Loading...
فرآیند بالینی ، اقدامات انجام شده توسط مراقبت های بهداشتی متخصصان به منظور ارزیابی و بهبود سلامت یک بیمار یک نقطه شروع دارد که به صورت قرار ملاقات ، ویزیت اضطراری و غیره است . قرار ملاقات بیمار از 1960 انجام شده است و این مرحله تا حدی دیجیتالی شده است که اغلب ذخیره سازی و بازیابی به صورت دیجیتالی است ولی جمعآوری داده ها هنوز توسط شخص انجام میشود زیرا تکیه بر سیستم خودکار دشوار است و در روند جمعآوری این اطلاعات انسان میتواند به خوبی اطلاعات داده شده توسط بیمار را تعریف کند .به عنوان مثال وقتی یک بیمار میگوید : فکر می کنم دیابت دارم ، پزشک تا قبل از بررسی علائم و آزمایشات آن را تایید نمیکند .
حالا سیستم چگونه این ورودی ها را تجزیه میکند ؟
اگرچه ما پیشرفتهای خارق العاده ای در زمینه طبیعی داشته ایم ولی هیچ سیستمی نمیتواند اصطلاحات پزشکی را مستقیما از ورودی بیمار پس از جمع آوری داده ها استخراج کند و تجزیه و تحلیل آن به صورت بالینی است . سوابق بهداشتی می تواند راه های مختلفی برای تشریح و یا حتی پیشبینی ارائه دهد مثلا به صورت مدل سازی در مورد آینده بیمار بر اساس سلامت فعلی پزشکی ، سوابق و اطلاعات بیمار . در نتیجه هنگامی که اطلاعات بیمار وارد شد متخصصان میتوانند به معاینه پزشکی بروند که نتایج آن می تواند منتهی به آزمایشات آزمایشگاهی یا تصویربرداری شود. در ادامه در مورد AI و ML و کاربرد هایشان در زمینه های پزشکی خاص توضیح میدهیم.
رادیولوژی:
تصویربرداری پزشکی به صورت رایانه ای توموگرافی (CT) یا تصویربرداری با رزونانس مغناطیسی (MRI) هست . تکنیک های AI میتوانند در استخراج بینش های مفید از تصویر راهنما و کمک به پزشکان باشند . به طور کلی ، یک پزشک میتواند به عنوان ورودی یک تصویر پزشکی به سیستم وارد و سپس سیستم ویژگی های آن را به او بدهد که بر اساس آن ها پیش بینی های زیر را می توان انجام داد :
متداولترین تصویر برداری پزشکی امروزه سونوگرافی است این سیستم اخیرا توسط Wu و همکاران بررسی شده است که از (logistic regression ) برای طبقه بندی سرطان سینه بر روی تصاویر سونوگرافی با حساسیت بالاست استفاده میکنند.
مثال دیگری هم که اخیرا موجود است، استفاده از DL برای شناسایی سینه سالم با استفاده از اشعه ایکس است. البته لازم به ذکر است که در این مثال هم همچنان تخصص متخصص بهداشت لازم است و این روش %100 نیست و %50 موارد با این روش قابل شناسایی است و باز هم توسط پزشک باید طبقه بندی شود. تصاویر توموگرافی کامپیوتری (CT) نیز میتوانند طبقه بندی شوند؛ با استفاده از تکنیک های یادگیری عمیق (Deep Learning) کارشناسان خوش خیم یا بد خیم بودن تورم های کوچک یا تجمع سلول ها در بدن را بررسی میکنند.
خون شناسی :
سرطان خون یا لوسمی یا لوکمیا بیماری پیش رونده و بدخیم اعضای خونساز بدن است. این بیماری در اثر تکثیر و تکامل ناقص گلبول سفید خون و پیش سازهای آن در خون و مغز استخوان ایجاد میشود. لوسمی یکی از سرطانهای شایع در میان کودکان است. لوسمی حاد میلوئیدی هم یکی از انواع سرطان خون است. این نوع لوسمی سلولهای مغز استخوان یا میلوسیتها را تحت تأثیر قرار میدهد و روندی حاد دارد. در این بیماری مغز استخوان، میلوبلاستها (نوعی گلبول سفید)، گلبولهای قرمز یا پلاکتهای غیرطبیعی میسازد. AI در خون شناسی کاربرد بسیار جدی وقابل توجهی دارد. شناسایی و تشخیص سلولی یکی از جدی ترین موارد است. به نظر میرسد که در آینده در چنین شرایطی هوش مصنوعی تشخیص سرطان خون را بسیار سرعت خواهد بخشید.
برای اولین بار در جهان روشی کشف شده که در آن پزشکان ژاپنی برای تشخیص دادن شکل نادری از بیماری سرطان خون یک بیمار مونث، از هوش مصنوعی کمک گرفته اند. ابتدا بیمار برای لوسمی میلوئید حاد، تحت درمان قرار گرفت، اما بهبود درمان کند بود، در آن زمان پزشکان متوجه شدند که تشخیص اولیه غلط بوده است. این زمانی بود که به واتسون آی بی ام (Watson IBM) روی آوردند تا به کمک آن بیماری را شناسائی کنند. این کامپیوتر دارای حدود ده میلیون مقاله در بخش سرطان شناسی و به این صورت است که داده های مربوط به سرطان خون توسط موسسات تحقیقاتی در آن ذخیره میشود. از این رو میتواند با استفاده از اطلاعاتی که بر روی سرورش مرتب شده است تجزیه و تحلیلی برای پزشکان ارائه دهد که منتهی به آن شود که نوع نادر از بیماری سرطان خون را تشخیص دهند.
سیستمهای قابل استفاده در این زمینه: فلوسیتومتری جریان ایمونوفنوتیپ ، تجزیه و تحلیل مغز استخوان و تحلیل و بررسی خون خارجی. این سه سیستم با یکدیگر تعامل دارند و به پزشکی مربوط میشوند. با نتایج آزمایشگاه موجود در پایگاه داده ها هنگام ارزیابی 100 بیمار لوسمی، این سه سیستم در 94 مورد تشخیص نهایی با تشخیص پزشک به توافق رسیده اند. روشهای یادگیری ماشینی (Machine Learning) اخیراً مورد آزمایش قرار گرفته است. با استفاده از هوش مصنوعی، 26،695بیمار را آزمایش و ریسک پیوندهای حساس را پیش بینی کردند. الگوریتم مورد استفاده ML ، تصمیم گیری متناوب درختی بود (ADTree) . قابل ذکر است مورد اول مربوط به تشخیص اختلال هموگلوبین است.
عصب شناسی :
یکی از ابزارهای تشخیصی مفید در عصب شناسی، خوانشهای الکتروانسفالوگرافی ((EEG)) (برای اطلاعات بیشتر پیرامون EEG کلیک کنید.) است. بسیاری از تکنیک های ML برای تجزیه و تحلیل این سیگنال ها و ارائه یک پیش بینی پیاده سازی شده اند. در سال 2017، Subasi و همکاران الگوریتمی را برای تشخیص صرع در EEG پیشنهاد كردند. در EEG سوابق با استفاده از دو روش یادگیری ماشین (ML) به نام های SVMs (Support Vector Machines) یا همان ماشین بردار پشتیبانی و Gas (Genetic Algorithms) یا همان الگوریتم های ژنتیکی با دقت 99.38 % استفاده شدند. اخیرا، ML دیگری ارائه شده است، تکنیکی به نام CNN ، (شبکه عصبی Convolutional) که میتواند با استفاده از دو کانال با دقت 93.3٪ تشنج را تشخیص دهد. نمونه ای از پیشبینی موارد پارکینسون: Prashanth و همکاران یک سیستم ML ارائه داده است که می تواند با دقت 96.40 % بیماری های پارکینسون را پیش بینی کند. در این روش علاوه بر مایعات مغزی، از خصوصیات غیر حرکتی و از بین رفتن بویایی نیز استفاده میشود.
قلب و عروق :
متخصص قلب و عروق به طور معمول با استفاده از گوشی های طبی وضعیت قلبی بیمار را بررسی میکنند. استتوسکوپ دیجیتالی ( همانگوشی های طبی پزشکی )، یک فونوکاردیوگرام (PCG)، می توانند این سیگنال ها را ضبط کنند و با استفاده از تکنیک های ML صداهای غیر طبیعی را تشخیص داده و پردازش کنند. در سال 2018 ، Yassen و همکاران یک سیستم مبتنی بر ML ارائه دادند که سیگنال ها و علائم قلبی را با دقت 97 % طبقه بندی میکرد. همچنین ECG (برای اطلاعات بیشتر پیرامون ECG کلیک کنید.) یا الکتروکاردیوگرام سیگنالی از وضعیت قلبی بیمار روی کاغذ نمایش میدهد که پزشک آن را میخواند. الکتروکاردیوگرام دارای یک سری لید و گیره های اتصال میباشد که لیدها (Leads) به قفسه سینه و گیره ها به دست و پای بیمار وصل میشود. حلقه نوار قلب کاغذی مدرج است که داخل دستگاه قرار دارد و سوزن دستگاه که کمی گرم شود خطوطی نمودار قلب را روی کاغذ ثبت میکند . فناوری هوش مصنوعی و کاربرد های آن را بر برخی زمینه های پزشکی گفتیم حال سوال این است که ما آماده هستیم از ML و هوش مصنوعی در مراقبت های بهداشتی از این فناوری استفاده کامل ببریم؟ پاسخ این است که همچنان محدودیت های بسیار در به کارگیری این فناوری در علم پزشکی وجود دارد که شامل دستورالعمل های قانونی و اخلاقی هستند. همچنین آموزش های چند سطحی برای فراهم کردن زمینه مناسب برای پزشکان و جامعه سلامت باید به وجود آید و سپس این سؤال وجود دارد که چگونه باید آن را با خیال راحت و دلسوزانه در عمل بالینی روزانه ادغام کنید؟ و زیرساخت مناسب برای اجرای این ها چیست؟ چنین سیستم هایی به پزشکان در صرفه جویی وقت و فرایند تصمیم گیری کمک میکنند که تعداد بسیار زیادی ازاین نمونه ها به آنها آموزش داده شده است . و پزشکان در طول حرفه خود و میتواند از مزایای زیادی برخوردار باشد. امیدواریم هر چه سریع تر محدودیت های موجود در این زمینه برداشته شده و با استفاده از هوش مصنوعی کمک های بسیاری به پزشکان در زمینه های مختلف شود.
گردآوری: مهشید خانعلی