۴ کاربرد هوش مصنوعی در پزشکی

هوش مصنوعی در پزشکی با یادگیری ماشین پیشرفت های بزرگی در کارایی دارو و بیوتکنولوژی داشته است. این مقاله ۴ کاربرد برتر هوش مصنوعی در پزشکی امروز را خلاصه می کند:

۱. تشخیص بیماری ها با هوش مصنوعی

تشخیص صحیح بیماری ها به سال ها آموزش پزشکی نیاز دارد. حتی در این صورت، تشخیص اغلب فرآیندی سخت و زمان‌بر است. در بسیاری از زمینه ها، تقاضا برای متخصصان بسیار بیشتر از عرضه موجود است. این امر پزشکان را تحت فشار قرار می دهد و اغلب تشخیص بیمار را به تأخیر می اندازد.
یادگیری ماشینی – به ویژه الگوریتم‌های یادگیری عمیق – اخیراً پیشرفت‌های زیادی در تشخیص خودکار بیماری‌ها داشته است و تشخیص را ارزان‌تر و در دسترس‌تر می‌کند.

چگونه ماشین ها تشخیص را یاد می گیرند

الگوریتم‌های یادگیری ماشینی می‌توانند یاد بگیرند که الگوها را مشابه روشی که پزشکان می‌بینند، ببینند. یک تفاوت کلیدی این است که الگوریتم ها برای یادگیری به مثال های ملموس زیادی نیاز دارند – هزاران مثال. و این مثال‌ها باید کاملاً دیجیتالی شوند – ماشین‌ها نمی‌توانند بین خطوط کتاب‌های درسی بخوانند.
بنابراین یادگیری ماشینی به ویژه در مناطقی که اطلاعات تشخیصی که پزشک بررسی می‌کند دیجیتالی شده است مفید است.
تشخیص سرطان ریه یا سکته مغزی بر اساس سی تی اسکن
ارزیابی خطر مرگ ناگهانی قلبی یا سایر بیماری های قلبی بر اساس نوار قلب و تصاویر MRI قلب
طبقه بندی ضایعات پوستی در تصاویر پوستی
یافتن شاخص های رتینوپاتی دیابتی در تصاویر چشم
از آنجایی که داده های خوبی در این موارد موجود است، الگوریتم ها به همان اندازه متخصصان در تشخیص خوب می شوند. تفاوت این است: الگوریتم می تواند در کسری از ثانیه نتیجه بگیرد و می توان آن را با هزینه کم در سراسر جهان بازتولید کرد. به زودی همه و همه جا می توانند به همان کیفیت متخصص برتر در تشخیص رادیولوژی و با قیمت پایین دسترسی داشته باشند.تشخیص‌های پیشرفته‌تر هوش مصنوعی به زودی ارائه می‌شوند. کاربرد یادگیری ماشینی در تشخیص تازه شروع شده است – سیستم های جاه طلبانه تر شامل ترکیبی از منابع داده های متعدد (CT، MRI، ژنومیک و پروتئومیکس، داده های بیمار و حتی فایل های دست نویس) در ارزیابی بیماری یا پیشرفت آن است.
هوش مصنوعی به این زودی جایگزین پزشکان نخواهد شد.
بعید است که هوش مصنوعی به طور کامل جایگزین پزشکان شود. در عوض، از سیستم‌های هوش مصنوعی برای برجسته کردن ضایعات بدخیم بالقوه یا الگوهای خطرناک قلبی برای متخصص استفاده می‌شود و به پزشک اجازه می‌دهد تا بر تفسیر آن سیگنال‌ها تمرکز کند.

۲. توسعه سریعتر داروها

تولید داروها فرآیندی پرهزینه است. بسیاری از فرآیندهای تحلیلی درگیر در توسعه دارو می توانند با یادگیری ماشین کارآمدتر شوند. این پتانسیل کاهش سال ها کار و صدها میلیون سرمایه گذاری را دارد.

هوش مصنوعی قبلاً با موفقیت در هر ۴ مرحله اصلی در توسعه دارو استفاده شده است:

مرحله ۱: شناسایی اهداف برای مداخله
مرحله ۲: کشف نامزدهای مواد مخدر
مرحله ۳: تسریع آزمایشات بالینی
مرحله ۴: یافتن نشانگرهای زیستی برای تشخیص بیماری

مرحله ۱: شناسایی اهداف برای مداخله

اولین قدم در توسعه دارو، درک منشاء بیولوژیکی یک بیماری (مسیرها) و همچنین مکانیسم های مقاومت آن است. سپس باید اهداف خوب (معمولا پروتئین ها) را برای درمان بیماری شناسایی کنید. در دسترس بودن گسترده تکنیک‌های با توان بالا، مانند غربالگری RNA سنجاق سر کوتاه (shRNA) و توالی‌یابی عمیق، مقدار داده‌های موجود برای کشف مسیرهای هدف را به میزان زیادی افزایش داده است. با این حال، با تکنیک‌های سنتی، ادغام تعداد زیاد و تنوع منابع داده – و سپس یافتن الگوهای مربوطه هنوز یک چالش است.

مرحله ۲: کشف نامزدهای دارو

در مرحله بعد، باید ترکیبی را پیدا کنید که بتواند با مولکول هدف شناسایی شده به روش دلخواه تعامل کند. این شامل غربالگری تعداد زیادی – اغلب هزاران یا حتی میلیون‌ها – از ترکیبات بالقوه برای تأثیر آنها بر هدف (میل ترکیبی) است، نه اینکه به عوارض جانبی خارج از هدف آنها اشاره کنیم (سمیت). این ترکیبات می توانند طبیعی، مصنوعی یا مهندسی زیستی باشند.
با این حال، نرم‌افزار فعلی اغلب نادرست است و پیشنهادات بد زیادی (مثبت نادرست) ارائه می‌کند – بنابراین محدود کردن آن به بهترین نامزدهای دارو (معروف به سرنخ) زمان بسیار زیادی طول می‌کشد.
الگوریتم‌های یادگیری ماشین نیز می‌توانند در اینجا کمک کنند: آنها می‌توانند یاد بگیرند که مناسب بودن یک مولکول را بر اساس اثر انگشت ساختاری و توصیف‌گرهای مولکولی پیش‌بینی کنند. سپس آن‌ها از میان میلیون‌ها مولکول بالقوه عبور می‌کنند و همه آنها را به بهترین گزینه‌ها فیلتر می‌کنند – آنهایی که حداقل عوارض جانبی نیز دارند.
این منجر به صرفه جویی در زمان زیادی در طراحی دارو می شود.

مرحله ۳: سرعت بخشیدن به آزمایشات بالینی

یافتن نامزدهای مناسب برای آزمایشات بالینی دشوار است. اگر کاندیداهای اشتباهی را انتخاب کنید، دوره آزمایشی را طولانی تر می کند – زمان و منابع زیادی را هزینه می کند.
یادگیری ماشینی می تواند طراحی کارآزمایی های بالینی را با شناسایی خودکار نامزدهای مناسب و همچنین اطمینان از توزیع صحیح برای گروه های شرکت کننده در کارآزمایی سرعت بخشد. الگوریتم ها می توانند به شناسایی الگوهایی کمک کنند که نامزدهای خوب را از بد جدا می کنند. آنها همچنین می توانند به عنوان یک سیستم هشدار اولیه برای یک کارآزمایی بالینی که نتایج قطعی ایجاد نمی کند – به محققان اجازه می دهد تا زودتر مداخله کنند و به طور بالقوه در ساخت دارو صرفه جویی کنند.

مرحله ۴: نشانگرهای زیستی را برای تشخیص بیماری پیدا کنید

شما فقط زمانی می توانید بیماران را برای یک بیماری درمان کنید که از تشخیص خود مطمئن شوید. برخی از روش ها بسیار گران هستند و شامل تجهیزات آزمایشگاهی پیچیده و همچنین دانش تخصصی – مانند توالی یابی کل ژنوم هستند.
بیومارکرها مولکول‌هایی هستند که در مایعات بدن (معمولاً خون انسان) یافت می‌شوند که اطمینان کاملی را در مورد ابتلا یا نداشتن بیمار به بیماری ارائه می‌کنند. آنها فرآیند تشخیص بیماری را ایمن و ارزان می کنند.
همچنین می‌توانید از آن‌ها برای تعیین دقیق پیشرفت بیماری استفاده کنید – انتخاب درمان صحیح و نظارت بر اثربخشی دارو را برای پزشکان آسان‌تر می‌کند.
اما کشف نشانگرهای زیستی مناسب برای یک بیماری خاص دشوار است. این یکی دیگر از فرآیندهای پرهزینه و زمان‌بر است که شامل غربالگری ده‌ها هزار مولکول بالقوه می‌شود.
هوش مصنوعی می‌تواند بخش بزرگی از کارهای دستی را خودکار کند و روند را سرعت بخشد. الگوریتم‌ها مولکول‌ها را به کاندیداهای خوب و بد طبقه‌بندی می‌کنند – که به پزشکان کمک می‌کند تا روی تجزیه و تحلیل بهترین‌ها تمرکز کنند.

از نشانگرهای زیستی می توان برای شناسایی موارد زیر استفاده کرد:

وجود یک بیماری در اسرع وقت – نشانگر زیستی تشخیصی
خطر ابتلای بیمار به این بیماری – نشانگر زیستی خطر
پیشرفت احتمالی یک بیماری – نشانگر زیستی پیش آگهی
اینکه آیا بیمار به یک دارو – نشانگر زیستی پیش بینی کننده پاسخ می دهد یا خیر

۳. درمان را شخصی کنید

بیماران مختلف به داروها و برنامه های درمانی متفاوت پاسخ می دهند. بنابراین درمان شخصی پتانسیل بسیار زیادی برای افزایش طول عمر بیماران دارد. اما تشخیص اینکه چه عواملی باید بر انتخاب درمان تأثیر بگذارد بسیار سخت است.

یادگیری ماشینی می‌تواند این کار آماری پیچیده را خودکار کند – و به کشف این که کدام ویژگی‌ها نشان می‌دهند که یک بیمار پاسخ خاصی به یک درمان خاص خواهد داشت، کمک می‌کند. بنابراین الگوریتم می تواند پاسخ احتمالی بیمار به یک درمان خاص را پیش بینی کند.
سیستم این را با ارجاع متقابل بیماران مشابه و مقایسه درمان ها و نتایج آنها می آموزد. پیش‌بینی‌های نتیجه، طراحی برنامه درمانی مناسب را برای پزشکان بسیار آسان‌تر می‌کند.

۴. ویرایش ژن را بهبود بخشید

تکرارهای کوتاه پالیندرومیک خوشه‌ای به‌طور منظم بین‌فضا (CRISPR)، به‌ویژه سیستم CRISPR-Cas9 برای ویرایش ژن، جهشی بزرگ در توانایی ما برای ویرایش موثر DNA به‌طور مقرون‌به‌صرفه و دقیق، مانند یک جراح است.

این تکنیک به RNA های راهنمای کوتاه (sgRNA) برای هدف قرار دادن و ویرایش یک مکان خاص روی DNA متکی است. اما RNA راهنما می تواند چندین مکان DNA را در خود جای دهد – و این می تواند منجر به عوارض جانبی ناخواسته (اثرات خارج از هدف) شود. انتخاب دقیق RNA راهنما با کمترین عوارض جانبی خطرناک یک گلوگاه بزرگ در کاربرد سیستم CRISPR است.

ثابت شده است که مدل‌های یادگیری ماشین بهترین نتایج را هنگام پیش‌بینی میزان تعاملات راهنما-هدف و اثرات خارج از هدف برای یک sgRNA معین ایجاد می‌کنند. این می تواند به طور قابل توجهی سرعت توسعه RNA راهنما را برای هر ناحیه از DNA انسان افزایش دهد.

هوش مصنوعی در حال حاضر به ما در تشخیص کارآمدتر بیماری ها، توسعه داروها، شخصی سازی درمان ها و حتی ویرایش ژن ها کمک می کند.

اما این تازه شروع کار است. هرچه بیشتر داده های پزشکی خود را دیجیتالی و یکسان کنیم، بیشتر می توانیم از هوش مصنوعی برای کمک به یافتن الگوهای ارزشمند استفاده کنیم – الگوهایی که می توانیم از آنها برای تصمیم گیری دقیق و مقرون به صرفه در فرآیندهای تحلیلی پیچیده استفاده کنیم.