هوش مصنوعی دیپ مایند توانایی تشخیص بیماریهای چشمی را دارد
سیستمهای هوش مصنوعی، بهمرور و قدمبهقدم در حال یادگیری تشخیص انواع بیماریها هستند. دقت آنها تقریبا به پزشکان نزدیک شده و در آیندهی نزدیک در بیمارستانها بهکار گرفته میشوند. آخرین مثال از این پیشرفتها، در لندن و توسط زیرمجموعهی UCL بخش هوش مصنوعی گوگل یعنی دیپ مایند و با همکاری بیمارستان چشمپزشکی مورفیلدز معرفی شده است. آنها نرمافزاری بر اساس یادگیری ماشین توسعه دادهاند که میتواند چندین بیماری چشمی را با استفاده از اسکنهای سهبعدی تشخیص داده و درمان مرتبط را نیز به بیمار پیشنهاد دهد.
محصول جدید، حاصل همکاری چندسالهی ۳ موسسهی علمی است. البته هوش مصنوعی ساختهشده هنوز قابل استفاده در بیمارستانها نیست اما تا چند سال آینده میتوان شاهد حضور آن بود. مصطفی سلیمان، مدیر بخش سلامت دیپ مایند در این مورد میگوید:
این پروژه بسیار هیجانانگیز است و بهزودی میتواند تشخیص، درمان و مدیریت بیماران چشمی را در سرتاسر جهان بهبود دهد.
این نرمافزار که جزئیات آن در ژورنال علمی Nature Medicine منتشر شده، بر اساس سیستم یادگیری عمیق طراحی شده و از الگوریتمهای خاص برای تشخیص الگوهای مشابه در داده استفاده میکند. در این مورد، داده همان اسکن سهبعدی چشم بیمار است که با تکنیک مقطعنگاری همدوسی اپتیکی یا OCT انجام میشود. تولید این اسکنها حدود ۱۰ دقیقه زمان میبرد. در خلال این فرآیند نور نزدیک به فروسرخ به سطح چشم تابانده میشود. سپس یک تصویر سهبعدی از بافت چشم ایجاد میشود. این فرآیند برای تشخیص سلامت چشم، فرآیندی مرسوم است. در واقع اسکنهای OCT ابزارهای پزشکی حیاتی هستند؛ چرا که تشخیص زودهنگام بیماری چشمی عموما بینایی بیمار را حفظ میکند.
در آموزش این نرمافزار از ۱۵ هزار اسکن OCT از چشم ۷۵۰۰ بیمار استفاده شد. تمامی این بیمارها در مراکز درمانی زیرمجموعهی مورفیلدز درمان شده بودند. این مجموعه بیمارستانی، بزرگترین بیمارستان چشم در اروپا و شمال آمریکا است. تمامی اسکنها بههمراه اسناد تشخیص بیماری توسط پزشکان، به سیستم داده شدند. نرمافزار با استفاده از این دادهها، ابتدا توانایی تشخیص المانهای آناتومی چشم را پیدا کرد. این فرآیند عموما با نام بخشبندی شناخته میشود. سپس هوش مصنوعی عملیات درمانی لازم را بر اساس نشانههای بیماری موجود در اسکنها پیشنهاد داد.
در آزمایشی که برای دقت این سیستم انجام شد، نرمافزار در مقایسه با تیمی ۸ نفره از پزشکان، با دقت بیش از ۹۴ درصد بیماریها را تشخیص داد.
همکاری در کنار پزشک
نتایج پیشرفتهای هوش منصوعی مانند این مورد، بسیار امیدوارکننده هستند؛ اما متخصصان اکوسیستم پزشکی هنوز نگران چگونگی استفاده از هوش مصنوعی در بخشهای مراقبت و درمان هستند. لوک اوکدن راینر، رادیولوژیستی است که مقالات گستردهای در این مورد نوشته است. او اعتقاد دارد هوش مصنوعی با سرعت بهسمتی حرکت میکند که از یک ابزار برای پزشکان، در حال تبدیل شدن به تصمیمگیرنده بهجای او است.
این سیستم بیشتر در بخش تریاژ و برای تشخیص اولیه استفاده میشود
در واقع اولین خبرها از چنین تغییر حالتی، چندی پیش منتشر شد. در ماه آوریل، سازمان FDA اولین سیستم هوش مصنوعی با قابلیت تشخیص بیماری بدون نظارت انسان را تایید کرد. یکی از سازندگان آن برنامه معتقد است سیستم بهصورت مستقل تصمیمگیری میکند. سیستم مذکور مانند نرمافزار دیپ مایند است؛ با این تفاوت که اسکنها را تنها برای تشخیص بیماری رتینوپاتی دیابتی بررسی میکند.
نکتهی قابل توجه این که ریسک هوش مصنوعی در پزشکی در حال افزایش است. در اسناد مختلف، ناتوانی انسان در تشخیص چگونگی عملکرد هوش مصنوعی برای تصمیمگیری، اثبات شده است. بهعلاوه، همانطور که در مثال ماشینهای خودران دیدهایم، وقتی کنترل بهطور کامل از دست انسان خارج شود، احتمال وقوع خطاهای مرگبار در تصمیمگیری بیشتر میشود.
در مورد این سیستم، بهجای استفاده از یک الگوریتم برای تصمیمگیری، از چندین الگوریتم استفاده میشود. هریک از این الگوریتمها با روشی منحصربهفرد آماده شدهاند. در نتیجه اگر خطایی واضح از یکی از آنها سر بزند، تصمیمات اکثریت الگوریتمها، آن را اصلاح میکند. بهعلاوه این سیستم فقط یک پاسخ را برای تشخیص بیماری ارائه نمیکند. در عوض چندین نتیجه را علاوهبر درجهی اطمینانش به آنها، ارائه میکند. همچنین، سیستم چگونگی تشخیص دادن بخشهای مختلف چشم بیمار را توضیح میدهد که در کمک به پزشکان برای تشخیص آنالیزهای اشتباه مفید خواهد بود.
نکتهی مهم این است که این نرمافزار یک ابزار تشخیصی کامل نخواهد بود. در عوض، این هوش مصنوعی برای مرحلهی تریاژ طراحی شده تا تشخیص دهد کدام بیمار، زودتر از بقیه به بررسی و مراقبت نیاز دارد. بنابراین، هوش مصنوعی نه تنها شرایط احتمالی بیمار را تشخیص میدهد بلکه پیشنهاداتی در مورد اورژانسی بودن وضعیت او و نیاز به درمان سریع را نیز ارائه خواهد داد.
استفاده از چندین الگوریتم، احتمال خطار در تشخیص را به حداقل رسانده است
قابلیتهای گفتهشده بهصورت ضمنی در سیستم نهفته شده و هرکدام بهعنوان سرعتگیری برای سیستم عمل میکنند. این عوامل کاهش سرعت، به انسانها شانس دخالت کردن در فرآیند را میدهند. در نهایت، آزمایش قابلتوجه سیستم زمانی به پایان میرسد که آن را در یک محیط واقعی بیمارستانی بهکار بگیریم. زمان دقیق این اتفاق مشخص نشده اما DeepMind اعلام کرده که بهزودی اولین آزمایشهای بیمارستانی انجام خواهد شد.
طلا در معدن داده
علاوهبر قابلیتهای درمانی این نرمافزار، نتایج این تحقیق مثالی از مزایای دسترسی شرکتهای هوش مصنوعی به دیتاسنترهای ارزشمند است. دیپ مایند پیش از این بهخاطر دسترسی به دادهی بیماران تحت درمان سیستم سلامت ملی انگلستان (NHS) مورد انتقاد قرار گرفته بود. حتی در سال ۲۰۱۷، سیستمهای نظارت بر دادهی انگلستان اعلام کردند که دسترسی این شرکت به دادهی بیماران در سال ۲۰۱۵ غیرقانونی بوده است؛ چرا که آنها نتوانستهاند بهخوبی، استفاده از داده را به اطلاع بیماران برسانند.
بههرحال تحقیقات حاضر بدون دسترسی به چنین دادههایی امکانپذیر نبود. بهعلاوه چون اطلاعات استفادهشده در این تحقیقات، ناشناس بوده و بیماران توانایی خارج شدن از آن را داشتهاند، نرمافزار حاصل کاملا در مالکیت دیپ مایند خواهد بود.
این شرکت اعلام کرده که اگر نرمافزار برای استفاده در سیستمهای بیمارستانی تاییدیههای اولیه را دریافت کند، برای مدت ۵ سال بهصورت رایگان در اختیار بیمارستانهای زیرمجموعهی مورفیلدز قرار خواهد گرفت. البته دیپ مایند نرمافزار را به دیگر بیمارستانهای انگلستان و دیگر کشورهای جهان خواهد فروخت. شرکت اعلام کرده که این روش در صنعت پزشکی مرسوم است و آنها سرمایهگذاری مناسبی را در بخش تحقیقوتوسعه انجام دادهاند. بهعلاوه، دادهی جمعآوریشده در این تحقیق نیز برای استفادهی عموم قابل دستیابی بوده و محصول تجاری محسوب نمیشود.
منبع دادهی قوی، پیشنیاز دستیابی به این موفقیت بوده است
بههرحال باوجود این اتفاقات و تحقیقات، شک و تردیدها در مورد این شرکت هنوز وجود دارد. پنل مستقلی که اخیرا توسط خود دیپ مایند برای نظارت بهتر بر روشهای کاری ایجاد شده، پیشنهاد میدهد که شرکت، مدل کسبوکار خود را شفافتر بیان کند. بهعلاوه آنها باید ارتباط خود را با گوگل، شرکتی که در سال ۲۰۱۴ مالکشان شد، بهروشنی بیان کنند. بههرحال هرچه دیپ مایند با استفاده از دادههای دریافتشده از سیستم عمومی NHS به ساخت محصولی تجاری نزدیکتر شود، نیاز به چنین برنامههای نظارتی و شفافسازی عملکرد بیشتر خواهد شد.
نگاهی به آینده
صرفنظر از مشکلات اعلامشده، مفید بودن چنین الگوریتمهایی کاملا روشن است. حدود ۲۸۵ میلیون نفر در سرتاسر جهان با نوعی عدم بینایی دستوپنجه نرم میکنند. بیماریهای اولیهی چشمی، دلیل اصلی اکثر این مشکلات هستند.
اسکنهای OCT ابزارهایی عالی برای تشخیص مشکلات بینایی هستند. طبق آمار تنها در سال ۲۰۱۴ حدود ۵.۳۵ میلیون اسکن از این نوع انجام شده است. نکتهی قابلتوجه این که تفسیر این دادهها زمانبر است و نوعی مانع بر سر فرآیند تشخیص بیماری محسوب میشود. اگر الگوریتمها بتوانند با راهنمایی پزشکان بهسمت بیماران با نیازهای فوریتر، به آنها کمک کنند، مزایای این سیستمهای هوش مصنوعی دوچندان میشود.
دکتر پیرس کین، مشاور چشمپزشکی بیمارستان مورفیلدز که در این تحقیقات حاضر بود، در یک کنفرانس خبری گفت:
تعداد اسکنهای چشمی که ما انجام میدهیم، با سرعتی بسیار زیاد در حال افزایش است و متخصصان زمان کافی برای تفسیر آنها را ندارند. در نتیجه این ریسک وجود دارد که در تشخیص بیماریهای خطرناک برای بینایی دچار تاخیر شویم.اگر بتوانیم مشکلات اولیهی چشمی را بهسرعت تشخیص داده و درمان کنیم، بهترین شانس را برای حفظ بینایی افراد خواهیم داشت. با تحقیقات بیشتر، این روند در آینده به پایداری و کیفیت بهتر درمان برای بیماران چشمی منجر خواهد شد.
نظرات