فراهم شدن امکان شناسایی خطر دیابت نوع ۲ به کمک هوش مصنوعی

یک روش جدید هوش مصنوعی از عوامل مختلفی از جمله سلامت لوزالمعده و سطح چربی برای تعیین بیماران در معرض خطر ابتلا به دیابت نوع ۲ استفاده کرد. محققان مرکز بالینی انستیتوی ملی سلامت موفق به فراهم ساختن امکان شناسایی خطر دیابت نوع ۲ به کمک هوش مصنوعی شده‌اند. این محققان به تولید و توسعه یک مدل هوش مصنوعی جدید پرداخته‌اند که فاکتورهای مختلف مربوط به سلامت پانکراس و سطوح چربی را با بهره‌گیری از تصاویر سی‌تی (CT) شکم بدون کنتراست برای شناسایی خطر دیابت نوع ۲ به کمک هوش مصنوعی تجزیه و تحلیل می‌کند.

در جریان این مطالعه که در بخش رادیولوژی به انجام رسیده است، ۸۹۹۲ بیمار مورد ارزیابی قرار گرفتند. از میان این تعداد، ۵۷۲ بیمار مبتلا به دیابت نوع ۲ بودند و ۱۸۸۰ بیمار دیس گلایسمی (اصطلاحی دارای موارد استعمال گسترده که به طور کلی درباره غیرطبیعی بودن ثبات قند خون به کار می‌رود) ‌داشتند. تمامی غربالگری‌های بیماران در میان سال‌های ۲۰۰۴ تا ۲۰۱۶ به انجام رسیده است.

برای ساخت این مدل هوش مصنوعی، محققان از ۴۷۱ تصویر به‌دست‌آمده از مجموعه داده‌های مختلف استفاده کردند. آن‌ها این تصاویر را به سه دسته تقسیم کردند: ۴۲۴ تصویر برای آموزش، ۸ تصویر برای اعتبارسنجی و ۳۹ عکس برای مجموعه‌های آزمایش.

پژوهشگران در هنگام تجزیه و تحلیل تصاویر از اندازه‌گیری‌های گوناگون استفاده کردند. این اندازه‌گیری‌ها شامل تضعیف سی‌تی، حجم پانکراس، درصد چربی داخل پانکراس و بعد فراکتال سه‌بعدی بود. سایر ویژگی‌های آنالیزشده شامل سطوح چربی احشایی و تراکم و حجم عضلات و اندام‌های همسایه بود.

آزمایش‌های مذکور نشان داد که چگالی کم پانکراس و چربی احشایی بالا با شیوع دیابت ارتباط دارد. نتایج ثابت و دقیقی که توسط مدل هوش مصنوعی به دست آمده است همچنین مشخص نمود که آنالیزهای کاملاً خودکار بیومارکرهای سی‌تی شکمی ‌یک رویکرد قابل اعتماد برای پیش‌بینی و تشخیص دیابت است.

افزون بر بررسی‌ها و مطالعات یادشده، محققان امیدوارند که در آینده هم به اجرای تجزیه و تحلیل‌های چند متغیره برای شناسایی خطر دیابت نوع ۲ به کمک هوش مصنوعی ادامه دهند.

نویسندگان پژوهشی که از آن سخن گفتیم، دکتر رونالد ام. سامرز، و هیما تالام، دانشجوی پزشکی، هستند که به ترتیب در مرکز بالینی مؤسسه ملی سلامت، کار و تحصیل می‌کنند. این دو محقق، در بیانیه‌ای مطبوعاتی درباره مطالعات خود چنین می‌گویند: «این مطالعه گامی است ‌به سوی استفاده گسترده‌تر از روش‌های خودکار برای رسیدگی به چالش‌های بالینی». پژوهش مذکور همچنین می‌تواند به تحقیقات آتی در مورد بررسی دلایل تغییرات لوزالمعده، که در بیماران مبتلا به دیابت رخ می‌دهد، کمک بکند.

دکتر سامرز و تالام، در بیانیه مطبوعاتی خود به محدودیت‌های مختلف مربوط به تحقیقشان، از جمله مشکل تقسیم‌بندی تصاویر، و حذف عوامل بالینی مانند نژاد، سابقه خانوادگی یا سطح چربی خون از مدل نهایی اشاره کرده‌اند.

امروزه به طور فزاینده‌ای از روش‌های تحلیل پیش‌بینی در تشخیص‌های بالینی استفاده می‌شود. به عنوان مثال، یک روش تجزیه و تحلیل پیش‌بینی‌کننده که در آگوست ۲۰۲۰ به وجود آمده است، از یک ماشین حساب برای کمک به پزشکان در جهت پیش‌بینی سکته مغزی استفاده می‌کرد. این ابزار به شکلی ویژه از اطلاعات مربوط به سیستم متابولیک، از جمله فشار خون و کلسترول، بهره می‌برد.

بررسی و پژوهش دیگری که در مجله ارتباطات طبیعت (Nature Communications) منتشر شد، نحوه نظارت یک سیستم هشدار اولیه بر بیماری‌های عفونی را توضیح می‌داد. این پژوهش مبتنی بر اطلاعات حاصل از همکاری سه هزار گزارشگر و ارائه‌دهنده بود که داده‌های مربوط به بیماری‌های شبه آنفولانزا را به صورت هفتگی به مراکز کنترل و پیشگیری از بیماری گزارش می‌کردند. با این داده‌ها، محققان به منظور ارائه هشدارهای اولیه در مورد بیمارانی که در معرض خطر سکته قرار داشتند، توانستند یک مدل پیش‌بینی ایجاد کنند.

همزمان با این امر که استفاده از تجزیه و تحلیل پیش‌بینی‌کننده در مراقبت‌های بهداشتی تکامل می‌یابد، محققان در حال انجام دادن اقداماتی برای تقویت این روش‌ها هستند.

در پیوند و تکمیل خبر ایجاد امکان شناسایی خطر دیابت نوع ۲ به کمک هوش مصنوعی، گفتنی است تحقیقات انتشاریافته در مجله محاسبات اجتماعی در ژوئن ۲۰۲۱ نیز توضیح داد که چگونه تجزیه و تحلیل پیشگویانه با کمک هوش مصنوعی و انسان می‌تواند رسیدن به بهترین سطح از موفقیت را در پی داشته باشد؛ زیرا هوش مصنوعی هنگام مدیریت کلان‌داده‌ها به خوبی کار می‌کند و انسان‌ها در مدیریت داده‌های ضخیم (یعنی داده‌هایی کیفی مانند مشاهدات، احساسات و واکنش‌ها که بینش‌هایی را در مورد زندگی عاطفی روزمره انسان‌ها ارائه می‌دهند) بهتر عمل می‌کنند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید