شناسایی علائم پنهان نارسایی قلبی از طریق هوش مصنوعی
محققان مرکز «Mount Sinai» موفق به ساخت الگوریتم رایانهای ویژهای شدهاند که مجهز به هوش مصنوعی است. این الگوریتم میتواند تغییرات ناچیز در نوار قلب را شناسایی کند. بنابراین، میتوان پیشبینی کرد که بیمار دچار نارسایی قلبی میشود یا خیر.
دکتر بنجامین اس. گلیکسبرگ، استادیار ژنتیک و علوم ژنومی، عضو مؤسسه سلامت Hasso Platner در مرکز Mount Sinai و نویسنده ارشد مقاله اظهار داشت: «یافتههای ما نشان میدهد که الگوریتمهای یادگیری عمیق میتوانند مشکلات پمپاژ خون در هر دو سمت قلب را از روی دادههای نوار قبلی تشخیص دهند. در حالت عادی، تشخیص این نوع مشکلات قلبی مستلزم به کارگیری راهکارهای زمانبر و پرهزینهای است.»
مقاله حاضر که در مجله دانشگاه قلبشناسی آمریکا، قسمت عکسبرداری قلبی- عروقی چاپ شده است، تحت رهبریِ آکیل واید قرار داشت. واید به عنوان پژوهشگر فوقدکتری در آزمایشگاه گلیکسبرگ و آزمایشگاهِ گیریش ان. ناکارنی فعالیت میکند.
ناکارنی استادیار پزشکی در دانشکده پزشکی Ichan مرکز Mount Sinai، مدیر بخش پزشکی دادهمحور و دیجیتال و یکی از نویسندههای ارشد مقاله حاضر است.
نارسایی قلبی
حدود 2/6 میلیون شهروند آمریکایی از نارسایی قلبی یا نارسایی قلبی مزمن رنج میبرند. این بیماری زمانی رخ میدهد که حجم خون کمتری برای رفع نیاز اعضای بدن پمپاژ میکند. پزشکان برای سالیان متمادی از نوعی روش عکسبرداری موسوم به نوار قلب برای ارزیابی احتمال ابتلای بیماران به نارسایی قلبی استفاده کردهاند. نوار قلب، روش مفید اما پُرکاری است که فقط در برخی بیمارستانها به کار برده میشوند.
[irp posts=”19414″]با این حال، دستاوردهای اخیر هوش مصنوعی نشان میدهد که دستگاه نوار قلب، دستگاه ثبت الکتریکی پرکاربرد، میتواند جایگزین سریع و قابلدسترسی در این موارد باشد. برای نمونه، مطالعات بسیاری نشان دادهاند که الگوریتم یادگیری عمیق چگونه میتواند ضعف عملکرد بطن چپ قلب را شناسایی کند. بطن چپ خون سرشار از اکسیژن تازه را به بقیه اعضای بدن ارسال میکند. در این مطالعه، محققان درباره توسعه الگوریتمی صحبت میکنند که قدرت بطن چپ و راست را ارزیابی میکند. بطن راست، خون بدون اکسیژن بدن را دریافت میکند و آن را به ریهها پمپاژ میکند.
چالشهای دستگاه نوار قلب
دکتر ناکارنی خاطرنشان کرد: «پزشکان همیشه در استفاده از دستگاه نوار قلب برای تشخیص نارسایی قلبی با چالشهایی روبهرو شدهاند. دلیل این چالش را میتوان تا حدی به این موضوع نسبت داد که هیچ معیار تشخیص ثابتی برای این ارزیابیها وجود ندارد و چشم انسان قادر به شناسایی تغییرات کوچک در تصاویر نوار قلب نیست. مطالعه حاضر، گامی رو به جلو برای دسترسی به اطلاعات نهفته در دادههای تصاویر نوار قلب است. این مطالعه میتواند به پایش و الگوهای درمانی بهتری منجر شود. این کار با استفاده از یک تست نسبتاً ساده و قابلدسترس انجام میشود.»
دستگاه نوار قلب فرایندی دومرحلهای دارد: سیمها به قفسه سینه بیمار متصل میشوند و دستگاه قابلحملی که از طراحی خاصی بهره میبرد، چندین خط خمیده یا موجشکل را چاپ میکند. این موجشکل فعالیت الکتریکی قلب را نشان میدهد. بسیاری از بیمارستانها و آمبولانسهای آمریکا به این دستگاهها مجهز هستند و کار با آنها به آموزش کمی نیاز دارد.
[irp posts=”20526″]در مطالعه حاضر، محققان کامپیوتری را برای خواندن نوار قلب بیماران و دادههای بهدستآمده از گزارشهای کتبی برنامهنویسی کردند. نتایج نوار قلب بیماران در این گزارشها خلاصه شده است. در این شرایط، گزارشهای کتبی بهسان مجموعهدادههای استانداردی برای کامپیوتر هستند، تا آنها را با دادههای نوار قلب مقایسه کند و نحوه شناسایی قلب ضعیف را یاد بگیرد.
نرمافزارهای پردازش زبان طبیعی نقش مؤثری در استخراج دادهها از گزارشهای کتبی داشت. افزون بر این، شبکههای عصبی ویژهای که قادر به شناسایی الگوهای موجود در تصاویر هستند، به کار برده شدند، تا الگوریتم عملکرد بهتری در تشخیص قدرت پمپاژ قلب داشته باشد.
دکتر واید بیان کرد: «توسعه نوعی هوش مصنوعی که به شکل آسان و مقرونبهصرفه قادر به درک کل سازوکار قلب باشد، از جمله اهداف اصلی ما بود.»
استفاده از دادهها برای پیشبینی نارسایی قلبی
کامپیوتر بیش از 000/700 نوار قلب و گزارش نوار قلبی را که در طی سالهای 2003 تا 2020 از 000/150 بیمار بستریشده در مرکز «Mount Sinai Health System» جمعآوری شده بود، خواند. دادههای چهار بیمارستان برای آموزش کامپیوتر به کار برده شدند، اما از دادههای بیمارستان پنجم برای بررسی این مسئله استفاده شد که الگوریتم چگونه در شرایط آزمایشی متفاوت عمل میکند.
دکتر ناکارنی گفت: «از جمله مزایای بالقوه مطالعه حاضر این است که یکی از بزرگترین مجموعههای تصاویر نوار قلب را از میان یکی از متنوعترین جمعیت بیماران جهان استفاده کرده است.»
نتایج اولیه
طبق نتایج اولیه، الگوریتم عملکرد مؤثری در پیشبینی احتمالِ داشتن بطن چپ سالم یا خیلی ضعیف داشت. در اینجا، توان با ضریب خروج خون از بطن چپ تعریف شده است. این ضریب نشان میدهد که بطن با هر تپش قلب چه مقدار سیال پمپاژ میکند. سونوگرافی قلب این جزئیات را نشان میدهد. ضریب خروج خون از قلب سالم 50 درصد یا بیشتر است، اما این ضریب در قلب ضعیف به 40 درصد یا کمتر میرسد.
با این حال، الگوریتم عملکرد چندان مؤثری در پیشبینیِ اینکه کدام بیماران، قلب نسبتاً ضعیفی دارند، بر جای نگذاشت. در این مورد، نرمافزار از دقت 73 درصدی در پیشبینی بیمارانی با ضریب خروج خون 40 تا 50 درصد برخوردار بود. نتایج بیشتر نشان داد که الگوریتم یاد گرفت تا ضعف دریچه راست را از روی تصاویر نوار قلب شناسایی کند. در این مورد، از عبارتهای توصیفی (استخراجشده از گزارش نوار قلب) برای تعریف ضعف استفاده شد. الگوریتم توانست بیمارانی را که دریچه راست ضعیفی داشتند، با دقت 84 درصدی پیشبینی کند.
[irp posts=”19065″]دکتر واید اظهار کرد: «نتایج ما نشان داد که این الگوریتم شاید سرانجام به پزشکان کمک کند، تا نارسایی را به شکل درستی در هر دو بطن قلب تشخیص دهند.»
تجزیه و تحلیلهای بیشتر حاکی از آن است که صرفنظر از نژاد و جنسیت، این الگوریتم ممکن است عملکرد مؤثری در شناسایی ضعف قلب در همه بیماران داشته باشد.
دکتر گلیکسبرگ در پایان گفت: «بر اساس نتایج، این الگوریتم میتواند ابزار مفیدی در دست متخصصان بالینی باشد، تا نارسایی قلبی را تشخیص دهند که عده زیادی از بیماران را درگیر کرده است. درحالحاضر، مشغول طراحی آزمایشهایی برای آزمودنِ تأثیرگذاریِ این الگوریتم در شرایط واقعیتر هستیم.»
به نظر شما هوش مصنوعی در چه زمینههای دیگری میتواند در خدمت انسان باشد که به آنها کمتر توجه شده است؟
جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید.