باهوش تر شدن هوش مصنوعی در حوزه پزشکی، بیمار به بیمار (بخش دوم)

سازمان غذا و دارو (FDA) در حال حاضر، ابزارهای هوش مصنوعی را همانگونه که اثربخشی و ایمنی وسایل پزشکی و داروها را ارزیابی میکند، تحت نظارت دارد. برای آشنایی بیشتر با نحوه تجویز دارو توسط هوش مصنوعی و نمونه‌های آن با مجله فناوری‌های توان‌افزا و پوشیدنی همراه باشید.

باهوش تر شدن هوش مصنوعی در حوزه پزشکی، بیمار به بیمار (بخش دوم)

هوش مصنوعی و تجویز دارو

FDA در مورد سامانه‌های هوش مصنوعی پزشکی ارزیابی دقیقی انجام میدهد. به عنوان مثال یک سامانه هوش مصنوعی CT اسکن علائم عصبی بیمار را نشان میدهد و در صورتی که نشانه هایی از سکته مغزی در آن مشاهده کند، به پزشکان مربوطه پیام میدهد. این سامانه به نوبه خود کمک میکند تا سریعتر به وضعیت بیمار رسیدگی شود و باعث جلوگیری از آسیب‌های جدی به مغز میشود.

دکتر Krumholz میگوید، هوش مصنوعی و یادگیری ماشین به ما کمک میکنند تا داده‌های بسیار پیچیده و چند بعدی را که قبلا با روش‌های سنتی قادر به تحلیل آنها نبودیم، به راحتی تجزیه و تحلیل کنیم.

در ادامه این مقاله به بررسی روش‌هایی که پزشکان Yale برای درمان سریع و موثر بیماران خود با استفاده از هوش مصنوعی انجام میدهند، میپردازیم.

یادگیری ماشین و سرطان پروستات

با وجود اینکه سرطان پروستات دومین نوع متداول سرطان در ایالات متحده است، تشخیص آن همچنان مسئله ای چالش برانگیز میباشد. به طور معمول روش تشخیص این سرطان به این صورت است که پزشکان به طور مکرر سوزن بیوپسی را در پروستات وارد میکنند و چندین نمونه از نواحی مختلف آن به امید این که خوشه سلول‌های سرطانی را بیابند، جمع آوری میکنند.

دکتر Sprenkle با استفاده از یادگیری ماشین، اسکن‌های سونوگرافی و MRI را در یک تصویر ترکیب میکند تا با دقت بیشتری مشخص شود که تومورهای مشکوک در کجا قرار دارند. دکتر John Onofrey، استادیار رادیولوژی و تصویر برداری زیست پزشکی و اورولوژی میگوید، اسکنهای سونوگرافی و MRI دید متفاوتی از آناتومی میدهند و تلاش برای ترکیب و بررسی آنها در یک تصویر چالش برانگیز است.

ابزاری که به بررسی سرطان پروستات میپردازد، MRI/TRUS Fusion نام دارد. این ابزار اطلاعات تصاویر را جمع آوری کرده و آن ها را وارد الگوریتمی میکند که قادر است تصویری سه بعدی از پروستات بسازد. بنابراین پزشکان قادرند این تصویر را از زوایای مختلف بر روی صفحه نمایش رایانه بررسی کنند تا دقیقا ضایعه ای که هدف بیوپسی است، شناسایی شود.

دکتر Onofrey میگوید، تجربه صدها آزمایشی که به صورت دستی بر روی پروستات انجام گرفته است به ما نشان داد که چگونه ممکن است روش بیوپسی باعث تغییر شکل در پروستات شود. با اولین تصویر برداری به کمک نرم افزار هوش مصنوعی پزشکان قادرند به طور دقیق محل وارد کردن سوزن بیوپسی در پروستات را برای نمونه برداری مشخص کنند که به مراتب نسبت به روش قبلی بسیار موثرتر خواهد بود.

هوش مصنوعی و سرطان کبد

سرطان کبد پیچیده است بنابراین پزشکان باید اطلاعات بسیاری را از منابع مختلف جمع آوری کنند تا بهترین روش درمانی را برای یک بیمار خاص در نظر بگیرند. به عنوان مثال آن‌ها برای دیدن تومورها به تصاویر سونوگرافی و MRI تکیه دارند. آنها باید ابعاد تومور را اندازه گیری کنند و بفهمند که سرعت رشد آن به چه صورت است. آنها همچنین سعی در شناسایی ژن‌های خاص موجود در تومور دارند تا بتوانند بهترین برنامه درمانی را در دستور کار قرار دهند.

حاصل تلاش متخصصان پزشکی و تیمی متشکل از مهندسان زیست پزشکی و علوم رایانه Yale، یافتن الگوریتمی است که قادر است از داده های پیچیده با درج نقاط اضافی و تصادفی، الگوهای موجود در آنها را بیابد.

دکتر Lawrence Staib، پژوهشگر رادیولوژی و تصویربرداری زیست پزشکی که متخصص در به کارگیری الگوریتمهای یادگیری ماشین برای تجزیه و تحلیل تصاویر پزشکی است، میگوید، ما به پزشکان مراجعه کردیم تا سوالات بالینی مناسبی به ما ارائه دهند و این سوالات معیاری برای ارزیابی و آزمایش کارایی الگوریتمها بوده است.

Julius Chapiro، پژوهشگر و متخصص رادیولوژی در Yale میگوید، در تشخیص سرطان کبد، تصویربرداری نقش بسیار مهمی ایفا میکند به همین دلیل ما باید برای استخراج اطلاعات از تصاویر، روش بهتری را در پیش بگیریم.

الگوریتمهای هوش مصنوعی برای پر کردن فاصله موجود میان داده های پیچیده و تصمیم گیری های بالینی بسیار مفید هستند. اگرچه همچنان جای پیشرفت وجود دارد، اما مزایای این الگوریتمها قابل مشاهده است.

Jeffrey Pollack، رادیولوژیست دیگری که در این پروژه مشارکت دارد، میگوید، انسانها بدون خطا نیستند و این قضیه در مورد ماشینها نیز صادق است. اما کنار هم قرار گرفتن انسان و ماشین میتواند خطا را به حداقل ممکن برساند.

برنامه ریزی سه بعدی برای جراحی پلاستیک صورت

تکنیک‌های یادگیری ماشین قادرند سطح دیگری از دقت را به مدل‌های طراحی سه بعدی به وسیله رایانه اضافه کنند که به جراحان پلاستیک برای انجام جراحی های پیچیده کمک میکنند.

Derek Steinbacher، جراح پلاستیک در Yale میگوید، ملاحظات عملکردی بسیاری وجود دارد که به نوع چهره وابسته است و برای ایجاد عملکرد مناسب به سازه هایی مانند استخوان‌های ظریف صورت انسان نیاز است.

با همکاری محققان در سطح ملی و جهانی، جراحان پزشکی Yale یک مدل یادگیری ماشین را بر اساس تصاویر حدود ۴۰۰۰ نفر با ساختارهای طبیعی صورت ایجاد کردند. این تیم مدل‌های سه بعدی صورت را با کار در زمینه تخصصی مورفومتریک که متکی به اندازه گیری و آزمایش بر روی عوامل موثر بر شکل و فرم عضوهای طبیعی و زنده است، ایجاد کرده اند.

سپس برنامه های رایانه ای، مقادیر زیادی از مدل‌های طبیعی صورت را با مدل‌های تهیه شده از  اسکنهای سه بعدی مقایسه میکنند و به جراحان بینش بهتری برای بهبود نتایج جراحی ارائه میدهند.

دکتر Steinbacher، مدیر بخش جراحی فک و صورت Yale میگوید، با استفاده از این سامانه ما میتوانیم برای ایجاد نتایجی بهتر محل قرار گیری استخوان‌ها را در ابتدا بر روی مدل‌های رایانه ای آزمایش کنیم.

برای ایجاد یک مدل، پزشکان تصاویر MRI و سایر اسکن‌های موجود را از پرونده پزشکی بیمار تهیه میکنند. دکتر Steinbacher میگوید، به این صورت ما میتوانیم یک جراحی ابتدایی در فضای دیجیتالی، پیش از جراحی واقعی انجام دهیم. در صورتی که مدل سه بعدی ایجاد شده دقیق باشد، جراحان میتوانند یک نمونه از آن را با فناوری چاپ سه بعدی ایجاد کنند و در طول عمل جراحی از آن راهنمایی بگیرند.

دکتر Steinbacher میگوید، من فکر میکنم به کارگیری این روش برای انجام عمل‌های جراحی صورت نتایج به مراتب بهتری را به دنبال خواهد داشت.


بیشتر بخوانیم:
باهوش تر شدن هوش مصنوعی در حوزه پزشکی، بیمار به بیمار(بخش نخست)
نه کاربرد جالب پردازش زبان‌ های طبیعی
معرفی پنج شرکت که از هوش مصنوعی برای مبارزه با کرونا استفاده می کنند


منبع: techxplore

«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوریهای توان افزا و پوشیدنی) مجاز است.»

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *