طی همه‌گیری کرونا، الگوریتم‌های یادگیری ماشین توانستند با تحلیل تصاویر موجود از رادیوگراف و سی‌تی‌اسکن سینه، عفونت‌های فعال را شناسایی کنند. هوش مصنوعی این قابلیت را دارد تا در آینده‌ای نه‌چندان دور، خدمات درمانی بیماری‌های تنفسی را متحول کند و به لطف رسانه‌ها و ابزارهای الکترونیک، اطلاعات حوزه‌ بهداشت‌ودرمان رشد بی‌سابقه‌ای داشته‌اند؛ برآوردها حاکی از وجود یک میلیارد گیگابایت داده در آمریکا هستند و پیش‌بینی می‌شود این رقم با نرخ 48 درصد رشد در سال به مسیر خود ادامه دهد. به همین دلیل است که هوش مصنوعی اکنون می‌تواند داده‌های مربوط به ژنومیک، تصاویر پزشکی و سوابق درمانی را با هم ادغام کند.

همه‌گیری کرونا خلأ موجود در سیستم بهداشت‌ودرمان را آشکار کرد و به درمانگران، به‌ویژه متخصصان ریه، نشان داد که برای پیشرفت می‌بایست کاربرد هوش مصنوعی در بافت بالینی را درک کرده و بپذیرند. در میان زیرشاخه‌های هوش مصنوعی، یادگیری عمیق از اهمیت بالایی برخوردار است؛ یادگیری عمیق مؤلفه‌ها و ویژگی‌های موردنیاز برای مسائل موردنظر را به‌صورت خودکار از دل داده‌های خام استخراج کرده و می‌آموزد.

در یادگیری ماشینی، دیتاست‌ها، توابع و الگوریتم‌ها مورد جستجو واقع می‌شوند و خروجی‌ را ارائه می‌دهند که بیشترین انطباق را با داده‌ها داشته باشند. الگوریتم‌های یادگیری ماشینی نظارت‌شده، انطباق بین هریک از ورودی‌های دیتاست و خروجی‌های آن را پیدا می‌کنند. در یادگیری غیرنظارت‌شده، الگوریتم از داخل داده‌ها، خوشه‌ها را پیدا می‌کند.

یکی دیگر از جنبه‌های یادگیری ماشینی که تحت عنوان یادگیری تقویتی شناخته می‌شود، در حوزه‌هایی همچون رباتیک به کار می‌رود. کاربرد دیگر این فناوری را می‌توان مواردی دانست که در آن‌ها، تصمیمات پزشکی مربوط به انتخاب روش‌های درمانی متوالی (مانند پرتودرمانی سرطان ریه) اتخاذ می‌شوند تا پروتکل درمانی نهایی، سلول‌های سرطانی را از بین ببرد و سلول‌های سالم را حفظ کند.

کاربرد هوش مصنوعی در درمان بیماری‌های ریوی

در شرایط فعلی، کاربرد هوش مصنوعی در درمان بیماری‌های ریوی عمدتاً به فناوری بینایی ماشینی خلاصه می‌شود که برای تشخیص توده‌های سرطان ریه و پیش‌بینی ریسک وخامت سرطان به کار می‌رود. مطالعات بالینی حاکی از این هستند که تشخیص زودهنگام سرطان ریه با استفاده از توموگرافی رایانه‌ای (CT) با دوز پایین توانسته است نرخ مرگ‌ومیر ناشی از این بیماری را تا 20 درصد کاهش دهد. طبق شواهد موجود، دقت الگوریتم‌های یادگیری عمیق در بررسی تصاویر CT سرطان سینه برابر یا حتی بهتر از متخصصان رادیولوژی است.

کاربرد هوش مصنوعی در درمان بیماری‌های تنفسی به تحلیل تصاویر رادیولوژی برای تشخیص فیبروز ریوی مربوط می‌شود. متخصصان دریافته‌اند که میان‌ دقت رادیولوژیست‌ها 7/70 درصد و دقت الگوریتم‌ها در طبقه‌بندی این بیماری 3/73 درصد است. متخصصان همچنین دریافته‌اند که بین الگوریتم و متخصصان این حوزه، توافق نظر وجود دارد.

پژوهش‌های جدید سعی دارند با استفاده از یادگیری ماشینی، الگوریتمی طراحی کنند که با یادگیری از روی داده‌های ژنومیک نمونه‌های بیوپسی، ویژگی‌های منحصربه‌فرد مولکولی مربوط به بیماری ریه بینابینی (UIP) را تشخیص دهد. یادگیری ماشینی به‌تازگی جایگاهش را در عرصه‌ پیش‌بینی فشار ریوی، آسم، عفونت‌ ریوی و بیماری‌های مرتبط تحکیم کرده است.

به‌عنوان‌مثال، الگوریتم‌های یادگیری ماشینی فنوتیپ بیماران مبتلا به آسم را مشخص می‌کنند تا پاسخ‌شان به درمان‌های مبتنی بر استرویید را پیش‌بینی نمایند. یکی از مطالعات این حوزه نشان داد بیمارانی که سن‌شان بیشتر است یا دیرتر به بیماری مبتلا شده‌اند، پولیپ‌های بینی و ائوزینوفیل‌های بیشتری دارند که به درمان‌های مبتلا به استرویید بهتر پاسخ می‌دهند. از سوی دیگر، بیماران خانم، چاق، یا افرادی که در سن پایین به آسم مبتلا شده‌اند، به درمان‌های مذکور پاسخ نمی‌دهند.

تشخیص زودهنگام بیماری‌های تنفسی به کمک الگوریتم‌های جدید

کاربرد دیگر هوش مصنوعی در بیماری‌های تنفسی ، تفسیر آزمایشات کارکرد ریوی است. در این حوزه، الگوریتم‌ها توانسته‌اند الگوهای PFT را با دقت 100 درصد تفسیر کنند و در 82 درصد موارد، تشخیص‌گذاری را به‌صورت مؤثر انجام دهند. کاربرد عمده‌ هوش مصنوعی که طی همه‌گیری کرونا در کانون توجهات قرار گرفت، تشخیص زودهنگام بیماری‌های تنفسی و انتخاب راهبردهای درمانی بود. الگوریتم شیوع‌شناسی هوش مصنوعی به نام BlueDot برای ارائه‌ اخبار مربوط به شیوع احتمالی این بیماری به کار رفته است. البته این الگوریتم در سال 2016 نیز برای تشخیص شیوع ویروس Zika در فلوریدای جنوبی استفاده شده بود.

طی همه‌گیری اخیر، الگوریتم‌های یادگیری عمیق تصاویر موجود از رادیوگرافی و سی‌تی‌اسکن سینه را تحلیل می‌کردند تا عفونت‌های فعال را تشخیص دهند. یک پلتفرم یادگیری عمیق دیگر به نام AlphaFold، محصول شرکت DeepMind، برای پیش‌بینی ساختار پروتئین ویروس کرونا به‌کار رفت و بدین‌ ترتیب، اطلاعاتی حیاتی در اختیار تولیدکنندگان واکسن قرار داد. باوجوداین، هوش مصنوعی عاری از مشکل نیست. خطر هک‌شدن اطلاعات و نشت داده که به افشای هویت بیماران می‌انجامند، از جمله دغدغه‌های متخصصان این حوزه هستند. وابستگی بیش از حد بر سیستم‌های یادگیری ماشینی و افزایش اشتباهات پزشکی نیز در برخی از پلتفرم‌های هوش مصنوعی مشاهده شده‌اند.

با پیشرفت سریع فناوری، در آینده‌ای نه‌چندان دور، شاهد ظهور الگوریتم‌هایی خواهیم بود که قادر به پردازش دیتاست‌های بزرگ‌تر به شیوه‌ای دقیق‌تر و سریع‌تر می‌باشند. متخصصان بیماری‌های تنفسی که می‌خواهند پاسخگوی نیازهای مراجعان خود باشند، چاره‌ای به‌جز استفاده از هوش مصنوعی نخواهند داشت.