کاربرد محتاطانه هوش مصنوعی در تشخیص سرطان

یادگیری ماشین به تشخیص سرطان و تومورها در مراحل اولیه کمک می‌کند، اما ممکن است تومورهای بدون خطر را نیز شناسایی کند.

هوش مصنوعی این قابلیت را دارد که حوزه‌ی بهداشت و درمان را متحول کند. یادگیری ماشینی یکی از زیرشاخه‌های هوش مصنوعی است که با استفاده از الگوریتم‌ها، روند تصمیم‌گیری انسان‌ها را شبیه‌سازی می‌کند. یادگیری ماشینی در سال‌های اخیر توجه زیادی را به خود جلب کرده است. گستره‌ی کاربردهای یادگیری ماشینی در حوزه‌ی بهداشت و درمان بسیار وسیع است، اما بیشتر کشفیات بزرگ این حوزه در چندین سال اخیر، مربوط به تشخیص‌های مبتنی بر تصویر Image-driven diagnostic بوده‌اند.

متخصصان آسیب‌شناسی با تفسیر عکس‌های بافت‌شناختی Histologic slides می‌توانند سرطان، یا به بیان دقیق‌تر تومورهای توپر Solid tumors، را تشخیص دهند؛ این متخصصان بر اساس تجربه‌ای که در مطالعه‌ی الگوها دارند، تشخیص‌گذاری لازم را انجام می‌دهند. به دست آوردن این مهارت و تسلط بر آن برای انسان‌ها کار زمان‌بری است. اما برای الگوریتم‌های یادگیری ماشینی، کار دشواری نیست؛ چون این الگوریتم‌ها می‌توانند در زمان نسبتاً کوتاهی، روی هزاران تا میلیون‌ها تصویر آموزش ببینند. با توجه به فراوانی این تصاویر آموزشی، تشخیص توسط الگوریتم‌ها سرعت و پایایی بیشتری خواهد داشت.

محدودیت‌ها

با این وجود، این فناوری محدودیت‌هایی هم دارد. دقت الگوریتم‌های یادگیری ماشینی به اعتبار داده‌های آموزشی آن‌ها بستگی دارد. این موضوع در مسئله‌ی تشخیص سرطان، بدین معنی است که داده‌های آموزشی (حقیقت پایه) باید به درستی برچسب‌ خورده باشند. متأسفانه آسیب‌شناسان بر سر این‌که چه چیزی سرطان حساب می‌شود و چه چیزی نه، اختلاف نظر دارند. پژوهش‌های متعدد نشان داده‌اند که در تشخیص سرطان‌های مختلف (پروستات، تیروئید، ملانوم، و سینه)، به خصوص در مراحل اولیه‌ی سرطان، اتفاق نظری بین متخصصان وجود ندارد.

نبود یک استاندارد و پایه‌ی مشخص برای تشخیص سرطان، مسئله‌ی جدیدی نیست؛ اما وقتی بخواهیم از تشخیص مبتنی بر تصویر و مجهز به یادگیری ماشینی استفاده کنیم، مشکل‌زا خواهد شد. واقعیت این است که فناوری یادگیری ماشینی حتی می‌تواند این مشکل را تشدید کند. پژوهشگران و پزشکانی که تمایل دارند فناوری هوش مصنوعی در تشخیص‌گذاری سرطان را وارد حوزه‌ی بالینی کنند، نگران هستند که اتکای این فناوری بر نظرات متخصصان آسیب‌شناسی (به عنوان یک استاندارد بیرونی) منجر به تشخیص بیش از حد (بیش‌تشخیص‌گذاری) شود؛ منظور از بیش‌تشخیص‌گذاری این است که بر اساس معیارهای تشخیصی، تومورهایی سرطان محسوب ‌می‌شوند که در واقع هیچ‌گاه برای فرد خطرناک نخواهند بود.

درمان در مراحل اولیه

امید این است که در آینده، پزشکان برای تشخیص سرطان با کمک هوش مصنوعی، بتوانند درمان را در مراحل اولیه‌ی بیماری شروع کرده و از مرگ و میر ناشی از سرطان جلوگیری کنند. اما تحقق این هدف تا حد زیادی به این بستگی دارد که آسیب‌شناسان بتوانند سرطانی که می‌تواند برای بیمار کشنده باشد را در مراحل اولیه به درستی تشخیص دهند. این در حالی است که شواهد بی‌شماری که از بیش‌تشخیص‌گذاری سرطان وجود دارد، خلاف این موضوع را نشان می‌دهند. از طرفی، هوش مصنوعی با افزایش تشخیص سرطان‌های غیرکشنده با رشد آهسته، این مشکل را وخیم‌تر هم کرده است.

یک راهکار برای حل این مشکل این است که تصاویر آموزشی (تصاویر آسیب‌شناسی بافتی Histopathology images) الگوریتم‌های یادگیری ماشینی را در سه دسته گروه‌بندی کنیم: توافق کامل بر سر وجود سرطان، توافق کامل بر سر نبود سرطان، و عدم توافق نظر. گروه‌بندی تصاویر در این دسته‌ها بر اساس نظرات و ارزیابی‌های هیأتی از متخصصان آسیب‌شناسی انجام خواهد شد. گروه «عدم توافق نظر» می‌تواند موضوع پژوهش‌هایی قرار گیرد که تاریخچه‌ی طبیعی سرطان را مطالعه می‌کنند. این اختلاف نظر به آن دسته پزشکان و بیمارانی که تمایل به درمان غیرتهاجمی‌تری دارند، نیز می‌تواند کمک کند.

کاربرد فناوری یادگیری ماشینی در حوزه‌ی بهداشت و درمان پدیده‌ای نوپا و نوظهور است و مثل هر فناوری دیگری، قبل از کاربرد گسترده باید به دقت بررسی شود تا آسیب‌های ناخواسته و بالقوه‌ی آن (همچون بیش‌تشخیص‌گذاری) مدنظر قرار گیرند. پژوهش‌های آینده می‌توانند با اجرای آزمایشات تصادفی، عملکرد یادگیری ماشینی در تشخیص سرطان را ارزیابی کنند. به بیان خلاصه می‌توان گفت کاربرد یادگیری ماشینی در تشخیص‌گذاری سرطان نباید فقط متمرکز بر پیدا کردن سرطان باشد، بلکه هدف باید تشخیص سرطان‌های بدخیم و کشنده باشد.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید