۴ كاربرد برتر هوش مصنوعی در حوزه پزشكی را بشناسید
به گزارش فیكس سرور استفاده از هوش مصنوعی، به پیشرفت های قابل توجهی در حوزه پزشكی منجر شده و همچنان هم رو به پیشرفت است.
به گزارش فیكس سرور به نقل از ایسنا، به كار بردن هوش مصنوعی و یادگیری ماشینی در سال های اخیر، به پیشرفت های قابل توجهی در حوزه های داروسازی و زیست فناوری منجر گردیده است. در این گزارش، به بررسی چهار مورد از كاربردهای برتر هوش مصنوعی در حوزه پزشكی می پردازیم.
تشخیص بیماری
تشخیص درست بیماری، به سال ها آموزش در حوزه پزشكی نیاز دارد و حتی بعد از گذراندن دوره های آموزشی هم تشخیص بیماری، اغلب فرآیندی دشوار و زمان بر است. تقاضا برای افراد متخصص در خیلی از حوزه ها، فراتر از شمار افراد قابل دسترسی است و كمبود متخصص هم معمولا تشخیص بیماری و نجات جان بیمار را به تعویق می اندازد.
یادگیری ماشینی به خصوص الگوریتم های یادگیری عمیق، به تازگی باعث پیشرفت های قابل توجهی در تشخیص خودكار، كم هزینه و در دسترس تر بیماری شده اند.
چگونه ماشین ها تشخیص دادن را یاد می گیرند؟
الگوریتم های یادگیری ماشینی می توانند یاد بگیرند كه الگوها را مانند پزشكان مورد بررسی قرار دهند. یك تفاوت مهم میان دو تشخیص این است كه الگوریتم ها، به نمونه های بسیاری برای یادگیری نیاز دارند و شاید برای آموزش آنها به هزاران نمونه نیاز باشد. از آنجائیكه ماشین ها قادر به مطالعه كتاب نیستند، همه این نمونه ها باید به صورت دیحیتال عرضه شوند.
بدین ترتیب، یادگیری ماشینی می تواند در حوزه هایی كارآمد باشد كه در آن، اطلاعات تشخیصی بررسی شده توسط یك پزشك، به صورت دیجیتال عرضه می شوند. این حوزه می تواند مواردی از این دست را شامل شود:
· تشخیص سرطان ریه یا سكته برپایه سی تی اسكن
· ارزیابی خطر مرگ ناگهانی قلب یا دیگر بیماری های قلبی برپایه نوار قلب یا تصاویر ام آرآی
· طبقه بندی ضایعات پوستی در تصاویر ثبت شده از پوست
· یافتن شاخصهای مربوط به عارضه "رتینوپاتی دیابتی"(Diabetic retinopathy) در تصاویر چشم
از آنجائیكه داده های بسیاری در این عرصه ها موجود هستند، مهارت تشخیص الگوریتم های مبتنی بر هوش مصنوعی هم در حال پیشرفت است. تفاوت میان تشخیص با این الگوریتم ها و تشخیص متخصصان این است كه الگوریتم می تواند در كسری از ثانیه به نتیجه برسد و نتایج آن در سراسر جهان تكثیر شود. شاید بزودی همه افراد در همه جای جهان بتوانند به كیفیت تشخیص متخصصان با هزینه كم دست یابند.
پیشرفت تشخیص مبتنی بر هوش مصنوعی
كاربرد یادگیری ماشینی در تشخیص، اخیرا شروع شده و سیستم های بیشتری در ادغام چندین منبع داده همچون سی تی اسكن، ام آرآی، داده های مربوط به بیماران و حتی دست نوشته ها مداخله می كنند تا بیماری و روند گسترش آن ارزیابی شود.
هوش مصنوعی جایگزین پزشكان نیست
امكان ندارد كه هوش مصنوعی فورا جای پزشكان را بگیرد. در عوض، سیستم های مبتنی بر هوش مصنوعی می توانند ضایعه های بدخیم یا الگوهای خطرناك قلب را برای متخصصان مشخص كنند و به آنها امكان دهند تا بر تفسیر این نشانه ها تمركز داشته باشند.
كشف سریع دارو
كشف و عرضه دارو، یك فرایند پرهزینه است. خیلی از فرآیندهای تحلیلی مورد نیاز برای كشف دارو می توانند با كمك یادگیری ماشینی، كارآیی بیشتری داشته باشند. این روش می تواند احتیاج به سالها پژوهش و صدها میلیون سرمایه گذاری را برطرف كند.
هوش مصنوعی هم اكنون با موفقیت در چهار حوزه مربوط به عرضه دارو به كار می رود.
· شناسایی هدف برای مداخله
· كشف گزینه های دارویی
· سرعت بخشیدن به آزمایش های بالینی
· یافتن زیست نشانگرهایی برای تشخیص بیماری
شناسایی هدف برای مداخله
اولین گام برای كشف دارو، درك ریشه بیولوژیكی بیماری و مكانیسم مقاومتی آن است. بعد از این مرحله باید اهداف مورد نظر كه معمولا پروتئین ها هستند، شناسایی شوند تا به درمان بیماری كمك كنند. روش هایی مانند بررسی "آران ای كوچك سنجاق سری"(shRNA) كه به طور گسترده در دسترس قرار دارند، میزان داده های قابل ارزیابی برای كشف مسیرهای درمان را به صورت قابل توجهی افزایش داده اند اما به كار بردن روش های قدیمی، هنوز یك چالش برای ادغام منابع گسترده و گوناگون داده ها به حساب می آید.
الگوریتم های یادگیری ماشینی می توانند داده های در دسترس را به شكل ساده تری تحلیل كنند و حتی یاد بگیرند كه به شناسایی خودكار پروتئین های مورد نظر بپردازند.
كشف گزینه های دارویی
در این مرحله، پژوهشگران باید تركیبی را پیدا كنند كه با مولكول شناسایی شده در تعامل قرار می گیرد. این كار به بررسی شمار زیادی از تركیبات احتمالی نیاز دارد تا اثر آنها بر هدف تشخیص داده شود. این تركیبات می توانند طبیعی یا مصنوعی باشند و یا با مهندسی زیستی عرضه شوند.
نرم افزارهای كنونی، اغلب بی دقت هستند و به زمان زیادی جهت بررسی نیاز دارند اما الگوریتم های هوش مصنوعی می توانند در این مرحله هم مفید واقع شوند. این الگوریتم ها، دوام یك مولكول را برپایه ساختار آن پیشبینی می كنند و سپس از میان میلیون ها مولكول، بهترین مولكول را انتخاب می كنند كه با كمترین عوارض جانبی همراه می باشد. بدین ترتیب، زمان قابل توجهی در عرضه دارو صرفه جویی خواهد شد.
سرعت بخشیدن به آزمایش های بالینی
یافتن گزینه های مناسب برای آزمایش های بالینی، كار دشواری است و اگر این گزینه ها اشتباه انتخاب شوند، زمان و هزینه زیادی را برای آزمایش به همراه خواهند داشت.
یادگیری ماشینی می تواند با شناسایی خودكار گزینه های مناسب، سرعت طراحی آزمایش های بالینی را افزایش دهد و استفاده از آنها را برای گروه های خاصی از شركت كنندگان تضمین كند. الگوریتم ها می توانند گزینه های خوب و بد را جدا كنند تا انتخاب بهترین آنها ممكن شود.
این الگوریتم ها می توانند مانند یك سیستم اخطار در آزمایش های بالینی عمل كنند تا آزمایشی كه نتیجه كارآمدی در بر ندارد، انجام نشود. بدین ترتیب، پژوهشگران می توانند امكان مداخله بموقع را داشته باشند.
یافتن زیست نشانگرهایی برای تشخیص بیماری
تنها هنگامی امكان درمان یك بیمار وجود دارد كه از تشخیص درست اطمینان داشته باشیم. بعضی از روش های تشخیص، بسیار پرهزینه هستند و علاوه بر دانش متخصص، به تجهیزات آزمایشگاهی پیچیده ای نیاز دارند.
زیست نشانگرها، مولكول هایی هستند كه در مایعات بدن انسان به خصوص خون او وجود دارند و اطمینان لازم را در مورد بیمار بودن شخص فراهم می كنند. این مولكول ها باعث می شوند كه روند تشخیص یك بیماری، با ایمنی بیشتر و هزینه كمتری صورت بگیرد.
از زیست نشانگرها می توان جهت بررسی روند گسترش بیماری هم بهره برد تا پزشكان بتوانند درمان مناسب را برای بیماری انتخاب كنند و عملكرد دارو را مورد بررسی قرار دهند.
اما كشف زیست نشانگرهای مناسب برای یك بیماری خاص، كار دشواری است و به فرآیندی طولانی و پرهزینه جهت بررسی ده ها هزار مولكول احتمالی نیاز دارد.
هوش مصنوعی می تواند خیلی از كارهایی را كه به صورت دستی انجام می شوند، خودكارسازی كند و به فرایند كار سرعت بدهد. الگوریتم های مبتنی بر هوش مصنوعی، مولكول ها را به دو دسته خوب و بد تقسیم می كنند كه پزشكان بتوانند بر بررسی بهترین گزینه ها تمركز داشته باشند.
زیست نشانگرها را می توان برای شناسایی مواردی از این دست به كار برد.
· زیست نشانگر تشخیصی برای شناسایی بموقع وجود یك بیماری در بدن
· زیست نشانگر خطر برای تشخیص خطر گسترش بیماری در بدن
· زیست نشانگر قبل از تشخیص برای شناسایی احتمال گسترش یك بیماری
· زیست نشانگر پیشبینی برای شناسایی این كه آیا بیمار نسبت به دارو واكنشی خواهد داشت یا خیر
شخصی سازی درمان
بیماران گوناگون، واكنش های متفاوتی نسبت به داروها و برنامه های درمانی دارند؛ در نتیجه شخصی سازی درمان می تواند طول عمر شخص را افزایش دهد اما شناسایی عواملی كه بر انتخاب درمان تأثیر می گذارند، كار بسیار دشواری است.
یادگیری ماشینی می تواند با خودكارسازی این روند پیچیده، به كشف خصوصیت هایی كمك نماید كه نشان می دهند بیمار، واكنش مثبتی نسبت به درمان خواهد داشت. در واقع، الگوریتم ها می توانند واكنش احتمالی بیمار را نسبت به یك درمان خاص پیشبینی كنند.
این الگوریتم ها، كار خویش را با بررسی بیماران مشابه و مقایسه درمان و نتایج آن یاد می گیرند. نتایج پیشبینی الگوریتم ها، به پزشكان كمك می نماید تا برنامه درمان را ساده تر و به درستی طراحی نمایند.
بهبود اصلاح ژن
روش اصلاح ژن كریسپر، جهش بزرگی در حوزه اصلاح ژن به حساب می آید كه مانند یك جراح عمل می كند و روشی دقیق و در عین حال مقرون به صرفه است.
این روش برای هدف قرار دادن و اصلاح یك قسمت خاص از دی ان ای، بر آران ای تكیه می كند اما آران ای می تواند با چندین قسمت از دی ان ای منطبق شود و عوارض جانبی نامطلوبی به همراه داشته باشد. انتخاب دقیق آران ای با كمترین عوارض جانبی، یك تنگنا در روش اصلاح ژن كریسپر به حساب می آید.
مدلهای مبتنی بر یادگیری ماشینی اثبات نموده اند كه می توانند بهترین نتایج را در این حوزه عرضه كنند و به روند كار هم سرعت بدهند.
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب