هوش مصنوعی از جمله تکنولوژی‌هایی است که به تدریج علم پزشکی را متحول می‌کند. این تکنولوژی با گرفتن داده‌ها و پردازش آن‌ها یک نتیجه دقیق به کاربر ارائه می‌دهد. امروزه کاربردهای هوش مصنوعی در علم پزشکی در حال گسترش است و بسیاری از موسسات پزشکی در فرآیندهای تشخیص، درمان و مراقبت بیمار از این تکنولوژی بهره می‌برند.
تاریخچه
هوش مصنوعی تاریخچه طولانی دارد و اولین بار در تاریخ، در سال ۱۹۵۶ این اصطلاح استفاده شد. با وجود این سابقه طولانی اما همچنان تعریف دقیقی برای هوش مصنوعی وجود ندارد و اکثر تعاریفی که برای این تکنولوژی مطرح می‌شود، متناقض و در حال تحول هستند. کاربردهای هوش مصنوعی در پزشکی به عنوان یکی از امیدبخش‌ترین حوزه‌های این تکنولوژی در نظر گرفته می‌شود.
از دهه ۱۹۷۰ تا ۱۹۹۰ هوش مصنوعی پیشرفت‌هایی در حوزه علوم پزشکی مثلاً تفسیر خودکار الکتروکاردیوگرام‌ها (ECG) داشت اما امروزه از این پیشرفت‌ها آنچنان به عنوان هوش مصنوعی واقعی یاد نمی‌شود.
چگونگی عملکرد هوش مصنوعی
هوش مصنوعی در واقع به کمک روش‌های یادگیری ماشین (Machine Learning) و با استفاده از الگوریتم‌ها، الگوهای موجود در داده را تشخیص می‌دهد. از جمله کاربردهای هوش مصنوعی در پزشکی می‌توان به تشخیص رتینوپاتی دیابتی اشاره کرد. فوندوس فتوگرافی یک روش تصویربرداری شبکیه چشم جهت تشخیص رتینوپاتی دیابتی است. محققان در گوگل نشان دادند یک سیستم هوش مصنوعی که با هزاران تصویر شبکیه آموزش دیده است میتواند با حساسیتی در حد یک چشم‌پزشک، رتینوپاتی دیابتی را تشخیص دهد. همچنین با این سیستم یک ارتباط بین الگوهای فوندوس فتوگرافی و خطر عوارض قلبی عروقی دیده شد که قبلاً کشف نشده بود.
در روش یادگیری ماشین، با بررسی داده‌های ورودی (مثلاً عکس‌های شبکیه) و خروجی‌های معین (مثلاً تایید یا رد رتینوپاتی دیابتی)، الگوریتم یاد می‌گیرد که داده صحیح را برای یک ورودی خاص تولید کند.
تحول اخیر در هوش مصنوعی تا حد زیادی به دلیل موفقیت “یادگیری عمیق” (Deep Learning) است. یادگیری عمیق یک زیرشاخه از روش یادگیری ماشین است که در آن از یک شبکه عصبی مصنوعی با تعداد زیادی لایه جهت تشخیص الگوهای داده استفاده می‌شود. معماری اصلی این شبکه‌های عصبی شامل یک لایه ورودی، یک لایه خروجی و تعدادی لایه پنهان در بین آن‌ها است. بسیاری از شبکه‌های عصبی مدرن بیش از ۱۰۰ لایه دارند و می‌توانند روابط پیچیده بین داده‌های ورودی و خروجی را مدل‌سازی کنند اما ممکن است به داده‌های بیشتر، زمان محاسبه یا طرح‌های معماری پیشرفته نیاز داشته باشند تا به عملکرد بهینه دست پیدا کنند.
کاربردهای هوش مصنوعی در پزشکی
امروزه، سیستم‌های تشخیصی تصاویر پزشکی با استفاده از هوش مصنوعی کاربردهایی دارند که قبلا متخصصان انسانی آن را انجام می‌دادند. در حال حاضر، تشخیص خودکار تصاویر پزشکی مسلماً موفق‌ترین حوزه کاربردهای هوش مصنوعی در پزشکی است. همچنین کاربردهای این تکنولوژی تا کارآزمایی بالینی، پژوهش‌های کاربردی‌سازی و تحقیقات زیست‌پزشکی گسترش پیدا کرده است.
از جمله کاربردهای هوش مصنوعی در پزشکی می‌توان به موارد زیر اشاره کرد:
روش‌های تصویربرداری:
- رادیولوژی: مهمترین کاربرد رادیولوژی تشخیص بیماری است و از آنجایی که تصاویر اغلب حاوی بخش زیادی از اطلاعات است، تکنیک‌های یادگیری عمیق در اینجا اهمیت زیادی دارند.
- چشم‌پزشکی: فوندوس فتوگرافی یک روش غیر تهاجمی برای ثبت تصاویر شبکیه، دیسک اپتیک و ماکولا است. این روش تصویربرداری میتواند به تشخیص و کنترل برخی بیماری‌ها که از جمله علل قابل پیشگیری کوری هستند، نقش حیاتی ایفا کند.
- پاتولوژی: ارزیابی هیستوپاتولوژی (آسیب‌شناسی بافتی)، استاندارد طلایی برای تشخیص بسیاری از سرطان‌ها است. در این روش نمونه‌های بافتی در زیر میکروسکوپ بررسی و تفسیر می‌شوند. با پیدایش شبکه‌های عصبی با لایه‌های زیاد، هوش مصنوعی میتواند در تشخیص سرطان پروستات، متاستاز سرطان سینه در غدد لنفاوی و تشخیص میتوز در سرطان سینه مفید باشد.
- بیماری‌های پوستی: تشخیص و افتراق ضایعات پوستی با معاینه متخصص پوست انجام می‌شود. این کار میتواند در حیطه کاربردهای هوش مصنوعی قرار گیرد. به عنوان مثال افتراق ملانومای پوستی از ضایعات خال‌های خوش‌خیم معمولاً با بررسی‌های ظاهری مقدور است. هوش مصنوعی میتواند حتی با استفاده از دوربین‌های تلفن همراه این کار را انجام دهد.
- تفسیر ژنوم: روش‌های توالی‌یابی با بازدهی بالا، داده‌های خام عظیمی را برای مطالعات ژنومی تولید می‌کنند. شبکه‌های عصبی مصنوعی عمیق می‌توانند با بررسی این داده‌ها متغیرهای ژنتیکی را بهتر از روش‌های رایج تفسیر کنند.
- پیش‌بینی پیامدهای بالینی و پایش بیمار
- بررسی وضعیت سلامت با استفاده از گجت‌های پوشیدنی
- جراحی روباتیک خودکار
چشم اندازه هوش مصنوعی در پزشکی
تکنولوژی هوش مصنوعی در حال تحول علم پزشکی است؛ بنابراین نظام سلامت باید در جهت چنین تحولی گام بردارد. تحقیقات و مطالعات بیشتر برای گسترش کاربردهای این تکنولوژی در علم پزشکی نیاز است. به دلیل حساسیت این رشته و ارتباط آن با سلامت انسان‌ها، این مطالعات نیازمند دقت بیشتری است.
