استفاده از هوش مصنوعی برای پیش‌بینی پیشرفت بیماری شبکیه چشم

یکی از مهم‌ترین مسائل سلامت سالمندان، از دست‌ دادن بینایی است؛ از هر سه فرد ۶۵ ساله، یک نفر مبتلا به‌نوعی بیماری کاهش دید است. در کشورهای پیشرفته، دژنراسیون ماکولا یا تباهی لکه زرد وابسته به سن (AMD)، رایج‌ترین علت نابینایی است. در اروپا، تقریباً ۲۵ درصد از افراد ۶۰ سال به بالا، مبتلا به این بیماری هستند. AMD خشک، تقریباً در میان افراد بالای ۶۵ سال رایج است و معمولاً بینایی را به‌میزان کمی کاهش می‌دهد؛ اما در حدود ۱۵ درصد از بیمارانی که مبتلا به نوع خشک این بیماری هستند، بیماری پیشرفت می‌کند و به نوع شدیدتر آن یعنی، AMDتر یا exAMD تبدیل می‌شود که می‌تواند منجر به از دست رفتن سریع و دائمی بینایی شود.

خوشبختانه، در حال حاضر درمان‌هایی وجود دارند که می‌توانند سرعت از دست‌رفتن بینایی را کاهش دهند، اما هیچ درمان پیشگیرانه‌ای برای این بیماری وجود ندارد. پژوهشگران در حال بررسی روش‌های پیشگیری از این بیماری در آزمایش‌های بالینی هستند. بنابراین دوره زمانی پیش از پیشرفت exAMD، فرصتی حیاتی برای انجام نوآوری‌های درمانی است: آیا می‌توان پیش‌‌بینی کرد که exAMD در کدام بیماران ایجاد می‌شود و آیا می‌توان قبل از نابینا شدن فرد، از آن جلوگیری کرد؟

نویسندگان مقاله حاضر، در پژوهش قبلی خود که در مجله Nature Medicine منتشر شده است، با همکاری بیمارستان چشم‌پزشکی Moorfields و Google Health، دیتاستی از تصاویر شبکیه چشم را جمع‌آوری کرده و به یک سیستم هوش مصنوعی آموزش دادند، تا بتواند پیشرفت exAMD را پیش‌بینی کند. آن‌ها عملکرد مدل خود را با عملکرد پزشکان متخصص مقایسه کردند و نشان دادند که سیستم هوش مصنوعی می‌تواند مانند متخصصان و حتی بهتر از آن‌ها ابتلا به exAMD را از ۶ ماه قبل، پیش‌بینی کند. در نهایت، قابلیت اجرای بالینی سیستم خود را بررسی کردند. نتایج نشان داد که می‌توان از هوش مصنوعی در پژوهش‌های پیشگیری از بیماری‌هایی مانند exAMD، استفاده کرد.

دیتاست بیمارستان چشم‌پزشکی Moorfields

پژوهشگران از دیتاست اسکن‌های شبکیه بیماران بیمارستان Moorfields که در یک چشم مبتلا به عارضه exAMD بودند و چشم دیگرشان هم در معرض خطر ابتلای زیادی بود، استفاده کردند. این دیتاست از ۲۷۹۵ بیمار در ۷ شعبه بیمارستان Moorfields شهر لندن با جنسیت، سن و نژادهای مختلف، جمع‌آوری شد. این بیماران مرتباً برای درمان به بیمارستان مراجعه می‌کردند و در هر نوبت، از هر دو چشم آن‌ها تصویربرداری برش‌نگاری انسجام نوری (OCT) سه‌بعدی با وضوح بالا، انجام می‌شد. در بیشتر مواقع، تشخیص پیشرفت و درمان exAMD، با تأخیر انجام می‌شود. برای برطرف کردن این مشکل، پژوهشگران با همکاری متخصصان شبکیه، تمام اسکن‌های هر دو چشم را بررسی کرده و اسکنی را که در آن exAMD برای اولین بار دیده می‌شود، مشخص کردند.

آموزش سیستم هشدار زودهنگام AMD

این سیستم از دو شبکه عصبی پیچشی عمیق تشکیل شده است که ورودی آن اسکن‌های حجمی چندبعدی چشم هستند و هر اسکن از ۵۸ میلیون پیکسل (وکسل) سه‌بعدی تشکیل شده است. در پژوهش قبلی که اکنون با همکاری Google Health ادامه دارد، مدلی ساخته شد که قادر است این اسکن‌های سه‌بعدی را به سیزده مقوله آناتومیکی، تقسیم کند. داده تقسیم‌بندی‌شده با اسکن‌های خام ترکیب شد و هر دو به‌عنوان ورودی مدل پیش‌بینی استفاده شدند. این مدل برای تخمین ریسک ابتلای چشم دیگر بیمار به exAMD در ۶ ماه آینده، آموزش داده شده بود.

مزیت استفاده از سیستم دومرحله‌ای این است که نماهای مختلفی از اسکن‌های چشمی را در اختیار هوش مصنوعی قرار می‌دهد.

تقسیم‌بندی آناتومیک تصاویر به سیستم کمک می‌کند که بر اساس شاخص‌های آناتومیک شناخته‌شده مانند رسوبات زرد زیر شبکیه (drusen) یا از دست ‌دادن اپیتلیوم رنگدانه شبکیه (که به تغذیه و حفاظت از دیگر لایه‌های شبکیه کمک می‌کند)، احتمال ابتلا به بیماری را مدل‌سازی کند. مدل از اسکن‌های خام‌چشم می‌آموزد که تغییرات ظریف دیگری را که ممکن است تبدیل به عامل احتمالی خطر شوند، تشخیص دهد. در پایان، سیستم، اطلاعات مستخرج از این اسکن‌ها را برای پیش‌بینی زمان و احتمال پیشرفت بیماری در ۶ ماه آینده، ترکیب می‌کند. فرصت زمانی ۶ ماهه به این دلیل انتخاب شد که سیستم بتواند با فرض بازه معاینه و پیگیری  ۳ ماهه، دو بازه معاینه و پیگیری را قبل از سررسید زمان آن‌ها، پیش‌بینی کند.

مقایسه عملکرد سیستم با عملکرد متخصصان

برای سنجش عملکرد سیستم بر اساس معیارهای استاندارد بالینی، باید عملکرد آن را با عملکرد متخصصان انسانی مقایسه کرد. با این حال، پیش‌بینی exAMD برای متخصصان هم کار راحتی نیست و حتی شاید در بعضی از موارد، غیرممکن باشد. پژوهشگران برای بررسی این موضوع، به همراه شش متخصص شبکیه (۳ چشم‌پزشک و ۳ بینایی‌سنج) که هر کدام ده سال سابقه کار داشتند،  به‌منظور پیش‌بینی ابتلای چشم به exAMD در ظرف ۶ ماه، تحقیقی انجام دادند. با وجود بدیع بودن این تکلیف و دشواری آن، عملکرد متخصصان بهتر از آن بود که بتوان گفت تنها شانس در آن دخیل بوده است، اما بین ارزیابی‌های آن‌ها اختلاف قابل‌توجهی وجود داشت. سیستم ابداعی، به‌خوبی متخصصان و حتی در مواردی بهتر از آنان پیشرفت exAMD را پیش‌بینی کرد و در عین حال، عملکرد آن با عملکرد هر متخصص، اختلاف کمتری داشت.

ارائه تصویری کامل از پیشرفت بیماری

پژوهشگران فقط به دنبال سیستمی نیستند که یک پیش‌بینی ساده انجام دهد، بلکه به‌صورت ایده‌آل، می‌خواهند آن نوع اطلاعات آناتومیکی را به دست بیاورند که اساس پیش‌بینی‌ها بوده‌اند؛ این اطلاعات می‌توانند کاربردهای بیشتری داشته باشند (به‌عنوان مثال، در طراحی پژوهش‌ها یا بررسی درمان‌ها به کار روند). یکی از مزیت‌های سیستم تولیدی این پژوهش این است که به‌صورت خودکار هر اسکن را به انواع بافت‌های شناخته‌شده، تقسیم‌ می‌کند. استخراج این ویژگی‌های کالبدشناختی و آسیب‌شناختی، روشی نظام‌مند برای ارائه تصویری کامل از تغییرات این بافت‌ها در طول زمان، فراهم می‌کند. مقادیر احتمال خطری که سیستم به دست می‌دهد، منطبق بر تغییرات آناتومیکی در طول زمان هستند و این دو با یکدیگر، تصویر غنی‌تری از پیشرفت exAMD، ارائه می‌دهند.

پیش‌بینی آینده بر اساس دستاوردهای گذشته

پژوهشگران خوشحال‌اند که می‌توانند با توسعه سیستم‌های تشخیص زودهنگام بیماری شبکیه و اطلاع‌رسانی درباره نحوه پیشرفت این بیماری به پزشکان و دیگر محققان کمک کنند. با استفاده از این سیستم‌های پیش‌بینی می‌توان به‌منظور مدیریت مؤثر بیماران پرخطر، بازه‌های زمانی معاینه و پیگیری مناسب را تعیین کرد. اساسِ پژوهش حاضر، کارهای خوبی هستند که در گذشته و در زمینه توسعه مدل‌های پیش‌بینی exAMD با استفاده از تصاویر شبکیه و اسکن‌هایOCT  انجام ‌شده بودند. نگارندگان، از زمان شروع همکاری با بیمارستان چشم‌پزشکیMoorfields  در سال ۲۰۱۶، دو پژوهش چشمگیر منتشر کرده‌اند که پتانسیل‌های هوش مصنوعی برای تحول مراقبت‌های بهداشتی شبکیه را نشان می‌دهند.

با وجود این دستاوردها، همچنان کارهای زیادی باقی مانده‌اند؛ پژوهش حاضر هنوز منجر به تولید محصولی نشده است که بتواند در فعالیت‌های بالینی معمول به کار گرفته شود. با اینکه مدل حاضر می‌تواند بهتر از متخصصان بالینی، پیش‌بینی کند، اما عوامل بسیاری وجود دارند که باید برای عملکرد مؤثر این سیستم در محیط بالینی، لحاظ شوند. در حالی که این مدل با استفاده از نمونه بزرگی از بیماران عظیم‌ترین بیمارستان چشم‌پزشکی اروپا، آموزش داده و ارزیابی شده است، اما باید عملکرد آن را در بافت جمعیت‌شناختی بسیار متفاوت‌تری هم بررسی کرد. به علاوه، در پژوهش جدیدی، برخی از مسائل اجتماعی- اخلاقی مرتبط با عمل این سیستم‌ها نشان داده‌ شده است. وجود نرخ مشخصی از مثبت کاذب، یعنی مواردی که به اشتباه بیماری در حال پیشرفت تشخیص داده می‌شود، مشکل دیگری است که حل آن دشوار است.

اگر عملکرد سیستم هوش مصنوعی دقیق نباشد، می‌تواند برای بیمارانی که واقعاً در معرض خطر ابتلا نیستند، بی‌دلیل هزینه‌ساز شود و این امر را باید در پژوهش‌های بالینی مرتبط با نحوه استفاده عملی از چنین سیستم‌هایی موردتوجه قرار داد. در مقاله حاضر، دو نقطه عملیاتی سیستمی برای موازنه حساسیت (مقیاسی از میزان صحت تشخیص بیماری) و دقت (مقیاسی از میزان پایین بودن مثبت کاذب)، پیشنهاد شده است. به‌عنوان مثال، میزان دقت ۹۰ درصد و حساسیت ۳۴ درصد، به این معناست که سیستم، پیشرفت بیماری را در یک سوم اسکن‌هایی که طی ۶ ماه بیماری در آن‌ها پیشرفت داشته است، به‌درستی شناسایی می‌کند. این سیستم می‌تواند با دقت کافی، تعدادی از بیمارانی را که در معرض خطر ابتلای زیادی قرار دارند شناسایی کند و در پژوهش‌هایی که با هدف کشف روش‌های درمانی جدید برای کاهش نابینایی و بهبود وضعیت بیماران انجام می‌شوند، مورد استفاده قرار بگیرد.

لازم به ذکر است که کد این مدل به‌صورت متن‌باز، برای انجام تحقیقات آتی اینجا در دسترس است و بیمارستان Moorfields  از طریق سامانه Ryan Initiative for Macular Research، دیتاست را در دسترس عموم قرار خواهد داد.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید