کاربردهای هوش مصنوعی در حوزه پزشکی:
 

1- تشخیص بیماریها

تشخیص صحیح بیماری‌ها سالها آموزش پزشکی را می‌طلبد. حتی پس از آن نیز تشخیص اغلب یک فرایند سخت و زمان‌بر خواهد بود. در بسیاری از زمینه‌ها، تقاضا برای متخصصان بسیار بیشتر از میزان موجود بوده است. این امر پزشکان را تحت فشار قرار داده و اغلب موجب می‌شود شیوه‌های تشخیصی که باعث نجات جان بیمار می‌شوند با تأخیر صورت ‌گیرد.

یادگیری ماشین (Machine Learning) به ویژه الگوریتم‌های یادگیری عمیق اخیراً پیشرفتهای چشمگیری در تشخیص خودکار بیماری‌ها، ارزان‌تر و در دسترس تر شدن شیوه‌های تشخیصی را موجب شده‌اند.
 
ماشین‌ها چگونه شیوه‌های تشخیص بیماری را می‌آموزند
الگوریتم‌های یادگیری ماشینی می‌توانند روشی که پزشکان به الگوها نگاه می‌کنند را بیاموزند. تفاوت اساسی در آن است که الگوریتم‌ها برای یادگیری به نمونه‌های عینی بسیار زیادی نیاز دارند. و این نمونه‌ها لازم است به صورت منظم دیجیتالی شوند چرا که ماشین‌ها نمی‌توانند خطوط کتابهای درسی را بخوانند.

بنابراین یادگیری ماشین به ویژه در حوزه‌هایی که اطلاعات تشخیصی پزشک دیجیتالی شده‌اند مفید می‌باشد.

این حوزه‌ها عبارتند از:

* تشخیص سرطان ریه یا سکته‌های مغزی بر اساس سی تی اسکن (CT scan)

* ارزیابی و تشخیص خطر مرگ قلبی یا سایر بیماری‌های قلبی بر اساس نوار قلب و تصاویر ام آر آی قلب (MRI)

* طبقه بندی ضایعات پوستی در تصاویر پوست

* یافتن شاخص‌های رتینوپاتی دیابتی در تصاویر چشم
الگوریتم می‌تواند در کسری از ثانیه نتیجه گیری کند و آن را با هزینه پایین در سراسر جهان تکثیر نمایداز آنجا که داده‌های خوب زیادی در این موارد وجود دارد، الگوریتم‌ها به همان اندازه متخصصان در تشخیص بیماریها به خوبی عمل می‌کنند. تفاوت در اینجا است که الگوریتم می‌تواند در کسری از ثانیه نتیجه گیری کند و آن را با هزینه پایین در سراسر جهان تکثیر نماید. بدین ترتیب به زودی همه در هر نقطه از جهان می‌توانند به همان کیفیت به متخصصان ارشد تشخیص رادیولوژی و با قیمت بسیار پایین دسترسی داشته باشند.
 
هوش مصنوعی به این زودی جایگزین پزشکان متخصص نخواهد شد
بعید است که هوش مصنوعی بتواند به طور کامل جایگزین پزشکان متخصص شود. در عوض متخصصان از سیستم‌های هوش مصنوعی برای مشخص کردن ضایعات خطرناک بالقوه یا الگوهای قلبی خطرناک استفاده خواهند کرد، به طوری که قادر خواهند بود بر روی تفسیر این سیگنالها متمرکز شوند.
 

2- تکوین و توسعه سریع‌تر دارو

تولید و توسعه دارو فرایند بسیار پرهزینه‌ای است. بسیاری از فرایندهای تحلیلی درگیر در توسعه دارو با یادگیری ماشینی می‌توانند کارآمدتر شوند. این امر می‌تواند سالها کار و صدها میلیون سرمایه گذاری را اصلاح کند.

هوش مصنوعی با موفقیت در 4 مرحله اصلی توسعه دارو به کار برده شده است، این مراحل عبارتنداز:

* مرحله 1: تعیین هدف‌ برای مداخله

* مرحله 2: کشف موارد مناسب دارویی

* مرحله 3: سرعت بخشیدن به آزمایشات بالینی

* مرحله 4: یافتن بیومارکرها یا نشانگرهای زیستی برای تشخیص بیماری
 
مرحله 1: تعیین هداف برای مداخله
نخستین قدم در تولید و توسعه دارو شناخت منشأ بیولوژیکی یک بیماری (مسیرها) و همچنین مکانیسم‌های مقاومت آن است. آنگاه باید اهداف مناسبی را (به طور معمول پروتئین‌ها) جهت درمان بیماری تعیین نمایید.

دسترسی به تکنیک‌های با بازده بالا مانند غربالگری shRNA و توالی عمیق، میزان داده‌های موجود برای کشف مسیرهای هدف زیست پذیر را افزایش داده است. با این حال با تکنیک‌های سنتی، ادغام و گنجاندن مقدار زیاد و متنوع از منابع داده و سپس یافتن الگوهای مربوطه هنوز هم یک چالش به حساب می‌آید.

الگوریتم‌های یادگیری ماشینی می‌توانند به راحتی تمام داده‌های موجود را تجزیه و تحلیل کنند و حتی می‌توانند تعیین خودکار پروتئینهای هدف را به خوبی به انجام برسانند.
 
مرحله 2: کشف موارد مناسب دارویی
در مرحله بعد نیاز به یافتن ترکیبی است که بتواند با مولکول هدف مشخص شده به شیوه‌ای مطلوب تعامل داشته باشد. این امر غربالگری تعداد زیادی (اغلب هزاران یا حتی میلیونها) ترکیب بالقوه برای تأثیر بر روی هدف و نه ذکر عوارض جانبی خارج از هدف (میزان سمیت) را شامل می‌شود. این ترکیبات می‌توانند طبیعی، غیر طبیعی یا زیست مهندسی شده باشند.

با این حال، نرم افزارهای فعلی اغلب با دقت پایین بوده و پیشنهادات بد زیادی (مثبت کاذب) ایجاد می‌کنند، بنابراین مدت زمان بسیار زیادی طول می‌کشد تا آن را به بهترین موارد دارویی منحصر کرد.
 
مرحله 3: سرعت بخشیدن به آزمایشات بالینی
یافتن موارد مناسب برای آزمایشات بالینی کار دشواری است. در صورتی که موارد اشتباهی انتخاب شوند، آزمایش را طولانی‌تر می‌سازند به این معنا که زمان و منابع زیادی برای این کار صرف می‌شود.

یادگیری ماشینی می‌تواند به طراحی آزمایشات بالینی با تعیین خودکار موارد مناسب و همچنین اطمینان از توزیع درست برای گروه‌های شرکت کننده در آزمایش سرعت بخشد. الگوریتم‌ها می‌توانند به تعیین الگوهایی که موارد خوب را از بد جدا می‌کنند کمک نمایند.
 
مرحله 4: یافتن نشانگرهای زیستی برای تشخیص بیماری
شما تنها زمانی می‌توانید بیماران را درمان سازید که از تشخیص خود اطمینان داشته باشید. برخی از روش‌ها بسیار گران بوده و مستلزم وجود تجهیزات آزمایشگاهی و همچنین دانش تخصصی مانند توالی ژنوم هستند.

شما همچنین می‌توانید از آنها جهت مشخص کردن پیشرفت بیماری استفاده کنید یعنی کار را برای پزشکان جهت انتخاب درمان مناسب و نظارت بر عملکرد دارو آسان سازید.

از نشانگرهای زیستی می‌توان برای شناسایی موارد زیر استفاده کرد:

* تشخیص بیماری در کمترین زمان ممکن ـ بیومارکر تشخیصی

* خطر ابتلاء فرد به بیماری ـ ریسک بیومارکر

* پیشرفت احتمالی یک بیماری ـ بیومارکر پروگنوستیک

* آیا بیمار به دارویی خاص پاسخ می‌دهد یا خیر ـ بیومارکر پریدیکتیو (پیشگویانه)
 

3- شخصی سازی درمان

بیماران مختلف به برنامه‌های درمانی و دارویی پاسخ متفاوتی از خود نشان می‌دهند. بنابراین درمان اختصاصی دارای پتانسیل بسیار زیادی برای افزایش طول عمر بیماران است. اما تشخیص آنکه چه عواملی باید بر نحوه انتخاب درمان تأثیر بگذارند کار بسیار دشواری است.
بنابراین الگوریتم می‌تواند پاسخ احتمالی بیمار به یک درمان بخصوص را پیش بینی نمایدیادگیری ماشینی می‌تواند این کار پیچیده آماری را به صورت خودکار انجام دهد و به کشف ویژگی‌هایی که نشان دهنده پاسخی خاص به یک درمان خاص است، کمک ‌کند. بنابراین الگوریتم می‌تواند پاسخ احتمالی بیمار به یک درمان بخصوص را پیش بینی نماید.

نتیجه آنکه هوش مصنوعی در تشخیص بهتر بیماریها، تولید دارو، اختصاصی ساختن درمان و بسیاری موارد دیگر به ما کمک می‌کند.

اما این تازه شروع کار است. هرچه بیشتر داده‌های پزشکی خود را دیجیتالی و یکپارچه سازیم، بیشتر می‌توانیم از هوش مصنوعی جهت یافتن الگوهای ارزشمند کمک بگیریم. الگوهایی که می‌توانیم جهت تصمیم گیری دقیق و مقرون به صرفه در فرایندهای پیچیده تحلیلی از آنها بهره ببریم.

 
منبع: datarevenue