هوش مصنوعی در پزشکی

یادگیری ماشین پیشرفتهای چشمگیری در راندمان دارویی و بیوتکنولوژی داشته است. این مقاله خلاصه 4 برنامه برتر هوش مصنوعی امروز در پزشکی را دربر میگیرد.
تشخیص بیماریها
تشخیص صحیح بیماریها سالها آموزش پزشکی را میطلبد. حتی پس از آن، تشخیص بیماری اغلب یک روند سخت و زمانبر است. در بسیاری از زمینهها تقاضا برای کارشناسان بسیار فراتر از عرضه موجود است. این امر پزشکان را تحت فشار قرار میدهد و اغلب تشخیص بیمارانی که نیاز به نجات زندگی دارند به تأخیر میاندازد. یادگیری ماشین – بخصوص الگوریتمهای یادگیری عمیق – اخیراً پیشرفتهای چشمگیری در تشخیص خودکار بیماریها و ارزانتر و دردسترستر شدنِ تشخیصها داشتهاند.
چگونه ماشینها یاد میگیرند بیماریها را تشخیص دهند
الگوریتمهای یادگیری ماشین میتوانند یاد بگیرند که الگوهای مشابه را با روشی که پزشکان میبینند، ببینند. یک تفاوت اساسی در این است که الگوریتمها برای یادگیری به مثالهای بههمپیوسته زیادی – مثلاً هزاران هزار – نیاز دارند و این مثالها باید بهطور منظم دیجیتالی شوند – دستگاهها نمیتوانند بین خطوط موجود در کتابهای متنی را بخوانند.
بنابراین یادگیری ماشین بخصوص در حوزههایی که اطلاعات تشخیصی را پزشک بررسی میکند و قبلاً دیجیتالی شده است، مفید است. مانند: تشخیص سرطان ریه یا سکته مغزی مبتنی بر CT اسکن و ارزیابی خطر مرگ ناگهانی قلبی یا سایر بیماریهای قلبی بر اساس الکتروکاردیوگرام و تصاویر MRI قلبی و طبقهبندی ضایعات پوستی در تصاویر پوست و یافتن شاخصهای رتینوپاتی دیابتی[1] در تصاویر چشم.
ازآنجاکه تعداد زیادی داده خوب در این موارد وجود دارد، الگوریتمها بهاندازه متخصصان در تشخیص بیماری خوب عمل میکنند. تفاوت در این است که: الگوریتم میتواند در کسری از ثانیه نتیجهگیری کند و میتوان آن را در سراسر جهان و دوباره در کسری از ثانیه بازتولید کرد. بهزودی همه افراد در همهجا میتوانند با همان کیفیت به کارشناس ارشد تشخیص رادیولوژی و با قیمت پایین دسترسی داشته باشند و بهزودی تشخیصهای پیشرفتهتر هوش مصنوعی میآیند. کاربرد یادگیری ماشین در تشخیص بهتازگی آغازشده است – سیستمهای بلندپروازانهتر شامل ترکیبی از چندین منبع داده (CT، MRI، ژنومیک و پروتئومیکس، دادههای بیمار و حتی پروندههای دستنویس) در ارزیابی بیماری یا پیشرفت آن هستند.
هوش مصنوعی بهاینزودی جایگزین پزشکان نخواهد شد
بعید است که هوش مصنوعی بهطور کامل جایگزین پزشکان شود. در عوض سیستمهای هوش مصنوعی برای برجسته کردن زخمهای بدخیم بالقوه برای متخصصان مورداستفاده قرار میگیرند – به پزشک اجازه میدهد تا بر تفسیر آن سیگنالها تمرکز کند.
تسریع توسعه داروها
تولید دارو یک فرآیند بسیار گران است. بسیاری از فرآیندهای تحلیلیِ درگیر در تولید دارو با یادگیری ماشین میتوانند کارآمدتر شوند. این امر میتواند زحمت سالها کار و صدها میلیون سرمایهگذاری را از بین ببرد.
AI پیشازاین در 4 مرحله اصلی تولید دارو با موفقیت مورداستفاده قرارگرفته است:
مرحله 1: شناسایی اهدافی که با هم مداخله دارند.
مرحله 2: کشف نامزدهای مواد مخدر
مرحله 3: سرعت بخشیدن به آزمایشهای بالینی
مرحله 4: یافتن نشانگرهای زیستی برای تشخیص بیماری
در بخش بعدی مقاله این مراحل را بررسی خواهیم کرد.
بخشهای دیگر مقاله را از لینکهای زیر بخوانید:
[1] مرض قند