تشخیص بیماری‌های نادر به کمک ابزار جدید هوش مصنوعی

تشخیص بیماری‌های نادر و انتخاب بهترین درمان برای آنها، با توجه به اطلاعات کمی که در موردشان وجود دارد، همواره درمانگران را با چالش روبه‌رو کرده است. از سوی دیگر، ابزارهای هوش مصنوعی (یادگیری ماشینی) نقش مفیدی در کمک به تصمیم‌گیری، تفکر بحرانی و عملکرد درمانگران ایفا کرده‌اند. تا به امروز، اثربخشی این ابزارها در تشخیص، پیش‌آگاهی و پیش‌بینی نتیجه‌ درمان بیماری صرع، پیداکردن غده‌های سرطانی ریه و مراقبت از بیماران مبتلا به آسیب‌های مغزی شدید به اثبات رسیده است.

باوجوداین، کاربرد هوش مصنوعی در پزشکی دغدغه‌هایی نیز به همراه دارد، چون عملکرد این فناوری وابسته به داده‌هایی است که به آن تغذیه می‌شوند. به همین دلیل، سیستم‌ها می‌توانند به سوگیری‌ علیه گروه‌های دموگرافیک خاص دچار شود. از سوی دیگر، قانون‌گذاری در مورد این فناوری‌ها هنوز به‌درستی و به‌صورت کامل شکل نگرفته است.

متخصصان هوش مصنوعی و درمانگران اطمینان دارند که در آینده‌ای نزدیک، الگوریتم‌های یادگیری ماشینی نقش برجسته‌ای در مراقبت از بیماران بر عهده خواهند داشت؛ البته قرار نیست جای پزشک‌ها را بگیرند، بلکه دانش و تخصص انسان‌ها را تکمیل می‌کنند، تا بهترین خدمات ممکن را به بیماران ارائه دهند.

پژوهشگران «آزمایشگاه یادگیری ماشینی محمود» در بیمارستان بریگهام بوستون یک الگوریتم یادگیری عمیق ساخته‌اند که به‌صورت خودآموز یاد می‌گیرد، تا ویژگی‌های مشابه را در میان مجموعه‌ای از تصاویر آسیب‌شناسی تشخیص دهد و بدین ترتیب، به تشخیص‌ بیماری‌های نادر و درمان آن کمک کند. یافته‌های این پژوهش در ژورنال Nature Biomedical Engineering به چاپ رسیده است.

ابزار جدید که SISH (مخفف جست‌وجوی تصویری خودنظارتی برای بافت‌شناسی) نام دارد، نوعی الگوریتم خودآموز است. الگوریتم‌های یادگیری عمیق برای تقلید از شبکه‌های عصبی پیچیده‌ای ساخته شده‌اند که در مغز انسان‌ها جریان دارند؛ به‌عبارت‌دیگر، این الگوریتم‌ها می‌توانند با یافتن الگوها و ترندهای موجود در دیتاست‌ها، «بیاموزند».

«الگوریتم خودآموز» هوش مصنوعی به کمک علم پزشکی می‌آید

SISH مانند موتور جست‌وجویی است که روی تصاویر آسیب‌شناسی کار می‌کند. از جمله کاربردهای این ابزار می‌توان به قابلیت شگفت‌انگیزش در تشخیص بیماری‌های نادر اشاره کرد. این ابزار همچنین به درمانگران کمک می‌کند، تا تشخیص دهند کدام بیماران به کدام درمان‌ها پاسخ می‌دهند.

فیضل محمود، نویسنده ارشد مقاله، توضیح می‌دهد: «همان‌طور که در مطالعات‌مان نشان داده‌ایم، SISH می‌تواند در امر تشخیص بیماری‌های نادر به درمانگران کمک کند و بدون نیاز به یادداشت‌های دستی و دیتاست‌های بزرگی که در آموزش نظارت‌شده به کار می‌روند، الگوهای ریخت‌شناسی مشابه را در میان بیماران تشخیص دهد. SISH این پتانسیل را دارد، تا مسائل آموزش آسیب‌شناسی، تعیین زیرگونه‌های بیماری‌ها، تشخیص تومور و شناسایی ریخت‌شناسی‌های نادر را بهبود ببخشد.»

ابزارهای هوش مصنوعی بر داده تکیه دارند. دیتابیس‌های الکترونیک مدرن می‌توانند تعداد زیادی نمونه را به‌صورت دیجیتالی ثبت کنند. قسمت چشمگیری از این داده‌ها در قالب تصویر هستند و در بحث آسیب‌شناسی، این تصاویر معمولاً از نوع WSI (تصاویر اسلایدی) هستند، یعنی اسکن کاملی از یک اسلاید میکروسکوپی نمایش می‌دهند. درنتیجه، تصاویر مذکور فایل‌های دیجیتالی با رزولوشن بالا ایجاد می‌کنند. این تصاویر باکیفیت معمولاً فایل‌های بزرگی هستند که باعث می‌شوند جست‌وجو در دیتاست‌های دیجیتالی به زمان بیشتر و محاسبات سنگین‌تری نیاز داشته باشد.

پژوهشگران بریگهام با ساخت SISH بر این مشکل غلبه کرده‌اند؛ چون این ابزار به خودش یاد می‌دهد، تا فارغ از اندازه‌ دیتابیس، با سرعتی یکنواخت، ویژگی‌ها را تشخیص داده و موارد مشابه موجود در دیتاست را پیدا کند.

SISH و کمک به تشخیص سرطان‌های نادر

آسیب‌شناسان و متخصصان هوش مصنوعی سرعت و قابلیت SISH در بازیابی اطلاعات مربوط به سرطان‌های نادر و رایج را به آزمایش گذاشته‌اند. طی این آزمایشات، SISH موفق شد از دیتابیسی متشکل از ده‌ها هزار تصویر WSI که از 22,000 بیمار ثبت شده بودند، تصاویر را به‌درستی و با سرعت بالا استخراج کند. دیتابیس مذکور بیش از 50 نوع بیماری و ده ناحیه‌ آناتومی را در بر می‌گرفت.

SISH در مقایسه با روش‌های دیگر که در سایر موقعیت‌ها (همچون تشخیص زیرگونه‌ بیماری‌ها) به کار رفته بودند، عملکرد بهتری از خود نشان داد. یکی از مهم‌ترین قابلیت‌های این الگوریتم جدید را می‌توان سرعت ثابتش دانست که حتی هنگام کار با دیتابیس‌های بزرگ‌تر یا گوناگون نیز حفظ شد.

باوجوداین، یکی از نواقص SISH این است که به حافظه‌ زیادی نیاز دارد. این ابزار در رویارویی با تصاویر WSI بافت‌های بزرگ، آگاهی موقعیتی محدودی از خود نشان می‌دهد و در حال حاضر، تنها در تشخیص تصاویر واحد مفید واقع شده است؛ اما پژوهشگران اطمینان دارند که الگوریتم جدیدشان نویدبخش پیشرفت در امر تشخیص بیماری‌های نادر است.

محمود در انتها اضافه می‌کند: «امیدواریم تا با بزرگ‌تر شدن اندازه‌ دیتابیس‌ها، SISH بتواند نقش مفیدی در شناسایی بیماری‌های نادر ایفا کند. یکی از اهداف پیش روی پروژه به حوزه‌ بازیابی چندحالتی بر می‌گردد که برای پیداکردن موارد مشابه، به‌صورت همزمان از داده‌های آسیب‌شناسی، رادیولوژی، ژنومیک و پزشکی الکترونیک استفاده می‌کند.»

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