آیا هوش مصنوعی در چشم‌پزشکی جایگزین پزشکان خواهد شد؟

2 835

70 سال پیش تکنیک‌های هوش مصنوعی به دنیای برنامه‌نویسی راه یافتند. از آن موقع تا به حال، کاربرد این الگوریتم‌ها در حوزه‌های غیرمهندسی به طرز چشمگیری افزایش یافته است. در چند سال اخیر که قدرت پردازش کامپیوترها افزایش یافته، تکنیک‌های برنامه‌نویسی پیشرفت کرده و همچنین ارتباط میان محققان علوم پزشکی و محققان علوم مهندسی گسترش یافته، هر روز خبر تازه‌ای از نقش‌آفرینی هوش مصنوعی در یکی از حوزه‌های علوم پزشکی به گوش می‌رسد. 

انتظار می‌رود هوش مصنوعی بر حیطه‌های مختلف پزشکی تأثیر بسزایی بگذارد، و بسیاری از جنبه‌های مراقبت سلامت را بهبود بخشد. اما آیا هوش مصنوعی در چشم‌پزشکی جایگزین پزشکان خواهد شد؟

مهمان اپیزود ۹ پادکست RSM Digital Health Section، دکتر ادوارد کوروت (Dr. Edward Korot)، چشم‌پزشک، پژوهشگر و مشاور بالینی در گوگل هلث (Google Health) است. او در گفت‌وگو با دکتر مالا ماوکین (Dr. Mala Mawkin)، میزبان پادکست، توضیحاتی درباره کاربرد هوش مصنوعی در پزشکی دیجیتال و تأثیر آن بر آینده‌‌ی حرفه‌ی چشم‌پزشکی ارائه می‌دهد.

دکتر کوروت دوران آموزش پزشکی عمومی و تخصص را در آمریکا گذرانده است. سپس با دریافت یک گرنت پژوهشی، در بیمارستان چشم‌پزشکی مورفیلد (Moorfields Eye Hospital) لندن به تحقیق روی یادگیری ماشین خودکار (Automated Machine Learning/AutoML) پرداخته است. وی علاوه بر ارائه‌ی توضیحات درباره‌ی پژوهش‌هایش، شرح می‌دهد که هوش مصنوعی چگونه می‌تواند زمانی که پزشک برای بیمار صرف می‌کند را بهینه‌سازی کند و یادگیری ماشین به چه نحوی می‌تواند کار چشم‌پزشکی را بهبود بخشد.

یادگیری ماشین خودکار به گسترش استفاده از یادگیری ماشین در مراقبت سلامت سرعت می‌بخشد

یادگیری ماشین خودکار به پزشکان کمک می‌کند از هوش مصنوعی در چشم‌پزشکی استفاده کنند.

«به طور خلاصه، یادگیری ماشین خودکار (Automated Machine Learning / AutoML) به شما اجازه می‌دهد بدون اینکه کد بنویسید، یک مدل یادگیری ماشین را آموزش دهید.» دکتر کوروت در ادامه می‌گوید که عدم نیاز به دانش برنامه‌نویسی در استفاده از یادگیری ماشین خودکار، سبب می‌شود که هوش مصنوعی پزشکی و سلامت دیجیتال در دسترس همه‌ی فعالان حوزه‌ی سلامت قرار گیرد. 

او درباره‌ی آسان بودن استفاده از این تکنولوژی می‌گوید: «هر کسی می‌تواند این کار را انجام دهد. هر کسی می‌تواند به اینترنت برود، یک پلتفرم AutoML انتخاب کند، یک مجموعه‌ داده‌ی عمومی و متن‌باز پیدا کند و با این مدل‌ها بازی کند!»

بدین ترتیب پزشکان و پژوهشگران بیشتری مدل‌های یادگیری ماشین را برای استفاده‌ی خودشان می‌سازند، و این مهارت را پیدا می‌کنند که این مدل‌ها را با دقت بالایی ارزیابی کنند. همین باعث می‌شود که مزایا و معایب الگوریتم‌های یادگیری ماشین در حوزه‌ی سلامت بهتر بررسی شود.

برای کسب اطلاعات بیشتر درباره یادگیری دانش برنامه‌نویسی هوش مصنوعی می‌توانید به «نقشه راه یادگیری برنامه‌نویسی هوش مصنوعی برای دانشجویان و دانش‌آموختگان علوم پزشکی» مراجعه کنید.

هوش مصنوعی‌ای که هوش مصنوعی خلق می‌کند

همانطور که در ویدیوکست «هوش مصنوعی چیست؟» به آن اشاره شده، فرآیند طراحی و ساخت یک مدل یادگیری ماشین از مراحلی تشکیل شده است. 

دکتر کوروت در این باره می‌گوید: «ما به مدل‌هایی که اغلب در بیرون وجود دارند – و بهترین نوع خودشان هستند- «مدل‌های متخصص سفارشی» (bespoke expert models) می‌گوییم. برای ساخت این مدل‌ها، یک مهندس یادگیری ماشین مجموعه داده‌ای را با کمک بقیه اعضای تیم گردآوری و مرتب‌سازی (data curation) و برچسب‌گذاری (labeling) می‌کند. سپس، به صورت دستی تعیین می‌کند که چه پارامترهایی را برای آموزش مدل یادگیری ماشینشان استفاده کنند. این شامل تنظیم هایپر-پارامتر (hyper-parameter tuning)، انتخاب نوع مدل، سپس به کارگیری مدل و انجام ارزیابی، بهینه‌سازی و غیره می‌شود.» 

او در ادامه تفاوت استفاده از یادگیری ماشین خودکار را بیان می‌کند: «کاری که یادگیری ماشین خودکار می‌کند این است که اکثر مراحل کار را برایتان خودکار می‌کند. یعنی شما می‌توانید یک مجموعه داده داشته باشید، به آن‌ها برچسب بزنید. و الگوریتم یادگیری ماشین خودکار – که ما به آن «هوش مصنوعی‌ای که هوش مصنوعی را می‌سازد» می‌گوییم – به صورت خودکار یک معماری مدل انتخاب می‌کند؛ یعنی انتخاب می‌کند که کدام نوع مدل برای کار شما مناسب‌تر است. سپس همه‌ی تنظیم‌های کوچک را انجام می‌دهد تا مدل شما را آموزش دهد که روی مجموعه داده‌تان به خوبی عمل کند.»

 البته یادگیری ماشین خودکار محدودیت‌هایی هم دارد و نیازهایی مانند امنیت داده‌ها، تعادل برچسب‌ها (label balance) و جلوگیری از نشت داده (data leakage) را برطرف نمی‌کند.

دکتر کوروت می‌گوید: «گروه ما تلاش کرده که این پلتفرم‌های AutoML موجود را از سه جهت ارزیابی کند؛ 

۱. آیا ما، به عنوان افرادی که دانش برنامه‌نویسی زیادی ندارند، می‌توانیم از آن‌ها استفاده کنیم؟

۲. آیا مدل‌ها استوار (robust) هستند؟

۳. آیا می‌توانیم اعتبار و دقت آن‌ها را اثبات کنیم؟»

لازم به ذکر است که به مدلی استوار گفته می‌شود که خروجی‌ها و پیش‌بینی‌های آن به طور مداوم دقیق باشد؛ حتی اگر یک یا چند متغیر ورودی یا فرضیات به دلیل شرایط پیش‌بینی‌نشده به شدت تغییر کند.

او و همکارانش در مقاله‌‌ای که در سال ۲۰۱۹ به چاپ رساندند، به بررسی این موضوع پرداختند. 

دکتر کوروت بیان می‌کند که فاز بعدی کار آن‌ها با یادگیری ماشین خودکار، بازسازی مدل‌های یادگیری ماشینی است که در مقاله‌های جالب و نوآورانه آورده شده‌اند. به طور مثال در یک مقاله که پیشرفت غیرمنتظره‌ای را در هوش مصنوعی چشم‌پزشکی رقم زد، یک مدل یادگیری عمیق، جنسیت بیمار را با بررسی تصویربرداری شبکیه‌‌ی چشم (retinal fundus photography) با دقت فوق‌العاده‌ای پیش‌بینی می‌کرد؛ در صورتی که پیش از آن هیچ چشم‌پزشکی فکر نمی‌کرد چنین چیزی ممکن باشد. 

به گفته‌ی وی، این مدل‌های تکثیرشده با یادگیری ماشین خودکار تاکنون عملکرد‌ خوبی ارائه داده‌اند.

ریسک‌های استفاده از هوش مصنوعی برای ارائه خدمات سلامت به بیماران

«به عقیده‌ی من، ما باید در استفاده از یادگیری ماشین خودکار خیلی مراقب باشیم. همانگونه که در استفاده از مدل‌های یادگیری ماشین دیگر مراقب هستیم.» دکتر کوروت در ادامه شرح می‌دهد که تیم آنها سعی دارند تا مدل‌هایی را که با استفاده از یادگیری ماشین خودکار ساخته می‌شوند، شفاف‌تر سازند و توضیح دهند. او تأکید می‌کند که این مدل‌ها باید به طور قابل پیش‌بینی و امن شکست بخورند، و می‌بایست اعتبار و دقتشان اثبات شود.

او همچنین یادآور می‌شود که در حال حاضر این مدل‌ها فقط برای مقاصد پژوهشی استفاده می‌شوند و هنوز برنامه‌ای برای به‌کارگیری آن‌ها در ارائه خدمات سلامت وجود ندارد.

هوش مصنوعی در چشک‌پزشکی

چشم‌پزشکی، پیشران پذیرش یادگیری ماشین در مراقبت سلامت و پزشکی دیجیتال

دکتر کوروت درباره ویژگی‌های حیطه‌ی چشم‌پزشکی می‌گوید: «به نظر من چشم‌پزشکی موقعیت منحصر به فردی دارد که موجب می‌شود پیشران پذیرش یادگیری ماشین در مراقبت سلامت و سلامت دیجیتال باشد.» او برای این گفته‌اش دو دلیل می‌آورد؛ اول آنکه تعداد مراجعان چشم‌پزشکی به طور قابل توجهی در حال افزایش می‌باشد که به معنای افزایش میزان داده‌ی موجود در این حیطه است. و دلیل دوم این است که چشم‌پزشکی، متمرکز بر تصویربرداری است. 

شاید برای چشم‌پزشک سخت باشد که تصویربرداری‌های سه‌بعدی ۵ سال اخیر بیمارش را بررسی کند، این اطلاعات را در ذهنش یکپارچه سازد تا روندها را کشف کند و در نهایت آن‌ها را در مراقبت بیمارش اعمال کند.

«و اینجاست که هوش مصنوعی می‌تواند نقشش را ایفا کند. هوش مصنوعی می‌تواند این یکپارچه‌سازی (integration) را در طول زمان و برای حجم بالای داده‌ها انجام دهد؛ روندها را آشکار سازد و سپس به پزشک یک خلاصه‌ی مختصر از وضعیت بیمار ارائه دهد.» این خلاصه می‌تواند شامل تحلیل تصویربرداری‌ بیمار، نحوه‌ی پیشرفت بیماری و نحوه‌ی پاسخ به درمان باشد. دکتر کوروت تأکید می‌کند که تنها با ارائه‌ی این خلاصه، مشکل کمبود زمان چشم‌پزشکان به میزان قابل توجهی بهبود می‌یابد.

دکتر ماوکین از منظر سلامت جهانی به موضوع نگاه می‌کند: «اگر متخصصانی که پیش از این به چنین ابزار‌هایی دسترسی نداشتند به آن‌ها دست یابند، به طور بالقوه پیشرفت قابل توجهی را در سلامت جهانی مشاهده خواهیم کرد.»

آیا هوش مصنوعی جایگزین چشم‌پزشکان خواهد شد؟

هوش مصنوعی در چشم‌پزشکی به کمک پزشکان خواهد آمد اما جایگزین آنها نمی‌شود

دکتر کوروت و همکارانش در مقاله‌ی اخیرشان، “?will AI replace ophthalmologists”، تلاش کردند به این سؤال پاسخ بدهند. او در این باره توضیح می‌دهد: «هوش مصنوعی برای خلاصه کردن روند‌های داده استفاده خواهد شد، ولی هنوز به یک پزشک نیاز خواهیم داشت که داده‌ها را در شرایط زمینه‌ای بیمار بررسی کند.» پزشک بررسی می‌کند که وضعیت بیمار چه تأثیری بر شرایط خاص زندگی او می‌گذارد. 

دکتر کوروت در رابطه با لزوم بررسی داده‌ها در کانتکست بیمار می‌گوید: «تا وقتی چیزی که به آن می‌گوییم «General AI» یا «هوش مصنوعی عمومی» که می‌تواند کارهای مختلف را مانند انسان پردازش کند، نداریم، انسان عمومی‌ترین هوشی است که در اختیار داریم. و ما به آن نیاز داریم تا برای آنچه الگوریتم به ما تحویل می‌دهد، کانتکست فراهم کند.»

بنابراین، هوش مصنوعی به زودی جای چشم‌پزشکان را نخواهد گرفت، بلکه قرار است زمانی را که پزشک برای بیمار صرف می‌کند بهینه‌سازی کند. بدین ترتیب هوش مصنوعی این امکان را به پزشک می‌دهد که زمانش را به برقراری ارتباط مؤثر با بیمار و ارائه‌ی توضیحات درباره‌ی وضعیتش به او بپردازد. 

معرفی پادکست

اپیزود 9 پادکست RSM Digital Health Section درباره هوش مصنوعی در چشم‌پزشکی است

این پادکست، بخش سلامت دیجیتال از مجموعه پادکست‌های انجمن سلطنتی پزشکی (Royal Society of Medicine) است. در این پادکست رهبران برجسته‌ی سلامت دیجیتال درباره‌ی آخرین بحث‌ها و مضامین مربوط به فناوری‌های دیجیتالی که پیشران تحولات مراقبت سلامت هستند، صحبت می‌کنند. تاکنون ۱۴ قسمت از این پادکست منتشر شده است.

میزبان پادکست

دکتر مالا ماوکین (Dr. Mala Mawkin) در Cellen کار می کند، یک شرکت فناوری مراقبت سلامت که در حیطه‌ی درد مزمن به نوآوری می‌پردازد. وی همچنین رهبر نوآوری پزشکی دیجیتال در کالج امپریال لندن و میزبان پادکست سلامت دیجیتال برای انجمن سلطنتی پزشکی (Royal Society of Medicine) است.

پیش از این، مالا یک پزشک در NHS انگلستان بوده و در مؤسساتی مانند آژانس فضایی اروپا، برنامه بهداشت الکترونیکی مالاوی و چندین شرکت تکنولوژی سلامت در لندن کار کرده است. وی همچنین در Unilever و Uber نقش‌هایی را ایفا کرده و در شتاب‌دهنده‌ی نوآوری و سلامت دیجیتال بیمارستان اطفال هاروارد و بوستون مشغول به کار بوده است.

2 نظرات
  1. زهرا می گوید

    جالب بود.ممنون👌🏻👌🏻

  2. زهرا می گوید

    جالب بود.ممنون👌🏻

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.