همه‌گیری کووید-۱۹، تحولات عمیقی در صنعت مراقبت سلامت ایجاد کرده است. سطح جدیدی از تقاضا برای هوش مصنوعی با تلاش بازیگران کلیدی صنعت برای پذیرش این تکنولوژی ایجاد شده است. سازمان‌های سلامت در سراسر دنیا به این فناوری روی آورده‌اند تا به آنها در مقابله با چالش‌های ظرفیت، تسریع جستجو برای واکسن کروناویروس، گذار به سلامت از راه دور (telehealth) و دیگر موارد کمک کند.

هوش مصنوعی در حوزه‌ی سلامت، در دوران همه‌گیری، مورد توجه زیادی قرار گرفته است. کاخ سفید، با همکاری مایکروسافت، موسسه‌ی هوش مصنوعی آلن (Allen) و دیگر موسسات، یک رقابت باز در زمینه هوش مصنوعی برگزار کرد تا به حدود ۳۰۰۰ مقاله‌ی علمی برای شناخت کووید-۱۹ دست پیدا کند.

شرکت‌های پیشروی فناوری، همچون اِنویدیا (Nvidia) و علی‌بابا (Alibaba) برای شناسایی علائم ناشی از کووید در سی‌تی اسکن، از هوش مصنوعی استفاده کرده‌اند. همچنین مراکز مراقبت از سالمندان و توانیابان (AFL)، استفاده از فناوری پایش غیرفعال مبتنی بر هوش مصنوعی را آغاز کرده‌اند تا به این وسیله خطر برخورد مراقبان سلامت با ویروس کاهش یابد.

در نتیجه‌ی این اقدامات، شرکت‌های هوش مصنوعی سلامت، افزایش سرمایه بیش از ۲ بیلیون دلار در سه‌ماهه سوم سال ۲۰۲۰ داشتند که رکوردی جدید در سرمایه‌گذاری فصلی در این حوزه است.

افزون بر این، شرکت‌ها با گذشت زمان و بلوغ صنعت برای استفاده از هوش مصنوعی، در هر دور، مبالغ بالاتری سرمایه جذب می‌کنند. از مارس ۲۰۲۰، ۱۱ شرکت هوش مصنوعی سلامت، نزدیک به ۱۰۰ میلیون دلار جذب سرمایه داشتند که بیشتر جهت استفاده از هوش مصنوعی در تحقیق و توسعه دارو بوده است. برخی از الگوهایی که در دوران همه‌گیری ظهور کردند، تاثیر بلندمدتی بر صنعت سلامت خواهند داشت. ما در این گزارش ضمن بیان ۷ مورد از روندهای هوش مصنوعی در حوزه سلامت که به دنبال همه‌گیری کووید-۱۹ تسریع شدند، به بررسی تاثیرات آن در صنعت سلامت می‌پردازیم.

بیمارستان‌ها و حرکت به سوی پردازش رباتیک خودکار مبتنی بر هوش مصنوعی (AI, RPA) برای دستیابی به مدیریت چرخه‌ی درآمدی

اگرچه سیستم سلامت در به‌کارگیری فرایندهای پردازش خودکار با استفاده از ربات، نسبت به دیگر صنایع عملکرد ضعیف‌تری داشته است، تقاضا برای این دسته از فناوری‌ها در طی دوران همه‌گیری رو به افزایش است.

مطالعات حاکی از آن است که هزینه‌های اداری بیمارستان‌ها در ایالات متحده آمریکا بیشتر از دیگر کشورهای دنیا است که این میزان تقریبا با ۲۵ درصد از کل هزینه‌های حوزه‌ی سلامت برابری می‌کند. بررسی‌های اخیر، این مقدار را نزدیک به ۲۵۰۰ دلار به ازای هر بیمار تخمین می‌زند.

کارکنان اجرایی بیمارستان‌ها، در کنار وظایف متداول خود با امور درآمدزا نظیر تایید صلاحیت بیمه‌ی بیماران، شناسایی کدهای صحیح پزشکی بر مبنای خدمات ارائه‌شده، ثبت شکایات به بیمه‌گران و پیگیری قبوض واریزنشده‌ی بیماران سروکار دارند.

پردازش رباتیک خودکار (RPA)، اصطلاحی کلی برای اتوماسیون وظایف تکراری مانند برنامه‌های آموزشی تخصصی کارمندان (onboarding) و دیجیتالی‌شدن مدارک، از پیشرفت‌های حاصل‌شده در بینایی کامپیوتر (computer vision) و پردازش زبان طبیعی (NLP) سود برده‌است. با اینکه بررسی تاثیر استفاده از این فناوری بر درآمدها نشان می‌دهد هیجان اولیه -برای استفاده- فروکش کرده است، بیشتر بیمارستان‌ها به تازگی به مزایای استفاده از فناوری برای اتوماسیون پی برده‌اند.

این موضوع می‌تواند به این مسئله مرتبط باشد که بیشتر فروشندگان PRA، اکنون راهکارهایی با کاربردهای گسترده را به طیف وسیعی از صنایع ارائه می‌دهند

استارتاپ‌های بسیار کمی وجود دارند که به‌طور اختصاصی پلتفرم‌هایی طراحی می‌کنند که بدون اشکال، با تنگناهای فنی و قانونی منحصر به فرد حیطه سلامت، کار می‌کنند.

آلیو (Olive) – شرکتی که در سال ۲۰۱۲ کار خود را به‌عنوان پورتال پذیرش بیماران آغاز کرد، با محوریت قراردادن RPA مبتنی بر هوش مصنوعی برای بیمارستان‌ها، خیلی زود این فرصت را مورد توجه قرار داد. در حال حاضر این شرکت با بیش از ۶۰۰ کاربر در میان ارائه‌دهندگان خدمات سلامت، توانسته است بیش از ۲۳۰ میلیون دلار سرمایه جذب نماید.

آلیو با ساخت آلفاسایت‌ها (AlphaSites) در بیمارستان‌ها و مستقر کردن پرسنل مهندسی و مدیریت پروژه برای انجام عملیات راه‌اندازی در محل مشتری از مدل سنتی نرم‌افزار-به-عنوان-خدمت (SAAS) فراتر رفته است.

آلفاهلث (Alpha Health) که یک استارتاپ نوپا است در ژوئن ۲۰۲۰ برای توسعه‌ی یک سرویس مدیریت چرخه‌ی درآمدی مشابه،۲۰ میلیون دلار از Andreessen Horowitz و سایر سرمایه‌گذاران   سرمایه جذب نماید.

بخش دیگری از چرخه‌ی درآمدی که توسط هوش مصنوعی ساده‌سازی می‌شود، charge capture است. فرایندی که طی آن پزشک، ویزیت بیماران و تشخیص‌های خود را به کدهای پزشکی تبدیل می‌کند. این کدها به شکل صورتحساب به بیمه‌گر ارائه می‌شود.

شرکت‌های دستیار پزشک نظیر سوکی (Suki) و آگمدیکس (Augmedix) با تکیه بر فناوری صدا و پردازش زبان طبیعی، تعامل میان پزشک و بیمار را رونوشت‌برداری کرده و به‌طور خودکار این اطلاعات را با پرونده‌ی سلامت الکترونیکی تنظیم می‌کنند. دستیار پزشک دیجیتال این شرکت‌ها همچنین می‌تواند بر اساس اطلاعات مفهومی که از این تعامل به‌دست می‌آورد، کدهای پزشکی مربوط به معاینه‌ی بیمار را پیشنهاد کند.

بسیاری از بیمارستان‌ها، برای مقابله با اثرات اقتصادی کووید-۱۹، کاهش هزینه‌های IT ‌را مدنظر قرار می‌دهند. اما به‌طور همزمان، تقاضا برای خدمات ارائه‌شده توسط شرکت‌هایی همچون آلیو (که طی دو دور جذب سرمایه در برهه همه‌گیری، بیش از ۱۵۰ میلیون دلار افزایش سرمایه داشت)، نشان می‌دهد که بیمارستان‌ها احتمالا تمایل دارند هزینه‌های درازمدت خود را کاهش داده و برخی از جنبه‌های فرایند مدیریت مالی بیمارستان را خودکار سازند.

سریع‌تر، ارزان‌تر،بهتر: نسل بعدی تصویربرداری MRI و CT scans

استفاده از هوش مصنوعی در تصویربرداری، افزون بر کاهش هزینه‌ها، مدت زمانی را که بیمار در مرکز تصویربرداری سپری می‌کند نیز کم کرده و بدین ترتیب میزان برخورد بیمار با پرتو و فلزات سنگین در طی فرایند تصویربرداری را کاهش می‌دهد.

یکی از موضوعات پیشرو در هوش مصنوعی در سلامت، کاربرد بینایی کامپیوتر (computer vision) در تصویربرداری است که به شناسایی آنومالی‌ها (موارد غیر طبیعی) در اسکن‌های پزشکی و تشخیص بیماری‌ها کمک می‌کند.

از سال ۲۰۱۴، با ورود شرکت‌های بزرگ فناوری و تعداد زیادی از استارتاپ‌ها به این حوزه، بازار مملو از محصولات هوش مصنوعی برای تصویربرداری تشخیصی شده است. بسیاری از این شرکت‌ها، به‌سرعت با ایجاد تغییراتی در محصولات خود، از آن‌ها برای شناسایی علائم کووید-۱۹ در سی‌تی اسکن ریه استفاده کردند.

اثرات استفاده از روش‌های تشخیصی با کمک هوش مصنوعی بر هزینه‌های حوزه‌ی سلامت در ماه‌های آینده بیشتر مورد توچه قرار خواهد گرفت.

برای مثال، شرکت هوش مصنوعی اِزرا (Ezra) می‌خواهد برای تشخیص سرطان پروستات در مردان، روش گران‌قیمت و تهاجمی بیوپسی پروستات را با  MRI که گزینه‌ای ارزان‌تر است، جایگزین کند. ازرا  ادعا می‌کند نرم‌افزار هوش مصنوعی آن که به تازگی برای ورود به بازار تاییدیه FDA (510(k)) را به دست آورده است، افزون بر اینکه دقت تشخیص را نسبت به روش معمول یعنی بیوپسی پروستات بهبود  می‌بخشد، با انجام خودکار فرایند کاری رادیولوژیست، این روش را از نظر هزینه‌ای، قابل رقابت با روش‌های پیشین می‌کند.

بر اساس تحقیقاتی که در ژورنال اورولوژی منتشر شده، هزینه‌ی انجام بیوپسی پروستات، به‌طور متوسط بیش از ۲۰۰۰ دلار برآورد شده است. در حالیکه هزینه‌ی تصویربرداری پروستات با استفاده از MRI که توسط شرکت ازرا عرضه می‌شود، برای بیمار  ۵۷۵ دلار تمام خواهد شد. شرکت ازرا، برای کاهش بیشتر هزینه‌های بیمار، افزون بر استفاده از هوش مصنوعی، با رادنت (RadNet) وارد همکاری شده است. بدین ترتیب شرکت رادنت،که یک شبکه‌ی خدمات تصویربرداری سرپایی با بیش از ۲۹۰ مرکز در سراسر ایالات متحده است، موظف به ذخیره‌سازی انبوه اسلات‌های MRI شده است.

موج بعدی کاربرد هوش مصنوعی در رادیولوژی، چیزی بیش از تشخیص بیماری‌ها بوده و منجر به بهبود تصویر (image enhancement) -فرایند گردآوری تصاویر رادیولوژی در وهله اول- می‌گردد.

الگوریتم‌های هوش مصنوعی قادرند با داده‌هایی کمتر از آنچه در روش‌های مرسوم مورد نیاز است، تصاویر سی‌تی اسکن و یا MRI با رزولوشن بالا تولید کنند. این بدین معناست که بیمار در معرض مقادیر کمتری از پرتو‌ی X (در هنگام تصویربرداری سی‌تی‌اسکن و یا اشعه ایکس) یا فلزات سنگین مانند گادولینیوم (در تصویربرداری MRI) قرار می‌گیرد.

تحقیقات مشترک فیسبوک و شرکت NYU Langone Health تحت عنوان fastMRI با استفاده از هوش مصنوعی و تنها با یک چهارم داده‌های مورد نیاز در روش‌های معمول، قادر به تولید تصاویر MRI با کیفیت بالا است. این روش می‌تواند زمان مورد نیاز برای انجام تصویربرداری MRI را از ۱ ساعت به ۱۵دقیقه کاهش دهد.

همچنین، این فناوری به بیمارستان‌ها کمک می‌کند تا با استفاده از بلک‌فورد (Blackford)، یک مارکت‌پلیس که رادیولوژیست‌ها را به نرم‌افزار تصویربرداری پزشکی متصل می‌کند، افزایش شدید نیاز به انجام سی‌تی اسکن در دوران همه‌گیری را مدیریت کنند. بلک‌فورد به تازگی نرم‌افزار هوش مصنوعی توسعه‌یافته توسط سابتل‌مدیکال (Subtle Medical) را نرم‌افزار هوش مصنوعی را ارائه کرده است.

شرکت Subtle برای دستیابی به اسکن سریع‌تر و تصاویر با کیفیت‌تر در تصویربرداری MRI و PET، روی بهبود کیفیت تصویر با استفاده از هوش مصنوعی کار می‌کند.  این شرکت  در آگوست ۲۰۲۰، مبلغ ۶.۱  میلیون دلار گرنت از انستیتو ملی سلامت (NIH) دریافت کرد. هدف از این گرنت، توسعه‌ی نرم‌افزار جدید هوش مصنوعی استفاده کند که قادر است دوز گادولینیوم (فلز سنگینی که به ارزیابی تومورها کمک می‌کند) دریافتی توسط بیمار در طی تصویربرداری MRI را کاهش دهد.

طبق گزارش‌های موجود، گادولینیوم می‌تواند اثرات بلندمدت سمی در بدن داشته باشد و نیز استفاده از آن در تصویربرداری‌های MRI در بیماری‌هایی مانند بیماری مزمن کلیوی محدودیت دارد. بهبود تصویر با استفاده از هوش مصنوعی به‌عنوان یکی از روش‌های تشخیصی مبتنی بر هوش مصنوعی، کاهش قابل توجهی در هزینه‌های مرتبط با اسکن‌های رادیولوژی دارد و همچنین سلامت بیماران و دسترسی را بهبود می‌بخشد.

آزمایش خون آنی و آزمایش‌های سریع خانگی: هوش مصنوعی در برخی از آزمایش‌های خاص، نیاز به آزمایشگاه را ازبین می‌برد!

 فناوری بینایی کامپیوتر (computer vision)، تلفن‌های هوشمند را به ابزار تشخیصی قدرتمندی تبدیل  می‌کند که در برخی آزمایش‌ها، نیاز به تفسیر نتایج توسط فرد متخصص را کاهش می‌دهد.

گاس سرجیکال (Gauss surgical)، یک شرکت هوش مصنوعی است که با پلتفرم پایش میزان خود از دست‌رفته در اتاق‌های عمل وارد بازار سلامت شد. این شرکت در دوران کووید-۱۹، فناوری خود را به ابزار تشخیصی برای کاربران گسترش  داد.

گاس برای تولید کیت تشخیص سریع کووید-۱۹ با شرکت زیست‌فناوری سلکس (Cellex) همکاری کرد. کاربران کیت آزمایش خانگی سلکس، برای انجام آزمایش آنتی‌ژن، چگونگی کاربرد سواپ بینی را آموزش دیده و سپس با استفاده از اپلیکیشن گاس، آزمایش را با تلفن هوشمند خود اسکن می‌کنند. پردازش تصویر از طریق شبکه‌ی عصبی مصنوعی (neural network) صورت گرفته و نتیجه‌ی آزمایش در عرض چند ثانیه  گزارش می‌شود.

 شرکت گاس ادعا می‌کند آزمایش جدید گاس-سلکس که شناسایی آنتی‌ژن را در خانه امکان‌پذیر می‌سازد، با بهره‌گیری از هوش مصنوعی خود، کاربران غیرمتخصص را قادر می‌سازد تا پس از انجام آزمایش با استفاده از یک گوشی هوشمند آیفون یا اندروید آن را تفسیر نمایند. این آزمایش در زمان نگارش این مقاله در انتظار گرفتن تاییدیه از FDA است.

اگرچه برای تشخیص کووید-۱۹ نوعی آزمایش مولکولی به نام واکنش زنجیره‌ی پلیمراز (PCR) دقت بیشتری دارد، در برخی موارد ارسال نتایج آن تا یک هفته طول می‌کشد. به دلیل نیاز به تسریع فرایند بررسی و تایید نهایی محصولات در دوران همه‌گیری، FDA به شرکت‌هایی مانند سلکس تاییدیه‌ی فوری داده است. محصول سلکس یک تست آنتی‌بادی توسعه داده است که انجام آن در آزمایشگاه‌ها فقط ۱۵ دقیقه طول می‌کشد.

امروزه شرکت‌هایی مانند گاس با تکیه بر فناوری بینایی کامپیوتر، سرعت روش‌های تشخیصی را حتی بیش از پیش افزایش داده‌اند و استفاده از این روش‌ها را برای گوشی‌های هوشمند بیماران امکان‌پذیر ساخته‌اند.

در این راستا، شرکت هلثی‌آی‌او (Healthy.io) اقدام به طراحی روشی برای آزمایش و تحلیل ادرار کرد که به سادگی گرفتن یک عکس سلفی است. اولین محصول این شرکت با نام Dip.io از نوارهای مرسوم (dipstick) آزمایش ادرار برای پایش درجات مختلف عفونت‌های ادرار استفاده می‌کند. سپس نوار تست با دوربین گوشی هوشمند اسکن شده و توسط الگوریتم‌های بینایی کامپیوتر تحلیل می‌شود.

این شرکت پس از آن، اپلیکیشن‌های خود را به آزمایش‌های پیش از تولد و همچنین آزمایش خانگی بیماری‌های مزمن کلیوی گسترش داد. استفاده از فناوری بینایی کامپیوتر، افزون بر آزمایش‌‌های کاربران، امکان تشخیص‌های سریع خارج از آزمایشگاه (POCT) را فراهم می‌سازد. به‌طور مثال، با استفاده از این فناوری می‌توان برخی از انواع آزمایش خون را، بدون نیاز به وجود آزمایشگاه انجام داد.

شرکت سایت دایاگنوستیکز (Sight Diagnostics) کهدر دوران همه‌گیری، ۷۱ میلیون دلار افزایش سرمایه داشته است، اقدام به طراحی نوعی تحلیلگر شمارش کامل خون (CBC) نموده که نتیجه‌ی آزمایش را در عرض چند دقیقه اعلام می‌کند. این فناوری، در انتظار دریافت تاییدیه از FDA برای استفاده خارج از آزمایشگاه (مراکز درمانی) (POC) در ایالات متحده آمریکا است.

پاتولوژی از راه دور (تله پاتولوژی): هوش مصنوعی و اسلایدهای دیجیتال، هنجاری جدید برای آزمایشگاه‌ها

 کمبود نیروی متخصص در کنار اعمال فاصله‌گذاری اجتماعی، سبب تسریع در پذیرش پاتولوژی دیجیتال و هوش مصنوعی شده است.

اگرچه استفاده از هوش مصنوعی در پاتولوژی نسبت به حوزه‌ی رادیولوژی با تاخیر صورت گرفته است، پس از همه‌گیری کووید-۱۹ و پذیرش فناوری‌های دیجیتال توسط آزمایشگاه‌ها به منظور پاسخگویی بهتر در شرایط موجود، پاتولوژی نیز به تدریج  استفاده از  هوش مصنوعی را مورد توجه قرار داد. روال معمول بدین شکل است که پس از مراجعه‌ی بیمار به آزمایشگاه، نمونه‌ی بافتی یا هر نمونه‌ی زیستی مورد درخواست از وی گرفته، رنگ‌آمیزی شده و سپس برای پاتولوژیست ارسال می‌گردد. پاتولوژیست نمونه را زیر میکروسکوپ بررسی می‌کند و چنانچه نتواند تشخیص قطعی بیماری را مطرح نماید، نمونه بسته‌بندی شده و برای بررسی و اعلام نظر یک پاتولوژیست دیگر ارسال می‌گردد.

نوشته‌ی زیر که از بلاگ گوگل‌اِی‌آی (Google AI) آورده شده، پیچیدگی و دشواری بررسی اسلایدهای پاتولوژی و احتمال خطاهای تشخیصی آن را مورد توجه قرار می‌دهد.

«بررسی اسلایدهای پاتولوژی کاری بسیار پیچیده است و کسب تخصص و تجربه‌ی کافی برای انجام درست آن، نیاز به سال‌ها آموزش و ممارست دارد. با این وجود، شاهد تفاوت‌های اساسی در تشخیص‌های مطرح‌شده برای یک نمونه‌ی واحد، توسط پاتولوژیست‌های مختلف هستیم که این می‌تواند به تشخیص  اشتباه در مورد بیماری منجر شود. به‌طور مثال، دربعضی انواع سرطان پستان و همچنین سرطان پروستات، تنها در ۴۸ درصد موارد تشخیص مطرح‌شده مشابه است.»
MARTIN STUMPE AND LILY PENG, GOOGLE AI

در پاتولوژی دیجیتال، برای تهیه‌ی عکس‌هایی با وضوح بالا از نمونه‌های رنگ‌آمیزی شده، از نوعی وسیله‌ی تصویربرداری استفاده می‌شود. پاتولوژیست می‌تواند به‌جای بررسی اسلایدها در زیر میکروسکوپ، آن‌ها را در رایانه و مکانی جز آزمایشگاه بررسی نماید. همچنین این فناوری پاتولوژیست را قادر می‌سازد با استفاده از نرم‌افزارهای مبتنی بر فضای ابری با متخصصان دیگر رشته‌ها تعامل داشته و از هوش مصنوعی در تجزیه و تحلیل تصاویر و ارائه‌ی تشخیص کمک گیرد.

گوگل در سال ۲۰۱۷ تحقیقی در مورد استفاده از یادگیری عمیق برای شناسایی تومورها از نمونه‌های میکروسکوپیک منتشر کرد.

در همان سال FDA نخستین سیستم عکس‌برداری کامل از اسلاید (IntelliSite Pathology Solution) را که توسط شرکت فیلیپس طراحی شده بود، تایید کرد. این دستگاه توانایی ثبت و ذخیره‌ی عکس‌هایی با وضوح بالا از نمونه‌های بافتی را داشت. این فناوری علاقه مضاعفی نسبت به پاتولوژی دیجیتال ایجاد کرد.

شرکت لب‌کورپ (LabCorp) که یکی از بزرگترین شبکه‌های آزمایشگاهی در ایالات متحده است، سال گذشته در یکی از کنفرانس‌های مطبوعاتی خود، اعلام کرد سرمایه‌گذاری این شرکت روی هوش مصنوعی در پاتولوژی، سرمایه‌گذاری بلندمدت و بدون اثرات ملموس و زودبازده است. البته بحران کنونی در حوزه‌ی سلامت و نیاز به دورکاری این روند را تسریع کرده است.

«… توانایی اعمال دورکاری توسط کارکنان، هیچگاه به‌عنوان یک مشکل برای آزمایشگاه‌ها مطرح نبوده است اما همه‌گیری کووید-۱۹ و افزایش بار کاری و استرس بر آزمایشگاه‌ها، ما را بر آن داشت تا با جدیت زیاد، یک روال کاری مشارکتی مناسب برای دورکاری را مد نظر قرار دهیم.»

NATHAN BUCHBINDER, PROSCIA CPO

شرکت هوش مصنوعی پایج ‌اِی‌آی (Paige AI) که در زمینه‌ی شناسایی سرطان در نیویورک فعالیت دارد، در طی یک دور در آوریل ۲۰۲۰، به میزان ۵ میلیون دلار از طریق شرکت گلدمن سکز (Goldman Sachs) و در دور بعدی یعنی جولای به میزان ۲۰ میلیون دلار افزایش سرمایه داشته است. این شرکت افزایش تقاضا برای محصولات خویش در شرایط همه‌گیری را عامل موثر در این امر بیان می‌کند.

حرکت به سوی پاتولوژی دیجیتال، پدیده‌ای جهانی است!

در انگلستان شرکت آی‌بِکس مدیکال آنالیتیکس (Ibex Medical Analytics) که در زمینه‌ی پاتولوژی مبتنی بر هوش مصنوعی فعالیت می‌کند، با یکی از تامین‌کنندگان این حوزه به نام London Digital Pathology، آغاز به همکاری کرده است. مدیر عامل شرکت LDPath پیش‌بینی کرده است پس از پایان همه‌گیری، به‌دلیل افزایش بسیار زیاد درخواست برای انجام آزمایش‌ها، با افزایش فشار کاری بر پاتولوژی مواجه خواهیم شد و  شراکت با دیگر شرکت‌ها  به ما کمک می‌کند تا این شرایط را به شکل بهتری مدیریت کنیم. انگلستان پیش از این نیز با کمبود متخصص پاتولوژی مواجه بود که این امر می‌تواند روند تشخیص سرطان در بیماران را تا چندین هفته به تاخیر بیندازد.

آزمایشگاه کُورپلاس (CorePlus) که به‌طور تخصصی در زمینه‌ی تشخیص سرطان پروستات در پورتوریکو فعالیت دارد، در سپتامبر ۲۰۲۰ اعلام کرد که پس از شراکت با Ibex، روش تشخیصی مورد استفاده‌ی خود را از «پاتولوژی مبتنی بر بررسی میکروسکوپی» به «پاتولوژی مبتنی بر هوش مصنوعی» تغییر داده است.

همچنین اخیرا، شرکت فیلیپس با هدف صرفه‌جویی نزدیک به ۱۲۰۰۰ ساعت در سال، ضمن شراکت با بیمارستان عمومی سنگاپور اقدام به هوشمندسازی روند کاری در بخش پاتولوژی این بیمارستان کرده است.

به‌طور کلی کمبود پاتولوژیست در سراسر دنیا مشکل رایجی است و بسیاری پیش‌بینی می‌کنند پس از پایان همه‌گیری با افزایش شدید تقاضا برای تست‌های آزمایشگاهی مواجه خواهیم شد. به نظر می‌رسد ذی‌نفعانی که تاکنون متقاعد نشده‌اند عملکردهای خود را هوشمندسازی یا همان دیجیتالیزه کنند، زین پس برای استفاده از تله‌پاتولوژی مجبور به استفاده از هوش مصنوعی و فناوری‌های تصویربرداری خواهند شد.

هوش مصنوعی: نوآوری و کارایی در کشف زودرس داروها

 هوش مصنوعی در مراحل مختلف کشف داروهای جدید، از درک ساختار ویروس تا دستیابی به ترکیبات اثربخش، دخالت داشته و بدین ترتیب قادر است زمان دستیابی به این داروها را به میزان قابل توجهی (از سال‌ها به ماه‌ها) کاهش دهد.

عرضه‌ی یک داروی جدید به بازار مصرف، از مراحل تحقیقات اولیه تا توزیع دارو در بازار مصرف نزدیک به یک دهه یا بیشتر به طول می‌انجامد اما با تلاش بی‌وقفه‌ی دولت‌ها برای تولید واکسن کووید-۱۹،  شرکت‌های دخیل در امر تولید دارو و واکسن این بازه‌ی زمانی را با سرعتی چندین برابر طی می‌کنند.

با شروع همه‌گیری کووید-۱۹، استارتاپ‌ها، دانشگاه‌ها و شرکت‌های بزرگ دارویی برای شناخت بهتر ساختمان این ویروس نوظهور، کشف ترکیبات جدید و موثر برای درمان، یافتن داروهای تاییدشده  پیشین (FDA-approved) که بتوانند برای درمان مورد استفاده قرار گیرند و حتی برای طراحی مولکول‌های دارویی که از نظر ساختمانی پایدار هستند، از هوش مصنوعی استفاده کردند.

محققان دانشگاه تگزاس در آستن و انستیتو سلامت ملی (NIH) ایالات متحده آمریکا، برای مطالعه‌ی ساختمان SARS-CoV-2 (عامل بیماری کووید-۱۹)، از نرم‌افزاری به نام cryoSPARC استفاده کردند.  این محققان با استفاده از تصاویر دوبعدی که توسط میکروسکوپ کرایو-الکترونی (تکنیکی که قادر به گرفتن عکس از ساختمان مولکولی است) گرفته شده بود، موفق به طراحی مدل سه‌بعدی ویروس شدند.

نرم‌افزار cryoSPARC که توسط استراکچرا بیوتکنولوژی (Structura Biotechnology) تولید شده است، برای حل مشکل انتخاب ذره (particle picking) یا شناسایی و جداسازی ساختمان‌های پروتئینی در تصاویر میکروسکوپی از شبکه‌های عصبی مصنوعی (neural networks) استفاده می‌کند.

گوگل نیز برای کشف داروها از هوش مصنوعی استفاده می‌کند. سال گذشته، شرکت دیپ‌مایند (DeepMind) از زیرمجموعه‌های گوگل، الگوریتمی به نام آلفافولد (AlphaFold) را طراحی کرد که این نرم‌افزار با کمک به شناسایی تاخوردگی زنجیره‌ی پروتئین (protein folding) که یکی از پیچیده‌ترین چالش‌های ژنومیک  است، تعیین دقیق‌تر ساختمان سه‌بعدی پروتئین‌ها را امکان‌پذیر می‌سازد. دیپ‌مایند در دوران همه‌گیری، با استفاده از آلفافولد ساختمان پروتئین مرتبط با کووید-۱۹ را طراحی و آن را به طور عمومی منتشر نمود.

همچنین شرکت ریکرژن فارما (Recursion Pharma) حجم وسیعی از داده‌ها در مورد SARS-CoV-2 را به طور عمومی منتشر نمود. این شرکت زیست‌فناوری مبتنی بر هوش مصنوعی، در سپتامبر ۲۰۲۰ در افزایش سرمایه‌ای بالغ بر ۲۳۹ میلیون دلار با مشارکت سرمایه‌گذارانی همچون Leaps by Bayer, Lux Capital, Data Collective و دیگر شرکت‌ها در سری D داشت.

ریکرژن برای شناخت بهتر ویروس از هوش مصنوعی استفاده کرده است. بدین منظور، ابتدا سلول‌های سالم در محیطی کنترل‌شده، با ویروس  SARS-CoV-2آلوده شدند. سپس در تصاویر میکروسکوپی حاصل با استفاده از تکنیک یادگیری عمیق، تحلیل و تغییرات فیزیکی این سلول‌ها که در اثر عفونت ایجاد شده بود، شناسایی شد.

در ضمن اتم‌وایز (Atomwise) که یک پلتفرم هوش مصنوعی برای تحقیق و توسعه‌ی داروهای ریزمولکولی است، برای تولید داروهایی با طیف گسترده‌ی ویروس کرونا، با دانشگاه‌های کلمبیا و جازان، انستیتو سرطان Dana-Farber و غیره همکاری نموده است.

همچنین شرکت سیکلیا (Cyclica) که از هوش مصنوعی برای دستیابی به داروهای جدید استفاده می‌کند، برای کشف داروهای ریزمولکول در بیماری‌های عفونی که شامل کووید-۱۹ نیز می‌شود، با شرکت زیست‌فناوری مانین ریسرچ (Mannin Research) سرمایه‌گذاری مشترک انجام داده است. شرکت فرانسوی ایکتوس (Iktos) برای استفاده از پلتفرم هوش مصنوعی خود جهت طراحی مولکول‌های دارویی جدید برای درمان آنفولانزا، SARS-CoV-2 و دیگر بیماری‌های ویروسی، با انستیتوی بین‌المللی تحقیقات علمی (SRI International) همکاری می‌کند.

هوش مصنوعی در آینده، به کشف سریع‌تر داروها کمک می‌کند. با وجود پیشرفت قابل ملاحظه در شناسایی انواع داروها برای مقابله با همه‌گیری (بر اساس اعلام WHO بیش از ۴ نوع واکسن نامزد کارآزمایی بالینی شدند)، نمی‌توان تمام این پیشرفت‌ها را صرفا به هوش مصنوعی نسبت داد. در واقع می‌توان گفت مدل‌سازی پیشرفته‌ی کامپیوتری (advanced computational modeling) بخشی بسیار ضروری در فرایند کشف و تولید داروها است.

از مراکز تخصصی مراقبت از بیماران تا بخش‌های قرنطینه: جهشی در پایش غیرفعال  مبتنی بر هوش مصنوعی

 استفاده از ابزارهایی که به‌طور غیرفعال  و بدون نیاز به تماس با فرد، قادر به اندازه‌گیری پارامترهای فیزیکی بدن انسان هستند، خطر برخورد کارکنان بخش سلامت با ویروس را کاهش می‌دهند. فارغ از بحران کنونی، می‌توان از قابلیت این فناوری‌ها به‌عنوان بستر اصلی برای ارائه‌ی خدمات در حوزه‌ی سلامت استفاده کرد.

مزیت استفاده از پایش غیرفعال این است که برخلاف داده‌های حاصل از تجهیزات پوشیدنی لازم نیست فرد یا بیمار تحت نظارت، در تمام ساعات وسیله‌ی مورد نظر را بپوشد.

همچنین این فناوری به‌دلیل جمع‌آوری خودکار داده‌های حاصل از علائم حیاتی بیماران بستری در بیمارستان، تماس کارکنان با بیماران کووید-۱۹ را محدود ساخته و در نتیجه خطر آلودگی با ویروس در کارکنان کاهش می‌یابد.

یک تیم تحقیقاتی در MIT وسیله‌ای به نام اِمرالد (Emerald) را طراحی نمودند که در اتاق‌های بیمارستان نصب می‌شود و سیگنال‌هایی را منتشر می‌کند که پس از بازگشت با استفاده از یادگیری ماشین تجزیه و تحلیل می‌شوند.

اِمرالد قادر است میان بیمارانی که در یک اتاق هستند، افتراق قائل شود و این کار را از طریق الگوهای حرکتی آن‌ها انجام می‌دهد. همچنین می‌تواند از خلال دیوارها بیمار را حس کند و به میزان کافی به حرکت‌های ظریفی مانند بالا و پایین رفتن قفسه‌ی سینه برای تجزیه و تحلیل الگوهای تنفس بیمار، حساس است.

این فناوری در حال حاضر توسط شرکت Heritage Assisted Living در بوستون برای پایش بیماران کووید-۱۹ به‌کار گرفته می‌شود.

شرکت اسرائیلی ارلی‌سنس (EarlySense)، حسگرهایی طراحی کرده است که می‌تواند زیر تشک‌های  بیمارستان و یا صندلی نصب شود. داده‌ها و هشدارهای این حسگر به مانیتورهای سالن و یا تجهیزات دستی ارسال می‌شود.

مرکز پزشکی شبا (Sheba) واقع در اسرائیل، از این فناوری برای پایش علائم کووید-۱۹ در مسافران کشتی تفریحی پرنسس (Princess Cruise) که در اتاق‌های مجزا قرنطینه شده بودند، استفاده کرد. این بخشی از اقدامی گسترده در راستای استفاده از امکانات پزشکی در طراحی اتاق‌های با فناوری پیشرفته برای بیماران است. روند این حرکت نوآورانه که از مدت‌ها پیش آغاز شده، با وقوع همه‌گیری تسریع شده است.

حسگرهای ارلی‌سنس ، برخلاف اِمرالد که توسط MIT طراحی شده، بر اساس خاصیت پیزوالکتریک (piezoelectricity) کار می‌کنند. مثلا حرکت بیمار روی تخت با ایجاد فشار مکانیکی، سبب تولید سیگنال الکتریکی می‌شود. این علائم به دنبال تغییر در تعداد ضربان قلب، تعداد تنفس، تغییر در وضعیت قرارگیری بیمار و همچنین هنگامی که بیمار تخت خود را ترک می‌کند، تجزیه و تحلیل می‌شود.

اگرچه بیمار باید با سطح تشک یا صندلی در تماس باشد، خود حسگر با بیمار تماس پیدا نمی‌کند. جمع‌آوری داده، همانند اِمرالد به‌طور غیرفعال انجام می‌شود و نیاز به دخالت فعالانه‌ی بیمار نیست.

تعداد زیاد بیماران بستری مبتلا به کووید-۱۹، در کنار کمبود تجهیزات حفاظتی در کارکنان، حوزه‌ی  سلامت را بیش از پیش به سمت سرمایه‌گذاری روی این موارد و دیگر راهکارهای مبتنی بر فناوری برای پایش بهتر بیماران سوق می‌دهد.

یادگیری فدرال: مشارکت بیمارستان‌ها و شرکت‌های تولید دارو برای بهبود استفاده از هوش مصنوعی

رویکرد یادگیری مبتنی بر هوش مصنوعی که امنیت داده‌ها نیز در آن حفظ می‌شود، در ابتدا با معرفی قابلیت پیشگویی متن در صفحه کلید اندروید شروع شد. امروزه این رویکرد، با مقبولیت آن توسط شرکت‌های بزرگ دارویی، بیمارستان‌ها و دیگر مراکز رو به گسترش است.

یادگیری فدرال به شرکت‌ها فرصت می‌دهد افزون بر افزایش امنیت داده‌ها، از مزایای هوش مصنوعی نیز بهره‌مند شوند. گوگل اولین شرکتی بود که از این راهکار برای پیش‌بینی متنی که کاربر توسط صفحه کلید اندروید تایپ خواهد کرد، استفاده نمود.

یادگیری فدرال به دلیل قابلیت حفاظت از داده‌های کاربران در عین بهینه‌سازی الگوریتم‌های هوش مصنوعی، انتخابی مناسب برای صنایعی همچون سلامت است که با اطلاعات حساس سروکار دارند.

شرکت ان‌ویدیا (Nvidia) به طور مشخص یکی از اولین شرکت‌هایی است که از این فناوری در حوزه‌ی سلامت استفاده کرده است.

شرکت کلارا (Clara) که از تولیدکنندگان چیپ است، یادگیری فدرال را به‌عنوان بخشی از چارچوب سخت‌افزاری و نرم‌افزاری خویش در حوزه‌ی سلامت معرفی کرد. اولین کاربران این فناوری، کالج رادیولوژی آمریکا، مرکز MGH & BWH برای علوم داده‌های بالینی و مرکز سلامت UCLA بودند.

در دوران همه‌گیری کووید-۱۹، شرکت ان‌ویدیا برای انجام یک پروژه‌ی چند ملیتی در مورد تشخیص  کووید-۱۹ از روی تصاویر رادیولوژی با استفاده از هوش مصنوعی، با Mass General Brigham مشارکت نمود.

 این شرکت همچنین در سال ۲۰۱۹ برای تشخیص سرطان مغز با استفاده از یادگیری فدرال، با کالج سلطنتی لندن همکاری کرده است. افزون بر این، کالج رادیولوژی آمریکا (American College of Radiology)، مرکز تصویربرداری Diagnosticos da America در برزیل و چندین مرکز دیگر، در مطالعه‌ای  که در مورد تشخیص تومورها از روی ماموگرافی انجام می‌دادند، از شرکت کلارا کمک گرفتند.

ان‌ویدیا تنها شرکت بزرگ سازنده‌ی چیپ نیست که از این فناوری در حوزه‌ی سلامت استفاده می‌کند.

شرکت اینتل (Intel) با همکاری پِن‌مدیسن (Penn Medicine)، فاز اول فناوری تشخیص تومورهای مغزی را با استفاده از یادگیری فدرال به منظور حفظ حریم خصوصی بیماران، در ماه می ۲۰۲۰  آغاز نمود.

در این میان، تعدادی از شرکت‌های بزرگ دارویی مانند Bayer, Amgen, Astellas, AstraZeneca, Boehringer Ingelheim, GSK, Institut De Recherches Servier, Janssen, Merck و Novartis در حال تهیه‌ی پلتفرمی به نام ملودی (Machine Learning Ledger Orchestration for Drug Discovery) هستند.

علاقه‌ی مشترک به کاهش هزینه و وقت صرف‌شده برای عرضه‌ی یک داروی جدید به بازار مصرف، رقبای این حوزه را برآن داشت تا با هدف تقویت مدل‌های پیشگویی‌کننده‌ی یادگیری ماشینی و با استفاده از داده‌های غیرمتمرکز ۱۰ شرکت دارویی، بدون افشای اطلاعات انحصاری خویش با یکدیگر همکاری نمایند.

استارتاپ‌ها نیز از این فناوری استفاده می‌کنند. شرکت چینی شوکون تکنولوژی (Shukun Technology) که در حال ساخت هوش مصنوعی برای تشخیص بیماری‌های قلبی و سکته‌ی مغزی است، درحال حاضر به دنبال توسعه‌ی قابلیت‌های یادگیری ماشینی آن است. از آنجا که این شرکت برای توسعه و طراحی الگوریتم هوش مصنوعی خویش، داده‌ی قابل دسترسی در اختیار نداشت، به ناچار به داده‌های گزارش‌شده توسط بیش از ۲۰۰ بیمارستان و موسسه تحقیقاتی استناد نمود. این داده‌ها مربوط به 100 هزار مورد بود که هرکدام از این موارد شامل ۲۰۰ تا ۳۰۰ تصویر از بیماران بودند.

«در حال حاضر شوکون مجبور است برای دستیابی به داده‌های جدید با هر بیمارستان به‌طور جداگانه ارتباط برقرار کند و این ارتباط با توجه به امکانات متفاوت بیمارستان‌ها در  اغلب موارد مشکلاتی به همراه دارد. چنانچه هر بیمارستان بتواند به یک مدل داده‌های فدرال متصل شود، پس از آموزش در محل می‌تواند به تمام داده‌های موجود در شبکه‌ای متشکل از شرکای شوکون دسترسی پیدا کند.»

TONY KONTZER, NVIDIA BLOG

 یادگیری فدرال می‌تواند به استارتاپ‌های کوچکتر کمک کند تا محصولات خود را هر چه سریع‌تر به بازار عرضه نموده و فرصت ارائه‌ی اپلیکیشن‌های هوش مصنوعی به ذی‌نفعانی که نگران محرمانه بودن داده‌ها هستند،فراهم می‌شود.

CB Insights چیست؟

CB Insights به شرکت‌های پیشرو در دنیا کمک می‌کند تا با استفاده از داده‌ها، نه فقط متکی بر نظرات تصمیمات هوشمندانه‌تری را در حوزه‌ی فناوری بگیرند.

پلتفرم CB Insights با بهره‌گیری از داده‌های جامع، دیدگاه متخصصان و ابزارهای مدیریت عملکرد، به شرکت‌ها کمک می‌کند تا با استفاده از تکنولوژی، مسیر رشد و بهبود عملکرد را طی کنند.