یادگیری ماشین و هوش مصنوعی در خدمات پزشکی

یادگـیــری ماشـیـن و هـوش مصنـوعی در خــدمـات پزشـکی :

ضرورت یا توانایی؟

چکیده
انگیزه : در نتیجه روند دیجیتالی شدن سیستم های مراقبت های بهداشتی در سر تا سر جهان تخمین زده میشود که داده های تولید شده در سال 2020 به 2314 اگزابایت برسد.

توسعه های مداوم سیستم های هوشمند با مقصود ( ارائه استدلال های بهتر و کارآمدتر و استفاده از داده های جمع آوری شده است). این استفاده از تغییر اندیشه های قدیمی محدود نیست . یعنی ارائه نتیجه گیری نیز میتواند به فرضیات احتمالی پیش رو که با سرعت بیشتری ارائه میدهد گسترش یابد و پزشکان به واسطه این سیستم ها کمک میشوند و توانایی های خود را در بررسی های عمیق فنی یعنی آن چیزی که آنها فاقد آن هستند نقطه شروع واضحی برای نزدیک شدن به آن مقصود است.

روش شناسی و ساختار اصلی : هدف مقاله ارائه به پزشکان علاقه مند است که از هوش مصنوعی و یادگیری ماشین در فرضیات پزشکی خود استفاده و از آنها پیروی کنند.

به این منظور اول درباره مسیرهای توسعه عمومی استفاده از مفهوم هوش مصنوعی و یادگیری ماشین بحث خواهیم کرد سپس فیلدها را ثبت میکنیم که فناوری هایی هستند که قبلا مورد آزمایش قرار گرفتند.

از قبیل : خون شناسی ، مغز و اعصاب ، قلب و عروق ، تومور شناسی(غده شناسی) ، رادیولوژی ، چشم پزشکی ، زیست شناسی سلولی و سلول درمانی.

مقدمه
معرفی فناوری اطلاعات در زمینه مراقبت های بهداشتی، پیشرفت هایی را در مورد جنبه های مختلفی داشته است که از دیجیتالی کردن اطلاعات بیمار در سوابق الکترونیکی (EHR) برای ارائه تصمیم گیری بالینی شروع میشود ، یکی از این موارد است.

در نتیجه روند دیجیتالی شدن سیستم مراقبت های بهداشتی در سراسر جهان اطلاعات مراقبت های بهداشتی در سال 2011 حدود 18150*10^ تخمین زده شده و حدودا 2314اگزابایت اطلاعات جدید تولید شده در سال 2020 وجود دارد.

با این حال، پردازش این اطلاعات به طور موثر، به نحوی که اطلاعات مفید و دانش جدید می تواند استخراج شود یک چالش واقعی است. در حقیقت، مقدار روز افزون داده های جمع آوری شده با توانایی سیستم های تجزیه و تحلیل داده های جاری مقاومت می کند. در نتیجه، سیستم های بهداشتی به طور فزاینده ای آن ها را در بر دارند که این سندرم را (اطلاعات غنی سازی شده/ اطلاعات ضعیف) DRIP می نامند.

سندرم DRIP به این معنی هست که ما میتونیم اطلاعات بیشتری رو جمع آوری و اونهارو تجزیه و تحلیل کنیم. خوشبختانه، با آخرین پیشرفت ها در تجزیه و تحلیل داده ها و سیستم های تصمیم گیری، به نظر میرسد غلبه بر این چالش در نهایت امکان پذیر است و اطلاعات پزشکی جمع آوری شده را می توان با استفاده از ابزارهای مختلف و در سطوح مختلف تجزیه و تحلیل کرد :

در سطح اول، داده های فردی بیمار را در اختیار دارد که در آن سیستم های هشدار دهنده معمولی می توانند در هنگام افزایش مقادیر از محدوده طبیعی، در مقایسه با الکتروکاردیوگرافی قلب در معرض توجه قرار گیرند.

در سطح دوم، منابع داده های مختلف جمع آوری، ترکیب و پردازش شده اند به طوری که نتیجه می تواند به عنوان یک ورودی به نوع دیگری از سیستم که تشخیص و نتیجه گیری های پیشنهادی ارائه شده بر اساس مجموعه ای از قوانین انجام میدهد در نظر گرفته شود.

با حرکت دادن یک سلسله مراتب مانند درخت با استفاده از اطلاعات ارائه شده، این سیستم ها می توانند در رسیدن به یک توضیح قابل قبول از علائم وارد شده کمک کنند که سیستم های مبتنی بر قانون یا "سیستم های متخصص" نامیده می شوند.

سیستم های متخصص یا کارشناس از تجربه برای تقلید از توانایی های تصمیم گیری کارشناسان انسانی یاد می گیرند. این سیستم ها اغلب قادر به پاسخگویی به سوالاتی هستند که با چراو چطور شروع میشوند و به طور همزمان استدلال تصمیم گیری خود را، به طور موفقیت آمیز و مطلوب توضیح میدهند.

یکی دیگر از ویژگی های ضروری این سیستم ها این است که تجربیات جدید را با هم ترکیب می کنند، از این رو غنی سازی و افزایش پایه دانش خود را افزایش می دهند. که این به نوبه خود توانایی های تصمیم گیری خود را بهبود می بخشد.

یک نمونه اولیه از چنین سیستم هایی سیستم "MYCIN" است. این سیستم ها بر اساس یک فرآیند تحول داده ای است که به ارائه تشخیص و نتیجه گیری کمک می کند و به خوبی ساخته شده که به مدل ( داده ، اطلاعات ، دانش ، خرد ) شناخته میشود.

افزایش جریان فعلی سیستم های هوشمند با هدف ارائه استدلال بهتر و استفاده موثر از داده های جمع آوری شده است. هدف این است که سیستم های تصمیم گیری را به طور چشمگیری اجرا کنیم و بررسی اولیه را ارائه دهیم (به عنوان مخالفت با رویکرد قدیمی که در آن سیستم ها فقط تشخیص و نتیجه گیری را ارائه می دهند).

این دستاوردهای فنی به خوبی مستند شده اند. با این حال، یک آموزش ساده برای پزشکان به دنبال درک وضعیت واقعی این تکنولوژی و استفاده از پتانسیل بیشتر ضروری است. برای این منظور، در این بررسی وضعیت پیشرفته، ما اطلاعات پزشکان را به هوش مصنوعی در زمینه پزشکی ارائه می دهیم.

در حالی که به دنبال دستیابی به یک بررسی کامل از تمام برنامه های پزشکی برای هوش مصنوعی نیست، این مقاله با درک آسان به طور قابل ملاحظه ای می تواند مبادلات پزشکی هوش مصنوعی را معنی دار تر کند که می تواند منجر به بحث سازنده در مورد چگونگی کاهش شکاف بین دو رشته شود.

بنابراین، ما سعی میکنیم که برخی از تعاریف اساسی را روشن کنیم و بطور مختصر در مورد خطوط عمومی توسعه در استفاده از یادگیری ماشین و مفاهیم هوش مصنوعی در سیستم های بهداشتی را توضیح دهیم. سپس ما برخی از زمینه ها و نمونه هایی را که در آن ، این تکنولوژی ها در حال حاضر به آزمایش یا حتی اعمال می شود، لیست می کنیم، همانطور که در جدول شماره یک خلاصه شده است.

تعاریف اساسی

هوش در میان این اصلاحات است که مقاومت در برابر هر گونه مقررات را تعریف می کند. منوی ساده در وب می تواند ما را به صدها تعاریف که بر اساس دیدگاه های فردی متفاوت است (فلسفه زیست شناسی، روانشناسی، ریاضیات، علوم کامپیوتر)

با این حال، به خاطر این حالت، ما سعی میکنیم که بسیاری از تعاریف را در ادبیات پیدا کنیم.
هوش توانایی ایجاد طرح های سازگار، حل مشکلات و ایجاد محصولات است که در یک فرهنگ خاص یا یک زمینه کسب و کار ارزشمند است. از این دسته، یادبود، استدلال، درک، انتزاع، مفهوم سازی، تقریب، سیستمی شدن و تفکر منطقی استفاده می کند. این عناصر برای به دست آوردن دانش جدید از حقایق شناخته شده استفاده می شود.

از سوی دیگر، هوش مصنوعی، به توانایی سیستم برای تفسیر داده های خارجی به درستی اشاره می کند تا از این داده ها یاد بگیرند و از این یادگیری برای دستیابی به اهداف و وظایف خاص با استفاده از سازگاری انعطاف پذیر استفاده کنند.

جزء اصلی هوش مصنوعی، یادگیری ماشین (ML) است، همانطور که در شکل دو نشان داده شده است. یادگیری ماشین زمانی است که رایانه ها برای اعمال مدل های آماری برای داده ها استفاده می شود. این یک زیر رشته از هوش مصنوعی است، جایی که برنامه های کامپیوتری (الگوریتم ها) روابط بین داده های ورودی و خروجی را یاد بگیرند. ما می توانیم الگوریتم های یادگیری ماشین را به سه دسته تقسیم کنیم:

• یادگیری تحت نظارت
• یادگیری بی نظیر
• یادگیری تقویتی

در یادگیری تحت نظارت، برنامه های کامپیوتری از طریق تجزیه و تحلیل نمونه های داده شده توسط یک سرپرست (معمولا متخصص انسانی) در یک فرایند به نام آموزش، یاد می گیرند. هنگامی که نمونه ها آموخته شده اند، می توان آنها را برای پیش بینی نمونه های آینده در فرآیند تست کردن استفاده کرد.

در یادگیری بی نظیر، برنامه های کامپیوتری نمونه ها را در داده ها بدون تعریف خارجی از نمونه ها یاد می گیرند. این اغلب برای خوشه بندی استفاده می شود یعنی استخراج همبستگی های ناخواسته در اطلاعات ورودی به گونه ای، برای تشکیل زیر مجموعه داده ها که ویژگی های مشترک را به اشتراک می گذارند است.

در یادگیری تقویتی ، سیستم می آموزد که چگونه رفتار کند. بر اساس سیگنال پاداش / مجازات اسکالر مجازات می تواند به عنوان یک سیگنال پاداش منفی در نظر گرفته شود که یک عمل را تقویت می کند و از تحویل آن جلوگیری می کند. شایان ذکر است که زمینه خاصی از یادگیری ماشین وجود دارد که اغلب برای مجموعه های پردازش داده های بزرگ به نام یادگیری عمیق استفاده می شود.

یادگیری عمیق یک سیستم محاسباتی عصبی است که همبستگی بین داده ها توسط آزمون های تکاملی را برای کاهش تابع هزینه تعیین میکند. یادگیری عمیق با مقادیر تصادفی (اولیه شروع می شود) و حالت ها تا رسیدن به مقادیر صحیح که تابع هزینه از پیش تعریف شده باشد ادامه دارد. این بدان معنی است که سیستم به طور مداوم است.

پیش بینی سریع و تنظیم نحوه پیش بینی سریع با توجه به داده های ورودی صورت میگیرد.

یادگیری عمیق یک ابزار قدرتمند برای یادگیری مشکلات شناخته شده و البته پیچیده است. با این حال ، مسائل مربوط به داده ها مانند حجم کم داده ، پراکندگی زیاد و کیفیت پایین داده می تواند اثر روش های یادگیری عمیق را محدود کند.

در آخر ، باید تأکید کرد که استفاده از یادگیری ماشین فراتر از حد مجاز است. سیستم های تصمیم گیری می تواند در بسیاری از مسائل پزشکی مورد استفاده قرار گیرد
مانند برنامه های (Nanobots) ریز رباتها برای اجرای وظایف خاص مانند تحویل دارو مورد استفاده قرار میگیرند)‏ و در کمک به بیماران ضعیف این برنامه ها گرچه جالب هستند اما محدوده این کار بیرونی را دربر دارند.

در بخش بعدی ، پس از یک مقدمه کوچک در مورد روند دستیابی به اطلاعات بیمار ، ما در زمینه های پزشکی زیر در بخش هایی که فناوری های هوش مصنوعی قبلاً اعمال شده اند را بحث میکنیم:

از قبیل ؛ خون شناسی ، مغز و اعصاب ، قلب و عروق ، تومور شناسی(غده شناسی) ، رادیولوژی ، چشم پزشکی ، زیست شناسی سلولی و سلول درمانی.

مصرف بیمار: بدست آوردن اطلاعات اولیه بیمار در روند بالینی ، اقدامات انجام شده توسط مراقبت های بهداشتی متخصصین به منظور ارزیابی و بهبود سلامت بیمار ، یک نقطه شروع دارد (قرار ملاقات ، ویزیت اضطراری ، و غیره) به طور عادی روشها و نتیجه بالینی مورد انتظار با بازیابی و بدست آوردن اطلاعات شروع میشود.

تاریخچه این پرونده به موقع یادآوری یک مجموعه از پیش تعریف شده است سوالاتی که متخصص مراقبت های بهداشتی باید در طول آن بپرسد و همچنین قرار ملاقات بیمار از دهه 1960 ، در این مرحله تا حدی دیجیتالی بوده است.

دیجیتالی سازی به خصوص ذخیره سازی و بازیابی اطلاعات به این شکل، در جمع آوری اطلاعات هنوز توسط ساکنان یا پرستاران انجام می شود، زیرا به طور خودکار برای یکپارچه سازی این اطلاعات به سختی تکیه می کند. نکته این است که انسان می تواند تعیین کند که چگونه داستان یا موضوع غیر رسمی را به عنوان یک لیست رسمی از علائم، سابقه پزشکی بیمار و سایر یادداشت های مفید تبدیل کند.

به عنوان مثال، اگر یک بیمار می گوید: "من فکر می کنم دیابت است،" تصور پزشک انسانی این است که به طور پزشکی به عنوان "دیابت" در نظر گرفته نمی شود، تا زمانی که کل داستان یا موضوع با علائم و آزمایشات برای تایید آن وجود نداشته باشد.

تصور کنید، با این حال، اگر این جزئیات بیمار به یک سیستم کامپیوتری وارد شود. چگونه سیستم این ورودی را تفسیر می کند؟

اگر چه ما پیشرفت های فوق العاده ای در پردازش زبان طبیعی داشتیم، هیچ سیستمی نمی توانست به طور مستقیم از ورودی بیمار خروجی را بدهد. یعنی پس از جمع آوری اطلاعات، تجزیه و تحلیل متن بالینی و سیستم اطلاعات را برای ما استخراج کند.

می توان برای استخراج اطلاعات مفید از سوابق سلامت الکترونیکی بدون ساختار استفاده کرد. سپس این اطلاعات ساختاری می تواند به روش های مختلفی برای توضیح ، مورد استفاده قرار گیرد و حتی مدل سازی پیش بینی شده آینده بیمار براساس سوابق بهداشت پزشکی فعلی آن باشد.
هنگامی که اطلاعات بیمار وارد می شود، متخصصان مراقبت های بهداشتی می توانند به بررسی پزشکی ادامه دهند. نتایج معاینه پزشکی ممکن است منجر به تصمیم گیری شود که آزمایشات آزمایشگاهی یا تصویربرداری پزشکی مورد نیاز است، این دو فیلد که ابزار یادگیری ماشین هستند می تواند به پزشک کمک کند. در پاراگراف های زیر، ما برنامه های پزشکی خاص و یادگیری ماشین در زمینه های پزشکی خاص توضیح می دهیم.

رادیولوژی
این که آیا تصویربرداری پزشکی توسط تصویر برداری سه بعدی کامپیوتری (CT) یا تصویربرداری صداهای مغناطیسی (MRI) انجام شده، تکنیک های هوش مصنوعی می توانند راهنمایی و کمک مورد نیاز به پزشک در استخراج بینش مفید از تصویر ارائه دهند.

به طور کلی، یک پزشک تصویر پزشکی را به عنوان ورودی به سیستم وارد میکند ،سپس سیستم عصبی ویژگی های تصویر را استخراج میکند که بر اساس مقادیر این ویژگی ها پیش بینی میشود که درباره تصویر ایجاد شوند. این پیش بینی ها می توانند شکل های زیر را داشته باشد:

• تقسیم بندی : ترسیم مرزهای اطراف عناصر موجود در تصویر
• برچسب زدن : شناسایی عناصر موجود در تصویر

تشخیص و عیب یابی : تشخیص بیماری خاص و پیش بینی مرحله آن به دیکته گزارش نهایی رادیولوژی کمک میکند.

با شروع ساده ترین و معمولترین روش تصویربرداری پزشکی ، سونوگرافی ، اخیراً سیستمی توسط Wu و ... ارائه شده است. این کار را با استفاده از پسرفت منطقی برای طبقه بندی سرطان پستان سه گانه (TN) در تصاویر سونوگرافی با حساسیت 86.96٪ و مشخصه 82.91٪ انجام میدهند.

مثال دیگر یک کار جدید است که از یادگیری عمیق برای شناسایی تصاویر اشعه ایکس و تشخیص این که یک سینه سالم است استفاده میشود. در این مثال، هرچند تخصص متخصص بهداشت هنوز هم مورد نیاز است، با استفاده از این سیستم 50٪ موارد قفسه سینه سالم را شناسایی می کند، بنابراین تعداد مواردی را که باید توسط متخصص طبقه بندی شوند، کاهش می دهد.
تصاویر سه بعدی کامپیوتری (CT) نیز می تواند با استفاده از تکنیک های یادگیری عمیق طبقه بندی شود. که کارشان در تشخیص گره های بدخیم و خوش خیم ریه ، اوتهوف و ... از سیستم مبتنی بر یادگیری ماشین استفاده کردند که از ویژگی های CT تصاویر گرفته شده از بافت اصلی در اطراف گره های ریه برای طبقه بندی گره ها استفاده می کند. آنها حساسیت 100٪ و مشخصه 96٪ را در مورد ام.آر.آی و ... گزارش کردند.

یک سیستم بر پایه یادگیری ماشین برای پیش بینی درجه گلیوبلاستما(شایع ترین تومور بدخیم اولیه سیستم عصبی مرکزی که در نخاع یا مغز بروز میکند) با استفاده از تصاویر MRI ارائه شده است که دقت 92٪ را به دست آوردند.

خون شناسی

کاربرد جدی هوش مصنوعی در خون شناسی می تواند به طور نسبتا جدید در نظر گرفته شود.
شناسایی و تشخیص سریع سلول در محدوده مورد نظر یکی از جدی ترین مسائل است. در این زمینه، سه اثر اصلی یا سه سیستم قابل توجهی برای استفاده نشان میدهند:

• جریان ایمنی علوم آزمایشگاهی
• سنجش استخوان مغز
• تجزیه و تحلیل خون محیطی

این سه سیستم با یکدیگر ارتباط برقرار می کنند و تاریخچه پزشکی را با نتایج آزمایشگاهی موجود در پایگاه داده ها مرتبط می کنند. هنگام ارزیابی 100 بیمار مبتلا به سرطان خون ، این سه سیستم در 94 مورد ، در تشخیص نهایی، و در تفسیر پزشک، در 99 مورد به توافق رسیدند.
روش های یادگیری ماشین جدیدا بیشتر برای تشخیص اختلالات خون شناسی تنها بسته به آزمایشات آزمایشگاهی مورد آزمایش قرار گرفتند که دو روش استفاده شد، یکی از تمام آزمایشات خون موجود استفاده شد و دیگر استفاده از تنها محدودیت های معمول تر در طول مصرف بیمار اندازه گیری شد، دقت پیش بینی 88٪ و 86٪ با توجه به لیستی از 5 بیماری که احتمالا 59٪ و 57٪ موقع به اشتراک گذاشته شدن احتمالی بیماری به دست آوردند.

با استفاده از یادگیری ماشین و ... یک گروه ژاپنی 26695 بیمار برای پیش بینی خطر ابتلا به بیماری حاد پیوند علیه میزبان ، روش تغییر تصمیم یادگیری ماشین برای توسعه مدل ها با استفاده از گروه کوهنوردی مورد استفاده قرار گرفت و 15 عامل برای تشکیل مدل نهایی انتخاب شده است. این مقاله نمرات پیش بینی بیماری حاد پیوند علیه میزبانرا نشان میدهد. همچنین بیماری پیوند علیه میزبان و بقای کلی پس از پیوند مغز استخوان را نشان می دهد. به طور خلاصه، الگوریتم ها به طور بالقوه مقررات خطر ابتلا به ریسک و قوی به دست آوردند.

محدوده دیگر استفاده از شبکه های عصبی در خدمت تجزیه و تحلیل خون محیطی بود که در آن دو روش قابل توجهی اشاره شده است. اولین مورد تشخیص تشخیص اختلالات زیست شناسی از طریق لیزر سایتومتری با یک سیستم فرعی یکپارچه ایزوولومتریک، که تقریبا در تمام موارد آنتی ژن هپاتیت همراه با ویژگی تالاسمی نوع بی ، تجزیه و تحلیل پویا مربوط به صفات تالاسمی نوع بی و تجزیه و تحلیل پویا مرتبط با تالاسمی است.

دومین مدل هوش مصنوعی مبتنی بر سایتومتری است که بسته به ارزیابی نور حجم خون سفید و فعالیت پراکسیداز در کانال پراکس و تراکم هسته ای در کانال باسو به طور متمایز، با توجه به طبقه بندی FAB، بین نمونه های لوسمی حاد میلوبلاستیک است. هنگامی که در نمونه های پاتولوژیک آزمایش شده است،کارایی تشخیص این سیستم به 91٪ رسیده است.

یکی دیگر از کاربردهای ارزشمند یک مدل داده معدن است که تشخیص پلی سیتمی ورا را بر اساس هشت پارامتر از معیار گروه مطالعه ،به علاوه جنس و مقدار هماتوکریت (HCT) افزایش می دهد. این سیستم تست شد و هیچ اختلاف در نتایج تشخیصی مدل در مقایسه با معیارهای تشخیصی حدود 98.1% مشاهده نشد. علاوه بر این، سیستم دقت 4 پارامتر را نشان داد هماتوکریت، تعداد پلاکت ها، طحال و شمارش گلبولهای سفید خون

در همان زمینه، گروه خون و پیوند مغز گروه (EBMT) یک مطالعه داده کاوی در یک گروه از 28236 بیمار انجام داد. در این کار، یک مدل بر اساس ده متغیرهای انتخاب شده برای ارزیابی و پیش بینی مرگ و میر کلی در 100 روز پس از آلوژن پیوند سلول بنیادی خونساز مورد استفاده قرار گرفت. این مدل ثابت شده است که برای این منظور کارآمدتر از نمره منطقه تحت منحنی ویژگی های گیرنده 0.701 در مقابل 0.646;P<.001 برخوردار است.

مطالعه دیگری که توسط EBMT با گروهی از بیماران مبتلا به بیماری لوسمی حاد انجام شده نشان داده است که تنها چند متغیر، مانند رژیم تهویه، نوع اهدا کننده و بیماری بیماری، وزن مرگ و میر مرتبط با درمان را حمل می کند و در لبه برش در این زمینه به احتمال زیاد نیاز به انواع اضافی ورودی دارد.

در نهایت، به نظر می رسد مشخصات ژن یک مزیت مفید برای طبقه بندی آسیب شناسی های خاص است. مدل های هوش مصنوعی با رویکرد ریزآرایه DNA به ایجاد کلاس های پاتولوژیک جدید کمک می کند و حتی سلول های بنیادی را با استفاده از یادگیری بی نظیر و نظارت می کند. یادگیری بی نظیر در کشف کلاس ها مانند طبقه بندی میولوم چند میل به 5 زیر گونه با استفاده از سوراخ کننده های سوراخ سازی و بیان آنزیم/پروتئین استفاده شده است.

یادگیری تحت نظارت برای پیش بینی کلاس، همانطور که در مورد لوسمی حاد میولوبلاستی استفاده می شود. روش بعد از آن احتمالا برای کمک به تشخیص سلول های بنیادی به خطوط خاص با استفاده از مشخصات ژنتیکی پایه استفاده می شود.

عصب شناسی

یک ابزار تشخیصی مفید در مغز و اعصاب، الکتروانسفالوگرافی (EEG) است که ایده ای در مورد فعالیت الکتریکی مغز ارائه می دهد. بسیاری از تکنیک های یادگیری ماشین به طور کامل تجزیه و تحلیل شده اند و این پیش بینی را ارائه می دهند.

الگوریتم پیشنهادی برای تشنج های صرع در سوابق EEG با استفاده از دو تکنیک یادگیری ماشین به نام دستگاه های بردار پشتیبانی و گاز (الگوریتم های ژنتیک) که دقت 99.38٪ در مجموعه داده های EEG مورد استفاده قرار گرفت. یک روش دیگر یادگیری ماشین به نام CNN ها (شبکه های عصبی کانولو) ارائه شده است که می تواند تشنج را با استفاده از تنها دو کانال با دقت 93.3٪ تشخیص دهد.

برای دیدن روش های دیگر کمک به متخصصان مغز و اعصاب با تکنیک های یادگیری ماشین
، ما در مورد پارکینسون مثال می زنیم:

یک سیستم یادگیری ماشین ارائه شده است که می تواند بیماری پارکینسون را با دقت 96.40٪ پیش بینی کند. این روش از ویژگی های بدون محرک و از دست دادن بویایی علاوه بر اندازه گیری های مایع مغزی نخاعی (CSF) و داده ها از نشانگرهای تصویربرداری دوپامینرژیک استفاده می کند. در حال حاضر، پس از تشخیص بیماری، می تواند برای پیش بینی پیشرفت بیماری استفاده شود. در سیتوکین های سرمی از یک نقطه زمانی (پایه) استفاده می شود. سپس، پس از یک سال، نتیجه را برای دو سال بعد هم پیش بینی میکنند.

تومور شناسی(غده شناسی)

استفاده از هوش مصنوعی و یادگیری ماشین در مقابله با سرطان عمدتا به عنوان یک رویکرد جذاب در دوران مهار کننده های مولکولی کوچک، ژن درمانی و بیوتراپی های مهندسی محسوب می شود. این تکنیک ها در حال حاضر در زمینه انحلال پرتو در بخش بندی تصویر و بهینه سازی مقادیر رادیوتراپی استفاده می شود که هوش مصنوعی و یادگیری ماشین به طور مناسب با استانداردهای معمولی مواجه شده و اثبات شده است که بیشتر در نتیجه روند دیجیتالی شدن سیستم مراقبت های بهداشتی در سراسر جهان، تخمین زده میشود که اطلاعات جدید بهداشتی و درمانی تولید شده در سال 2020 به 2314 اگزابایت برسد.

توسعه مداوم سیستم های هوشمند با هدف ارائه استدلال بهتر و کارآمد تر و همچنین استفاده از داده های جمع آوری شده است. استفاده از این اندیشه قدیمی محدود نیست یعنی ارائه تشخیصی و نتیجه گیری میتواند به فرضیات احتمالی پیش رو را سریع ارائه میدهد گسترش یابد.

که میتوان گفت پزشکانی که میتوانند از این سیستم ها کمک بگیرند خود را در فاصله بین بالینی قرار میدهند و مورد ها را بررسی فنی عمیق میکند یعنی آنچه که آنها فاقد آن هستندکه نقطه شروع واضحی است و میتوان از آنجا به دنیای یادگیری ماشین در پزشکی نزدیک شد.
روش شناسی و ساختار اصلی : هدف این مقاله علاقه مند شدن پزشکان و استفاده راحت آنها از یادگیری ماشین و هوش مصنوعی است. بنابراین از هوش مصنویی و یادگیری ماشین در سیستم مراقبت های بهداشتی استفاده میکنیم سپس ما فیلدهایی را لیست میکنیم که این کاربرد ها قبلا یک بار مورد آزمایش قرار گرفته یا حتی بیشتر مورد استفاده قرار گرفته اند.

از جمله در : خون شناسی ، مغز و اعصاب ، قلب و عروق ، تومور شناسی(غده شناسی) ، رادیولوژی ، چشم پزشکی ، زیست شناسی سلولی و سلول درمانی.

توسعه نانوبات یک نمونه از کاربرد فیزیکی هوش مصنوعی در تومورشناسی است. نانوبات ها برای

دستیابی به موارد زیر استفاده می شود:

1) مشکل هیپوپرمی و عدم انتشار مواد درمانی هدف در سایت برنامه؛

2) هدف قرار دادن تومور در توده های عروقی، اما در عین حال نشان دادن تکثیر فعال آن

برای بیماران تحت عمل جراحی معده ، یک تکنیک خاص یادگیری ماشین ثابت شده است که در شخصیت سازی و تعیین طبقه بندی مبتنی بر ریسک در مورد پیش بینی آینده بهترین است.

یک الگوریتم آسیب شناسی یادگیری عمیق در تحقیق گوگل در زمینه استفاده از تصاویر، برای شناسایی سرطان پستان به گره های لنفاوی همسایه آموزش دیده است. این الگوریتم نمره محلی سازی 89٪ در مقابل 73٪ دقت برای آسیب شناسان دارد.

خی CNN ها شایع ترین شکل یادگیری تحت نظارت هستند. کاربرد آنها در اندازه گیری و ردیابی تومورهای مغزی، گلیوما و تومورهای کبدی دو بعدی به عنوان تصاویر سه بعدی و نتایج دقیق در بسیاری از آزمایشات در مقایسه با روش های مبتنی بر ارسال کننده نیمه اتوماتیک مورد بررسی قرار گرفت.

زیست شناسی سلولی و سلول درمانی

در زیست شناسی سلولی و سلول درمانی، تعداد زیادی از انواع سلول ها و تکنیک های تجزیه و تحلیل و شناسایی تصویر وجود دارد. در نتیجه، استفاده از یادگیری ماشین برای شناسایی و نمایش بهترین تصویر و تکنیک های تجزیه و تحلیل / ترکیب نوع سلول ها به طوری که ما می توانیم بین خطوط سلول متفاوت است. بنابراین، بسیاری از پیشرفت ها در این زمینه ساخته شده است. به عنوان مثال، برخی از میکروسکوپ های اتوماتیک یادگیری ماشین در حال حاضر می توانند بیش از 100000 تصویر سلولی را در روز تجزیه و تحلیل کند.

تکنولوژی Bioimaging می تواند به طور موثر انجام وظایف تجزیه و تحلیل تصویر خاص، مانند تشخیص شی، تجزیه و تحلیل حرکت و اندازه گیری ویژگی های مورفومتریک انجام دهد.
یادگیری ماشین به جای تنظیم مونتاژ دستی پارامترهایی برای شناسایی سلول ها و اشیاء، از تجربه استفاده می کند. این ابزار قوی تر از ابزار پردازش معمولی است که در مورد انجام کارهای تجزیه و تحلیل داده های چند بعدی پیچیده است.

یک وظیفه مهم یادگیری ماشین در زیست شناسی سلولی است که تعیین می کند آیا تجربیات تجربی (به عنوان مثال اصلاح ژنتیک) منجر به سلولی ابعاد(تشخیص فلورسانس) میشود یا نمیشود.
یک روش یادگیری ماشین به تازگی بر روی تصاویر میکروسکوپ های فلورسانس پروتئین برچسب دار و مشخص در سلول اپیتلیال یک پستان طبیعی انسان و دو خط سرطان پستان انسان با سطوح مختلف حمله ارزیابی شد. این مطالعه نشان داد که این روش در کارشناسی ارشد در مقایسه با یک کارشناس انسانی بهتر است.

چنین تکنولوژی ممکن است برای ایجاد و افزایش روش های تولید و کیفیت جدید درمان های سلولی مانند سلول های گیرنده آنتی ژن و سلول های (Car-T) استفاده شود، رویکردی که مورد استفاده قرار گرفته است و به طور موثر ویژگی های گلیکولیز، وضعیت زیست شناسی اولیه و مشخصات خستگی پایین را نشان میدهد.

یادگیری ماشین همچنین می تواند برای درمان سلول های بنیادی مورد استفاده قرار گیرد، یک رویکرد که اخیرا آزمایش شده است، تغییرات بالا در ارزیابی سلول را نشان می دهد که می تواند به طور طبیعی با تغییرات در حرکت های تنظیم شده ایجاد شود. این روش درک زیست شناسی سلول های فردی، و پویایی جمعی از سلول ها، جوامع و محیط ها ثابت کرد.

قلب و عروق

کلیدهای اصلی تشخیصی موجود متخصصان قلب و عروق، سیگنالهای الکتریکی و الکتروکاردیوگرافی ECG و صدای قلب هستند. ابزارهای یادگیری ماشین به تحلیل سیگنال و طبقه بندی هر دو مورد قبلی و بعدی کمک کرده اند.

متخصص قلب معمولاً با شنیدن صدای قلب این کار را با استفاده از استتوسکوپ ها انجام می دهد یک استتوسکوپ دیجیتال ، یک فونوکاردیوگرام PCG، همچنین می تواند این سیگنال ها را ضبط کند ، که با استفاده از تکنیک های یادگیری ماشین برای شناسایی صداهای غیر طبیعی پردازش شده است.

یک سیستم مبتنی بر یادگیری ماشین طبقه بندی علائم قلب و تشخیص اختلالات قلب
را با دقت 97٪ ارائه میدهد.

برای افزودن به موارد فوق ، ECG سیگنال هایی را می خواند که متخصصان قلب روی کاغذ می خوانند در واقع می تواند به صورت مقادیر وارد کامپیوتر شود و نمایانگر محدوده خط زمانی باشند.

این مقادیر می توانند به عنوان ورودی به الگوریتم / ساختار استفاده می شود که می تواند تجزیه و تحلیل کند،سیگنال را ثبت کنید و سپس آن را طبقه بندی کنید.

مدل یادگیری ماشین که می تواند سیگنال های ECG را طبقه بندی کند و آریتمی را با استفاده از یک سرب تنها شناسایی کند و ارائه دهد، در حالی که متخصصین قلب و عروق معمولا به عنوان یک مجموعه 12 روزه برای خواندن کامل رکورد ECG نیاز دارند.

این مدل یک حساسیت 92.7٪ و مقدار پیش بینی بیش از 86.1٪ برای ضایعات خارج از معرض قرار گرفته در خارج از اندازه گیری، با استفاده از سرب دوم و حساسیت 95.7℅ و ارزش پیش بینی مثبت 75.1٪ هنگام استفاده از V1 سرب است.

چشم پزشکی

اختلال بینایی یا بیماری ای که بر چشم تاثیر می گذارد، زمینه ظریف چشم پزشکی سهم منصفانه از برنامه های یادگیری ماشین را دریافت کرده است. چشم پزشکها در حال حاضر میبینند که ماشین ها به سرعت و بهتر ناهنجاری های چشم را تشخیص میدهند. هنگامی که به سایر بیماری ها می رسد، مشکلات مربوط به عوارض ناشی از دیابت در چشم، عمدتا رتینوپاتی دیابتی است.

نشان داده است که چگونه با استفاده از یک الگوریتم یادگیری عمیق می تواند به متخصصان رتینوپاتی دیابتی سریع تر و با دقت بیشتری کمک کند.

اخیرا یک مدل شبکه عصبی کانولوگ را ارائه داد که می تواند با استفاده از رویکرد مبتنی بر توجه به روش های بهتر از روش های پیشرفته، تشخیص دهد.

نتیجه گیری

از دیدگاه پزشکـــــــــان در بررسی مرحله فعلی یادگیری ماشین و هوش مصنوعی در مراقبت های بهداشتی، این سوال پیش میاد که آیا اکنون ما آماده هستیم که به طور کامل از این تکنولوژی در حرفه ما استفاده کنیم؟

پاسخ این است که هنوز محدودیت های زیادی برای استفاده به طور کامل این سیستم ها در زمینه مراقبت های بهداشتی وجود دارد. که این شامل نیاز به دستورالعمل های قانونی و اخلاقی و چارچوب هایی است که با موارد بحرانی برخورد می کنند. آموزش چند سطحی که پزشکان را با پس زمینه مناسب در مورد این تکنولوژی فراهم می کند، ضروری است.

و سپس سوال این است که چگونه آن را با خیال راحت و بی نظیر به عمل روزانه بالینی ادغام کنید. و زیرساخت مناسب برای اجرای این سیستم ها چیست؟ برای اضافه کردن به این، بار مالی به همان اندازه یک ماده است که حداقل در مرحله تنظیم در نظر گرفته شود
در ادامه فوایدش، چنین سیستمی به پزشکان کمک می کند زمان و انرژی و تلاش خود را صرفه جویی کنند و به پزشکان در روند تصمیم گیری کمک کند. با توجه به تعداد زیادی از نمونه هایی که این سیستم ها آموزش دیده اند، مشاهدات آنها بیش از آنچه که هر پزشک تنها در طول حرفه خود شاهد است و می تواند از مزایای زیادی برخوردار باشد.

به نظر می رسد هوش مصنوعی به تنهایی و یا در همکاری با یادگیری ماشین یک راه حل موثر برای افزایش کیفیت پزشکی شخصی و برای سرعت دادن ریتم تکامل برای تکنیک های تشخیصی و درمان دقیق مانند در زمینه ژنتیک، مولکول کوچک و درمان های فوق العاده هدف است.

به نظر ما، تحول دیجیتال در خدمت پزشکی باید بر اساس تخصص بالینی باشد تا به حداکثر اثربخشی و برآورده شدن دقیق آن بر خلاف محدودیت ها تضمین شود.

لینک مقاله اصلی : https://doi.org/10.1016/j.retram.2020.01.002