هوش مصنوعی هم اکنون دارد تشخیص و درمان سرطان را متحول می نماید - وبلاگ هاپرسین

به گزارش وبلاگ هاپرسین، تشخیص و درمان سرطان چالشی سخت در برابر پزشکان و بیماران در طول تاریخ بوده است، اما پیشرفت های تدریجی در کاربرد هوش مصنوعی در مراقبت های هوش مصنوعی حوزه سرطان را هم متحول نموده است.

پژوهشگران و متخصصان بالینی اکنون با استفاده از الگوریتم های پیشرفته و ماشین های هوشمند اکنون می توانند چشم اندازهایی نو را نشان دهند، اندازه زیادی از داده ها را تجزیه و تحلیل کند و تصمیم هایی دقیق تر بگیرند.

بر اساس گزارش سازمان دنیای بهداشت در سال 2020 حدود 10 میلیون مورد مرگ ناشی از سرطان در دنیا رخ داد (یعنی حدود یک ششم کل مرگ ها)، شایع ترین انواع سرطان شامل سرطان پستان، سرطان ریه، سرطان روده بزرگ و راست روده، سرطان پروستات، سرطان پوست و سرطان معده هستند و در این میان سرطان ریه مرگبارترین آنها است. با این حال، حتی این سرطان نیز اگر در مراحل اولیه تشخیص داده شده و درمان گردد، در بسیاری از موارد قابل علاج است.

روش های سنتی تشخیص سرطان بر تست های آزمایشگاهی (خون، ادرار و سایر مایعات بدنی)، تست های تصویربرداری (سی تی اسکن، رادیوگرافی ایکس، پت اسکن و نمونه برداری یا بیوپسی از بافت غیرطبیعی خارج شده متکی هستند. هنگامی که سرطان شناسایی می گردد، شایع ترین انواع درمانی که به کار می روند شامل جراحی، شیمی درمانی، هورمون درمانی و پیوند مغز استخوان هستند.

اما این روش های تشخیصی و درمانی با چالش های متعدی روبرو هستند، از جمله خطای انسانی، تجزیه و تحلیل های زمان بر و تفسیرهای شخصی که ممکن است بر کارآمدی یا دقت درمان اثر بگذارند.

کارشناسان می گویند در حالیکه احتیاجی فزاینده وجود دارد که تشخیص و درمان سرطان به شکلی کارآمدتر، مقرون به صرفه تر و شخصی شده تر برای بیمار انجام گردد، هوش مصنوعی در آستانه ایفای نقش مهمی در حوزه سرطان شناسی است.

کاربردهای هوش مصنوعی در سرطان

کاربردهای بر مبنای یادگیری ماشین با طراحی سیستم هایی برای پردازش تصویر (رادیوگرافی اشعه ایکس، سی تی اسکن و ماموگرافی) در حوزه تشخیص سرطان به طور گسترده استفاده می شوند. هوش مصنوعی بعلاوه برای طراحی داروها، تعیین پیش آگهی درمان یا مراقبت های شخصی شده به کار می رود.

از جمله موارد کاربردهای هوش مصنوعی در سرطان شناسی می توان به اینها اشاره نمود:

• تصویربرداری و شناسایی سرطان: هوش مصنوعی می توان تصاویر پزشکی مانند ماموگرام ها یا اسکن های رادیولوژی را تجزیه وتحلیل کند، به طور دقیق ضایعه ها یا تومورهای مشکوک را که در غیر این صورت نایده گرفته می شوند، شناسایی کند. تصویربرداری های با یاری هوش مصنوعی برای مثال برای تشخیص سرطان پستان× سرطان ریه و سرطان ریه به کار می روند.
• - درمان شخصی شده: الگوریتم های هوش مصنوعی با تجزیه و تحلیل مقادیر بزرگ داده های مربوط به بیمار از جمله اطلاعات ژنتیکی، سوابق پزشکی و نتایج درمانی می توان به پیش بینی پاسخ بیمار به درمان های تعیین یاری نمایند.
• کشف داروها: با توجه به حجم گسترده مقالات زیستی- پزشکی، داده های ژنومی و ساختارهای مولکولی الگوریتم های هوش مصنوعی می تواند اهداف درمانی بالرقوه را شناسایی نمایند، کارآمدی دارو را پیش بینی نمایند و طراحی دارو را بهبود بخشند.

البته باید توجه داشت که بسیاری از کاربردهای فناوری های مبتنی بر هوش مصنوعی هنوز در مرحله آزمون های اولیه هستند و هنوز باید منتظر ماند تا مراحل بعدی آزمایشی را بگذرانند تا برای کاربردهای واقعی آماده شوند.

جالب توجه ترین پیشرفت در این زمینه که به طور عملی آزمایش شده است، بهبود در شناسایی اندازه های سرطان میان پزشکان با اندازه تجربه های فرق دارد. یک آنالیز اخیر که در کنگره رادیولوژی اروپا در وین ارائه شد، اندازه شناسایی سرطان ریه را در بیماران را میان هوش مصنوعی و پنج رادیولوژیست مقایسه نموده بود. در رادیولوژیست های کم تجربه تر اندازه موفقیت فقط 29 درصد بود، در حالیکه رادیولوژیست های باتجربه تر این اندازه 81 درصد بود و هوش مصنوعی توانسته بود، 91 درصد موارد سرطان ریه را تشخیص دهد.

آنالیز های اخیر دیگر نشان داده اند که هوش مصنوعی می تواند به طور دقیق خطر سرطان پستان، ریه و لوزالعمده را سال ها پیش از تشخیص آنها پیش بینی کند.

پژوهشگران بعلاوه از این فناوری برای یاری به بهبود درمان تومور مغزی و آنالیز ضایعات پوستی از لحاظ وجود سرطان در مدت کوتاهی در حد چند ثانیه استفاده نموده اند.

چالش های استفاده از هوش مصنوعی در سرطان

اما استفاده از هوش مصنوعی در حوزه سرطان با چالش هایی هم روبرو است، یکی از چالش های عمده مدل های هوش مصنوعی نبود داده های بهداشتی ساخت دار مربوط به سرطان و استاندارد شدن داده ها در نظام های مراقبت بهداشتی است. یک محدودیت دیگر مسئله مسائل انجام آنالیز های مربوط هوش مصنوعی و به همین دلیل است دانشگاه ها و مراکز پزشکی دانشگاهی بیشتری دارند تدریس درباره هوش مصنوعی را به برنامه های اصلی آموزشی شان می افزایند.

مسائل دیگری هم در زمینه استاندارد کردن داده ها، قابل تکرار بودن، سوگیری و حفظ دقت در طول زمان وجود دارد. نمونه گیری همراه با سوگیری و بیان نشدن داده های مربوط به گروه های گوناگون جمعیت های متنوع در داده های تعلیمی برای هوش مصنوعی می تواند به کارکرد پایین تر از حد انتظار مدل به کار رفته بینجامد. انتخاب دقیق اهداف نهایی بالینی نیز برای پرهیز از سوگیری های اجتماعی و مالی لازم است.

رانش یا گذار داده ها (data drift) و امنیت داده ها (data security) نیز می توانند بر تکرارپذیری و حفظ حریم خصوصی در مدل های هوش مصنوعی تاثیر بگذارند.

در نتیجه برای ایجاد مقرراتی فراگیری که تعادلی میان ابداع از یک سو و حفاظت از بیمار از سوی دیگر ایجاد نمایند، احتیاج به همکاری میان قانونگذاران، دانشمندان هوش مصنوعی، مهندسان و پزشکان بالینی وجود دارد.

منبع: Healthday.com