کاربرد هوش مصنوعی در پزشکی چیست ؟

کاربرد هوش مصنوعی در پزشکی چیست ؟

ینده عمل “استاندارد” پزشکی ممکن است زودتر از آنچه پیش بینی شده است ، جایی که بیمار قبل از مراجعه به پزشک می تواند رایانه ببیند ، در اینجا باشد. از طریق پیشرفت در هوش مصنوعی (AI) ، به نظر می رسد روزهای تشخیص اشتباه و درمان علائم بیماری به جای اینکه علت اصلی آنها باشد ، در پشت ما حرکت کنند. به این فکر کنید که چند سال اندازه گیری فشار خون دارید یا چه مقدار فضای ذخیره سازی را برای حذف یک تصویر سه بعدی کامل از اندام در لپ تاپ خود باید پاک کنید؟ داده های انباشته تولید شده در کلینیک ها و ذخیره شده در پرونده های الکترونیکی پزشکی از طریق آزمایش های رایج و تصویربرداری پزشکی ، امکان استفاده بیشتر از هوش مصنوعی و داروی مبتنی بر داده با کارایی بالا را فراهم می کند .این برنامه ها تغییر کرده و همچنان روش پزشکان و محققان را برای حل مشکلات بالینی تغییر می دهند.

با این حال ، در حالی که برخی از الگوریتم ها می توانند در کارهای مختلف با پزشکان رقابت کنند و گاهی اوقات از آنها بهتر عمل می کنند ، آنها هنوز به طور کامل در عمل پزشکی روزمره ادغام نشده اند. چرا؟ از آنجا که حتی اگر این الگوریتم ها می توانند به طور معنی داری روی پزشکی تأثیر بگذارند و قدرت مداخلات پزشکی را تقویت کنند ، نگرانی های نظارتی زیادی وجود دارد که در ابتدا باید به آنها توجه شود.
چه چیزی یک الگوریتم را هوشمند می کند؟
مشابه نحوه آموزش پزشکان از طریق سالها تحصیل پزشکی ، انجام تکالیف و امتحانات عملی ، دریافت نمرات و یادگیری اشتباهات ، الگوریتم های هوش مصنوعی نیز باید یاد بگیرند که چگونه کارهای خود را انجام دهند. به طور کلی ، مشاغلی که الگوریتم های هوش مصنوعی می توانند انجام دهند وظایفی هستند که برای تکمیل به هوش انسانی نیاز دارند ، مانند تشخیص الگو و گفتار ، تجزیه و تحلیل تصویر و تصمیم گیری. با این حال ، انسانها باید صریحاً به کامپیوتر بگویند که مثلاً در تصویری که از یک الگوریتم می گیرند ، به دنبال چه چیزی می گردند. به طور خلاصه ، الگوریتم های هوش مصنوعی برای خودکار کردن کارهای دشوار بسیار عالی هستند و گاهی اوقات می توانند در انجام کارهایی که آموزش دیده اند ، از انسان ها بهتر عمل کنند.

به منظور تولید یک الگوریتم موثر هوش مصنوعی ، سیستم های رایانه ای ابتدا از داده هایی تغذیه می شوند که به طور معمول ساختار دارند ، به این معنی که هر نقطه داده دارای برچسب یا حاشیه نویسی است که برای الگوریتم قابل تشخیص است . پس از اینکه الگوریتم در معرض مجموعه کافی از داده ها و برچسب های آنها قرار گرفت ، عملکرد برای اطمینان از صحت ، همانند امتحاناتی که به دانش آموزان داده می شود ، تجزیه و تحلیل می شود. این “امتحانات” الگوریتم به طور کلی شامل ورودی داده های آزمون است که برنامه نویسان از قبل جواب آن را می دانند ، به آنها امکان می دهد توانایی الگوریتم ها را برای تعیین پاسخ صحیح ارزیابی کنند. بر اساس نتایج آزمایش ، الگوریتم می تواند اصلاح شود ، داده های بیشتری را تغذیه کند ، یا برای کمک به تصمیم گیری برای شخصی که الگوریتم را نوشت ، به کار گرفته شود.
 الگوریتم های هوش مصنوعی.  تصویر بالا نمونه ای از الگوریتم را نشان می دهد که آناتومی اساسی یک دست را می آموزد و می تواند جایی را که یک رقم گمشده است دوباره ایجاد کند. ورودی انواع اشعه ایکس دستی است و خروجی اثری از مکانهای گمشده دست است. در این حالت ، مدل رئوس مطالب دستی است که می تواند تولید و برای تصاویر دیگر اعمال شود. این می تواند به پزشکان اجازه دهد مکان مناسب برای بازسازی اندام یا قرار دادن پروتز را ببینند.
الگوریتم های مختلفی وجود دارد که می توانند از داده ها یاد بگیرند. بیشتر کاربردهای AI در پزشکی در برخی از انواع داده ها ، عددی (مانند ضربان قلب یا فشار خون) یا مبتنی بر تصویر (مانند اسکن MRI یا تصاویر نمونه های بافت بیوپسی ) به عنوان ورودی خوانده می شوند. سپس الگوریتم ها از داده ها می آموزند و یا یک احتمال یا یک طبقه بندی را از بین می برند. به عنوان مثال ، نتیجه قابل اجرا می تواند احتمال وجود لخته شریانی با توجه به ضربان قلب و داده های فشار خون یا برچسب زدن نمونه نمونه بافتی به عنوان سرطان یا غیر سرطانی باشد. در کاربردهای پزشکی ، عملکرد الگوریتم در انجام یک کار تشخیصی با عملکرد پزشک مقایسه می شود تا توانایی و ارزش آن در کلینیک مشخص شود.
کاربردهای اخیر هوش مصنوعی در پزشکی
پیشرفت در قدرت محاسباتی همراه با حجم گسترده ای از داده های تولید شده در سیستم های بهداشتی ، بسیاری از مشکلات بالینی را برای کاربردهای هوش مصنوعی پخته می کند. در زیر دو کاربرد اخیر الگوریتم های دقیق و کلینیکی مرتبط وجود دارد که می توانند از طریق ساده تر کردن تشخیص ، به درد بیماران و پزشکان بروند.

اولین این الگوریتم ها یکی از چندین مثال موجود الگوریتمی است که در کارهای طبقه بندی تصویر از پزشکان بهتر عمل می کند. در پاییز سال 2018 ، محققان بیمارستان ملی دانشگاه سئول و دانشکده پزشکی الگوریتمی AI به نام DLAD (تشخیص عمیق مبتنی بر یادگیری عمیق) را برای تجزیه و تحلیل رادیوگرافی قفسه سینه و تشخیص رشد غیر طبیعی سلول مانند سرطان های احتمالی ایجاد کردند . عملکرد الگوریتم با چندین توانایی تشخیص پزشک در تصاویر مشابه مقایسه شد و از 17 پزشک 18 عملکرد بهتری داشت.
کاربردهای الگوریتم های AI در پزشکی. پانل سمت چپ تصویری را که در الگوریتم تغذیه شده نشان می دهد. پانل سمت راست منطقه ای از سلولهای بالقوه خطرناک را نشان می دهد ، همانطور که توسط یک الگوریتم مشخص شده است ، که یک پزشک باید دقیق تر آنها را ببیند.
دومین این الگوریتم ها از طرف محققان Google AI Healthcare ، همچنین در پاییز سال 2018 ، ایجاد شده است که یک الگوریتم یادگیری ایجاد کردند ، LYNA (دستیار گره لنفاوی) ، که اسلایدهای بافت شناسی را برای نمونه برداری از نمونه های بافت آغشته ) برای شناسایی تومورهای متاستاتیک سرطان پستان از گره های لنفاوی ایجاد می کند نمونه برداری این اولین کاربرد هوش مصنوعی برای اقدام به تجزیه و تحلیل بافت شناسی نیست ، اما جالب توجه است که این الگوریتم می تواند مناطق مشکوک غیر قابل تشخیص برای چشم انسان را در نمونه های نمونه برداری مشخص کند. LYNA بر روی دو مجموعه داده آزمایش شد و نشان داده شد که یک نمونه را به طور صحیح به عنوان سرطانی یا غیر سرطانی طبقه بندی می کند 99٪از زمان علاوه بر این ، هنگامی که به پزشکان داده می شود تا همراه با تجزیه و تحلیل معمول خود از نمونه های بافت آغشته ، LYNA میانگین زمان بررسی اسلاید را نصف کند.

اخیراً الگوریتم های دیگر مبتنی بر تصویربرداری توانایی مشابهی در افزایش دقت پزشک نشان داده اند. در کوتاه مدت ، این الگوریتم ها را می توان برای کمک به بررسی مجدد تشخیص آنها و تفسیر سریعتر داده های بیمار بدون از بین بردن دقت ، از آنها استفاده کرد. در دراز مدت ، الگوریتم های مصوب دولت می توانند به طور مستقل در کلینیک عمل کنند ، به پزشکان اجازه می دهد تا روی مواردی که کامپیوترها نمی توانند حل کنند تمرکز کنند. هر دو LYNA و DLAD به عنوان نمونه های برجسته الگوریتم هایی عمل می کنند که با نشان دادن ویژگی های برجسته تصاویر از پزشکان که باید از نزدیک مطالعه شوند ، طبقه بندی پزشکان در نمونه های سالم و بیمار را تکمیل می کنند. این آثار نمونه های قوت بالقوه الگوریتم ها در پزشکی است ، بنابراین چه چیزی مانع استفاده بالینی آنها می شود؟
پیامدهای نظارتی و محدودیت های الگوریتم که به جلو پیش می روند
تاکنون الگوریتم ها در پزشکی مزایای بالقوه زیادی را هم برای پزشکان و هم برای بیماران نشان داده اند. با این حال ، تنظیم این الگوریتم ها کار دشواری است. سازمان غذا و داروی آمریکا (FDA) برخی الگوریتم های کمکی را تأیید کرده است، اما در حال حاضر هیچ دستورالعمل تأیید جهانی وجود ندارد. علاوه بر این ، افرادی که الگوریتم هایی را برای استفاده در کلینیک ایجاد می کنند ، همیشه پزشکانی نیستند که بیماران را معالجه می کنند ، بنابراین در برخی موارد ، متخصصان محاسبات ممکن است نیاز به کسب اطلاعات بیشتر در مورد دارو داشته باشند در حالی که پزشکان ممکن است در مورد وظایف الگوریتم خاصی اطلاعات کسب کنند. یا مناسب نیست. در حالی که هوش مصنوعی می تواند به تشخیص و کارهای اساسی بالینی کمک کند ، تصور جراحی های خودکار مغز دشوار است ، به عنوان مثال ، در بعضی مواقع پزشکان مجبورند رویکرد خود را هنگام پرواز وقتی بیمار را مشاهده می کنند تغییر دهند. به این ترتیب و سایر موارد ، احتمال هوش مصنوعی در پزشکی وجود دارددر حال حاضر بیش از توانایی AI برای مراقبت از بیمار است. با این حال ، دستورالعمل های شفاف FDA می تواند به تعیین الزامات الگوریتم ها کمک کند و منجر به جذب الگوریتم های مستقر در کلینیک شود.

علاوه بر این ، FDA برای آزمایشات بالینی معیارهای پذیرش سختگیرانه ای دارد که به شفافیت شدید در مورد روشهای علمی احتیاج دارد. بسیاری از الگوریتم ها برای دستیابی به نتیجه نهایی به ریاضیات بسیار پیچیده ، دشوار برای رفع انحراف ، که گاهی اوقات “جعبه سیاه” نامیده می شود ، متکی هستند. آیا عدم توانایی در “باز کردن جعبه سیاه” و روشن کردن عملکردهای داخلی یک الگوریتم ، احتمال تصویب FDA آزمایشی متکی به هوش مصنوعی را تحت تأثیر قرار می دهد؟ شاید. بدیهی است که محققان ، شرکتها و کارآفرینان ممکن است در معرض دید قرار دادن روشهای انحصاری خود در معرض دید مردم قرار بگیرند ، در معرض خطر از دست دادن پول با گرفتن ایده های دیگران و تقویت آنها. اگر قوانین ثبت اختراع از وضعیت فعلی خود تغییر کند ، جایی که یک الگوریتم از نظر فنی فقط در صورتی قابل استفاده است که بخشی از یک ماشین فیزیکی باشد ، ابهام در مورد جزئیات الگوریتم می تواند کاهش یابد. در هر صورت ، افزایش شفافیت در کوتاه مدت ضروری است تا داده های بیمار به اشتباه کنترل نشود یا به طور نامناسبی طبقه بندی نشود ، بنابراین می توان تشخیص داد که الگوریتم در کلینیک به اندازه کافی دقیق است.

علاوه بر موانع تأیید FDA ، الگوریتم های هوش مصنوعی ممکن است در دستیابی به اعتماد و تأیید بیماران نیز با مشکل روبرو شوند .بدون اینکه درک درستی از نحوه کارکرد الگوریتم توسط افرادی که آنها را برای استفاده بالینی تأیید می کنند ، وجود داشته باشد ، بیماران ممکن است مایل نباشند که برای کمک به نیازهای پزشکی آنها استفاده شود. اگر این الگوریتم به طور کلی از پزشکان بهتر عمل کند ، اگر مجبور به انتخاب شود ، ترجیح می دهد بیماران توسط یک انسان یا الگوریتم تشخیص نادرست داده شوند؟ پاسخ این سوال برای خیلی ها س toال سختی است اما احتمالاً در اعتماد به نفس در تصمیم گیری الگوریتم خلاصه می شود. تصمیم گیری صحیح تابعی از ساختار داده های مورد استفاده به عنوان ورودی است که از اهمیت حیاتی برای عملکرد صحیح برخوردار است. با داده های گمراه کننده ، الگوریتم ها می توانند نتایج گمراه کننده ای ارائه دهند. کاملاً ممکن است افرادی که یک الگوریتم ایجاد می کنند ندانند داده هایی که آنها تغذیه می کنند گمراه کننده است تا اینکه خیلی دیر است والگوریتم باعث قصور پزشکی شده است . از اینكه پزشكان و برنامه نویسان در مورد داده ها و روش های مورد استفاده برای استفاده صحیح از داده ها در الگوریتم كاملاً آگاه باشند ، می توانند از این خطا جلوگیری كنند. با برقراری ارتباط بین پزشکان بالینی که مشخصات داده های بالینی را می فهمند و محاسباتی که الگوریتم ها را ایجاد می کنند ، یادگیری انتخاب های نادرست برای الگوریتم کمتر خواهد بود.

درک صحیح از محدودیت های الگوریتم ها توسط پزشکان و درک صحیح از داده های بالینی توسط برنامه نویسان کلید ایجاد الگوریتم های قابل استفاده در کلینیک است. ممکن است لازم باشد شرکت ها اسرار عملکرد الگوریتم خود را فدا کنند تا مخاطبان گسترده تر بتوانند روش ها را بررسی کرده و منابع خطایی را که در نهایت می توانند بر مراقبت از بیمار تأثیر بگذارند ، نشان دهند. به نظر می رسد که ما هنوز از الگوریتم هایی که به طور مستقل در کلینیک ها فعالیت می کنند فاصله داریم ، خصوصاً با توجه به عدم وجود مسیر مشخصی برای تأیید بالینی. تعریف کیفیت لازم برای الگوریتم به اندازه کافی دقیق برای کلینیک ، در حالی که به منابع احتمالی خطا در تصمیم گیری الگوریتم پرداخته و شفاف بودن در مورد محل رونق و شکست الگوریتم ، می تواند پذیرش عمومی الگوریتم ها برای جایگزینی پزشکان در بعضی کارها را فراهم کند. این چالش ها ، ارزش تلاش برای غلبه بر آنها را دارد تا به طور جهانی صحت و کارآیی اقدامات پزشکی را برای بیماری های مختلف افزایش دهد.  

اجرای پروژه های تخصصی هوش مصنوعی با مشاوره رایگان سلول پیشتاز

منبع :sitn.hms.harvard.edu