدود کند و به بهترین نامزدهای دارویی (مرسوم به لیدهای دارویی) برسد. هوش مصنوعی و یادگیری ماشین در این مرحله نیز کارساز است. این الگوریتم‌ها می‌توانند بیاموزند که میزان تطابق یک مولکول را شناسایی کنند. آنها این شناسایی را از روی سرنخ‌های ساختاری و شناساگرهای مولکولی انجام میدهند. سپس آنها از بین میلیون‌ها مولکول احتمالی بهترین گزینه‌هایی که کم‌ترین عوارض جانبی داشته باشند را انتخاب می‌کنند. این روش زمان زیادی را در طراحی دارو ذخیره می‌کند.
ساخت دارو با هوش مصنوعی: سرعت دادن به آزمایش‌های بالینی
یافتن افراد مناسب برای آزمایش‌های بالینی کار دشواری است. اگر افراد اشتباه انتخاب شوند روند آزمایش به تاخیر می‌افتد و زمان و منابع زیادی را به هدر می‌دهد. یادگیری ماشین میتواند با شناسایی نامزدهای مناسب به طور خودکار روند طراحی آزمایش‌های بالینی را سرعت ببخشد. هم‌چنین یادگیری ماشین توزیع درستی از گروه‌های شرکت کننده در آزمایش را تضمین می‌کند. الگوریتم‌ها می‌توانند نامزدهای خوب را از نامزدهای بد تفکیک کنند. به‌علاوه این الگوریتم‌ها می‌توانند به عنوان یک سیستم هشدار دهنده برای آزمایش‌های بالینی ناموفق وارد شوند. در این‌صورت به موقع به محققان اجازه‌ی مداخله و جلوگیری از تهیه‌ی دارو را میدهند.
ساخت دارو با هوش مصنوعی: یافتن نشان‌گرهای زیستی برای تشخیص دارو
شما فقط درصورتی می‌توانید بیماری را درمان کنید که از تشخیص خود مطمئن باشید. بعضی روش‌ها بسیار گران قیمت هستند و نیاز به آزمایشگاه‌های پیشرفته و افراد متخصص دارند، روش‌هایی مانند غربالگری توالی ژنتیکی. نشان‌گرهای زیستی مولکول‌هایی هستند که در مایعات بدن (معمولا خون انسان) دیده می‌شوند. این نشان‌گرها با درصد قطعیت بالایی می‌توانند مشخص کنند که آیا فردی بیمار است یا خیر. بدین صورت فرایند تشخیص بیماری ایمن و ارزان قیمت خواهد شد. هم‌چنین از این نشان‌گرها برای مشخص کردن محل رشد بیماری استفاده می‌شود. در این صورت پزشکان می‌توانند راحت‌تر درمان درست را انتخاب کنند و بررسی کنند که داروی مورد نظر به درستی کار کند؛ اما کشف نشان‌گر زیستی برای هر بیماری خاصی دشوار استو زمان و هزینه‌های زیادی به همراه دارد. به همین دلیل مجددا شاهد کاربرد هوش مصنوعی در پزشکی هستیم.
هوش مصنوعی میتواند درصد بالایی از کارهای انسانی را سرعت ببخشد. این الگوریتم‌ها مولکول‌ها را به نامزدهای خوب و بد دسته‌بندی می‌کنند. این به متخصصان اجازه می‌دهد که روی تحلیل برترین نتایج تمرکز کنند. شناساگرهای زیستی برای تشخیص موارد زیر به کار میروند:
-
وقوع بیماری در کم‌ترین زمان ممکن – نشان‌گر زیستی تشخیصی
-
خطر وقوع بیماری در یک فرد – نشان‌گر زیستی ریسک
-
احتمال گسترش بیماری – احتمال پیشرفت بیماری – نشان‌گر زیستی پیشگیری
-
احتمال جواب دادن یک بیمار به دارو – نشان‌گر زیستی پیش‌بینی کننده
هوش مصنوعی کاربردهای بیشماری در زمینه پزشکی و درمان دارد. معنی این کاربرهای بیشمار آن است که از تشخیص ارتباط بین کدهای ژنتیکی گرفته تا استفاده از ربات های هوش مصنوعی برای عمل های جراحی دشوار، همه و همه در زمره کاربرهای هوش مصنوعی در زمینه پزشکی می باشد. هوش مصنوعی با همه این کاربردهایش توانسته دوره مدرنی را در خدمات درمان و سلامتی ایجاد کند و آن را به سطح دیگری ببرد.
در ادامه نمونه هایی از کاربرد هوش مصنوعی در زمینه پزشکی را بررسی می کنیم:
ساده و موثر کردن روند درمان برای بیماران با استفاده از هوش مصنوعی
در صنعت بهداشت و درمان، زمان برابر پول و سرمایه است. ارائه یک تجربه کارآمد به بیمار این اجازه را به بیمارستان ها ، کلینیک ها و پزشکان می دهد تا روزانه بیماران بیشتری را پذیرفته و درمان کنند.
با استفاده از نوآوری های جدید هوش مصنوعی در صنعت بهداشت و درمان، می توان به تجربه بیمار بهبود بخشید و علاوه بر آن به پرسنل بیمارستان کمک کرد تا میلیون ها نقطه داده را سریع‌تر و مؤثرتر پردازش کنند.
جمع آوری و مدیریت داده ها و اطلاعات پزشکی با استفاده از هوش مصنوعی
یکی از مرزهای بعدی که قرار است توسط کلان داده‌ها فتح شود، بدون شک صنعت بهداشت و درمان خواهد بود. اطلاعات بسیار با ارزش بعضی اوقات در میان میلیون ها داده از بین می‌رود و این امر باعث می شود تا زیان های چند صد میلیارد دلاری به این صنعت وارد شود. علاوه بر آن، عدم توانایی در اتصال نقاط مهم داده‌ها، ایجاد داروهای جدید، تولید داروهای پیشگیری و روند تشخیص مناسب را کند می کند.
بسیاری از فعالان در صنعت بهداشت و درمان برای جلوگیری از این ضرر و زیان‌ها به هوش مصنوعی روی آورده اند. این فناوری توانایی آن را دارد که میلیون‌ها داده را در چند دقیقه تجزیه و تحلیل می کند و اطلاعاتی را از آن ها استخراج کند که برای بدست آوردن آن ها به صرف زمان زیادی نیازمند بوده‌ایم.
کمک گرفتن از ربات های مبتنی بر هوش مصنوعی در جراحی
در سال‌های اخیر استفاده از ربات های در جراحی تا حدودی محبوب شده است. بیمارستان ها با استفاده از ربات‌ها در بسیاری از زمینه‌ها، اعم از روش‌های درمان حداقل تهاجمی تا عمل قلب باز، از ربات ها بهره می‌برند. براساس گزارش یکی از کلینیک‌های آمریکا، ربات‌ها به پزشکان کمک می کنند تا روش‌های درمانی پیچیده را با دقت، انعطاف پذیری و کنترلی انجام دهند که فراتر از توانایی‌های انسانی می‌باشد.
روبات‌های مجهز به دوربین ، بازوهای مکانیکی و ابزار جراحی باعث افزایش تجربه ، مهارت و دانش پزشکان برای ایجاد نوع جدیدی از جراحی می شوند. جراحان این بازوهای مکانیکی را با استفاده از یک رایانه کنترل می کنند. این روبات به پزشک نمایی سه بعدی به همراه بزرگنمایی از محل جراحی در بدن بیمار را می دهد که این کار قبلا امکان‌پذیر نبوده و پزشکان در گذشته تنها بر قدرت چشمانسان متکی بودند. در نهایت این ربات می تواند جراح و اعضای کل تیم را هدایت کند.
جراحی های با کمک ربات‌ها ناشی از جراحی را کمتر کرده و پس از جراحی نیز بیمار درد کمتری را حس خواهد کرد. علاوه بر آن در جراحی هایی با کمک ربات‌ها، ازمان بهبودی بیمار نیز کاهش میابد.
منبع: amerandish و fanology