فناوری هوش مصنوعی که رتینوپاتی دیابتی را تشخیص می‌دهد

Netra.ai، روشی است که Leben Care و بنیاد چشم سانکارا Sankara Eye Foundation توسعه داده‌اند و با کمک فناوری‌های اینتل می‌تواند در چند دقیقه رتینوپاتی دیابتی Diabetic Retiopathy (DR) را تشخیص دهد.

هند با ۶۵ میلیون دیابتی، یکی از بزرگ‌ترین جمعیت‌های درگیر با این بیماری را در جهان دارد. تخمین زده می‌شود که در حدود یک‌سوم از این بیماران از آسیب‌های چشمی مربوط به دیابت، که رتینوپاتی دیابتی (DR) نامیده می‌شود رنج می‌برند.

دکتر Kaushik Murali، رئیس بخش کیفیت و آموزش بنیاد چشم سانکارا، می‌گوید:

«فناوری و هوش مصنوعی دسترسی به مراقبت‌های بهداشتی را، خصوصاً در بخش غربالگری بیماری‌ها، دموکراتیزه می‌کند. تیم ما در بنیاد چشم سانکارا می‌کوشد نابینایی‌های قابل‌پیشگیری را در هند از بین ببرد.

روش Netra.ai – که ما در Leben Care در طراحی و ساخت آن نقشی اساسی داشتیم- از پلتفرم‌های قدرتمند اینتل استفاده می‌کند. این فناوری یکی از مثال‌های است که نشان می‌دهد چگونه همکاران همفکر می‌توانند راه‌حل‌های معنادار و اثرگذار برای چالش‌های مختلفی که گریبانگیر آدمی است پدید آورند.»

تشخیص رتینوپاتی دیابتی با هوش مصنوعی

رتینوپاتی دیابتی عامل اصلی از دست دادن بینایی و نابینایی در میان بزرگسالانی است که درگیر دیابت هستند، اما با تشخیص به‌موقع آن می‌توان تاثیرات منفی آن را به حداقل رساند. در بسیاری از کشورها با درآمد متوسط یا کم درآمد، کمبود متخصصان آموزش‌دیده شبکیه چشم- به‌ویژه در مناطق روستایی- منجر به تشخیص دیرهنگام بیماری می‌شود؛ یعنی زمانی که بیماری چشمی دیابت به مراحل پیشرفته رسیده است.

روش Netra.ai که متکی به فضای ابری است، تصاویر چشم را تحلیل می‌کند و معمولاً نتایج سریعی با دقت ۹۸.۵ در اختیار متخصصان می‌گذارد. از مهم‌ترین مزایای این فناوری این است که می‌‎توان تنها با یک تکنسین از آن در مناطق روستایی بهره برد.

حتی در کشورهای ثروتمند سرعت این روش متکی به هوش مصنوعی می‌تواند به کاستن از بار سیستم‌های سلامت، افزایش تعداد بیماران ویزیت‌شده، تشخیص سریع‌تر و بهبود نتایج کمک کند.

این فناوری را بخش یادگیری عمیق شرکت اینتل Intel Deep Learning Boost طراحی کرده است و از پلتفرم پردازشگر Xeon Scalable استفاده می‌کند.

یک شبکه عصبی پیچشی عمیق چهار مرحله‌ای(DCNN) میزان پیشرفت رتینوپاتی دیابتی را تشخیص می‌دهد و آسیب‌ها و صدمات را حاشیه‌نویسی می‌کند:

Hema Chamraj، از کارشناسان هوش مصنوعی شرکت اینتل، به سوالاتی درباره امکان‌های بالقوه هوش مصنوعی در حوزه سلامت پاسخ داده است:

• به نظر شما چقدر طول می‌کشد تا هوش مصنوعی به مهم‌ترین روش تشخیص رتینوپاتی دیابتی تبدیل شود؟

همان‌طور که در همین روش ما در تشخیص DR می‌بینید، هوش مصنوعی در حساسیت، تخصص و توانایی مستقل کار کردن بسیار نویدبخش عمل کرده است. با این حال، مهم‌ترین کاربرد هوش مصنوعی در رتینوپاتی دیابتی استفاده به‌عنوان ابزار غربالگری برای تشخیص، زودهنگام، کاستن از بار بیماری و رفع کمبودهای بالینی است.

• آیا موانع نظارتی مانعی در استفاده گسترده از این فناوری پدید آورده است؟

هنوز در روزهای آغازین هوش مصنوعی هستیم. هر کشوری چارچوب‌های قانونی خاصی دارد و بسیاری از کشورها در حال حرکت به‌سمت فراهم آوردن قوانینی در حوزه هوش مصنوعی هستند. برای مثال در آمریکا، FDA برای بیش از ده روش درمانی مبتنی بر هوش مصنوعی مجوز صادر کرده است. همچنین این سازمان به‌تازگی اولین برنامه راهبردی هوش مصنوعی خود را نیز منتشر کرده است.

• علی‌‌رغم آنکه از Netra.ai می‌توان در پلتفرم‌های مختلف بهره برد، اما هنوز نیازمند سخت‌افزارهای تخصصی است. با این حال، آیا می‌شود روزی را تصور کرد که این فناوری بدون نیاز به این سیستم‌ها و به‌صورت خودبسنده در مناطق روستایی به کار گرفته شود؟

بله. در آینده می‌توان از هوش مصنوعی در دستگاه‌های کوچک قابل حمل، ازجمله درگوشی‌های هوشمند، استفاده کرد. در فناوری‌ای که ما توسعه داده‌ایم در مناطق روستایی، به یک تکنسین نیاز داریم که بتواند غربالگری اولیه را انجام دهد و به بیمارانی را که نیاز دارند سریعاً به نزدیک‌ترین بیمارستان برده شوند مشورت دهد.

• چقدر اطمینان دارید که ابزارهای تشخیصی هوش مصنوعی بتواند فشارها بر بیمارستان‌ها را به‌صورت چشمگیری کم کند و به از میان بردن برخی از مشکلات ناشی از همه‌گیری کرونا کمک کند؟

در طول پاندمی، ما دیدیم که هوش مصنوعی در تست کرونا و کشف درمان به پزشکان کمک کرد. ما همچنین شاهد افزایش روش‌های پزشکی از راه دور برای کاستن از فشارها روی کادر بیمارستانی و درمانی بودیم.

• شما خودتان از تاثیر AI بر چه بخش‌های دیگری از مراقبت‌های کلینیکی هیجان‌زده هستید؟

در تصویربرداری پزشکی، هوش مصنوعی ارزش خود را در کشف بینش‌های پنهان در دل داده‌های حجیم با دقتی بیش از انسان ثابت کرده است. تمام داده‌های موجود در سیستم‌های مراقبت بالینی مثل EHR، داده‌های ژنومی و آسیب‌شناختی می‌توانند از مزایای هوش مصنوعی بهره ببرند. پتانسیل همه این داده‌ها و بینش‌هایی که درکی کلی از وضعیت بیمار به دست می‌دهد بسیار هیجان‌انگیز است.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید