چشمان شما اطلاعات بسیاری در خود دارند، از بیماری‌های چشم تا احتمال بیماری در دیگر اعضای بدن فقط باید دقیق و سریع بررسی شوند. هوش مصنوعی و یادگیری ماشین مدتی است که توسط محققان برای مطالعه چشم‌ها و تشخیص بیماری‌ها به کارگرفته می‌شوند.
هوش مصنوعی کاربردهای متنوعی دارد که آینده بشر را تحت تاثیر خود قرار می‌دهد، یکی از مباحث جذاب در این موضوع بحث توسعه عدالت پزشکی و تشخیص سریع بیماری‌ها است. بررسی چشم بیماران توسط دستگاه‌هایی که مجهز به الگوریتم‌های هوش مصنوعی هستند و تشخیص بیماری از این طریق از سوژه‌های جذاب دنیای مطالعات پزشکی و هوش مصنوعی است به غیر از تشخیص بیماری‌های مرتبط با چشم با بررسی دقیق و سریع چشم می‌توان احتمال بیماری در برخی دیگر از نقاط بدن را نیز آشکار کرد. این تحقیقات در مراحل جذابی از جمع‌آوری اطلاعات، فرایندهای یادگیری ماشین و تست‌های انسانی می‌باشند. شرکت دانش بنیان نیافام هم در مورد تشخیص موارد پزشکی توسط هوش مصنوعی و یادگیری ماشین دستاوردهای ارزشمندی دارد. اما هشدارهای مهمی نیز در حال مطرح شدن از طرف ناظران در دنیای پزشکی است. در این مقاله نگاهی خواهیم داشت به این موضوع جذاب از دید توسعه فناوری و یادگیری ماشین.
تشخیص دقیق بیماری توسط هوش مصنوعی با تحلیل دقیق تصاویر پزشکی و اسکن‌ها از سوژه‌های روز دنیای هوش مصنوعی است. Airdoc یک شرکت نوپا در چین می‌باشد، این شرکت یک سیستم مبتنی بر هوش مصنوعی ایجاد کرده است که تصاویر عکاسی از شبکیه چشم را گرفته و تجزیه و تحلیل می‌کند. از این داده‌ها، علائم مشخص ده‌ها بیماری مزمن و بیماری‌هایی مانند دیابت، فشار خون بالا، تصلب شرایین، بیماری عصب بینایی، نزدیک بینی بالا، تخریب ماکولای وابسته به سن و موارد دیگر را جستجو و آشکار می‌نماید. بر طبق آمار در کشور چین بیش از صد میلیون نفر به دیابت مبتلا هستند، در برخی انواع پیشرفته دیابت در صورتی که تشخیص دقیق و سریع اتفاق نیفتد و درمان صحیح محقق نگردد امکان نابینا شدن افراد وجود دارد. پزشکان در بیمارستانی در شانگ‌های چین با کمک نرم افزار و برنامه تولید شده توسط این شرکت نوپا با سرعت بالا و بسیار راحتتر از روش‌های دیگر این کار را انجام می‌دهند. این نرم افزار با استفاده از هوش مصنوعی و الگوریتم‌های یادگیری ماشین با بررسی عکس‌های سه‌بعدی تهیه شده از چشم توسط اپلیکیشنی که در اختیار پزشکان قرار گرفته است کمک می‌کند که تشخیص بیماری‌ها سریعتر و دقیقتر شود و همچنین مدل‌های مختلف بیماری‌ها و علایم‌آن‌ها برروی چشم را یاد می‌گیرد. این نرم افزار به کمک زبان برنامه نویسی پایتون و تحت سیستم عامل لینوکس توسعه یافته است.
اما گوگل هم با همکاری تیمی از محققان احتمال اینکه یک بیمار دچار حمله قلبی یا سکته شود را با دقت بالایی توسط هوش مصنوعی مورد بررسی قرار داده است. در این نمونه هم محققان با بررسی تصاویر شبکیه چشم بیمار این کار را انجام دادند.
گوگل می‌گوید که چنین روشی دقیقاً به اندازه پیش بینی بیماری‌های قلبی عروقی از طریق روش‌هایی مانند آزمایش از طریق بازوی فرد یا انجام امور آزمایشگاهی، دقیق است و البته هشدار می‌دهد که باید تحقیقات بیشتری نیز انجام گردد.
به گفته این شرکت، محققان پزشکی قبلاً رابطه بین عروق شبکیه و خطر یک مشکل عمده قلبی عروقی را نشان داده بودند. گوگل می‌گوید با استفاده از تصویر شبکیه 70 درصد اوقات با دقت پیش بینی می‌کند که کدام بیمار در طی پنج سال دچار حمله قلبی یا یک رویداد مهم قلبی عروقی می‌شود و کدام بیمار چنین تجربه‌ای نخواهد داشت. این نتایج بسیار شبیه به روش‌های آزمایش محور است که برای اندازه گیری کلسترول بیمار نیاز به گرفتن خون دارد. گوگل از مدل های مبتنی بر داده‌های 284،335 بیمار استفاده کرده و در دو مجموعه داده میان 12،026 و 999 بیمار اعتبار سنجی کرده است.
لیلی پنگ، پزشک و محقق ارشد پروژه می‌گوید: "نکته مهم این است که برای نتیجه‌گیری بسیار زود است، ما این کار را روی یک مجموعه داده کوچک آموزش دادیم." "ما فکر می‌کنیم که با دریافت اطلاعات جامع تری، صحت این پیش بینی کمی بیشتر می‌شود. کشف اینکه می‌توانیم این کار را انجام دهیم اولین قدم خوب است. اما ما باید اعتبار سنجی کنیم."
تکنیک Google یک "نقشه گرما" یا نمایش گرافیکی داده ایجاد کرد که نشان داد کدام پیکسل های تصویر برای پیش بینی یک عامل خطر خاص مهمترین هستند. به عنوان مثال، الگوریتم Google برای پیش بینی فشار خون بیشتر به عروق خونی توجه داشت.
گروه دیگری از محققان نیز با عنوان مجموعه DeepMind در حال آموزش نرم افزار هوش مصنوعی خود برای شناسایی علائم اولیه بیماری‌های چشم هستند. این هدف برای شناسایی دو بیماری است، تخریب ماکولای وابسته به سن و رتینوپاتی دیابتی، مورد دوم اگر زود تشخیص داده نشود ممکن است منجر به کوری شود.
DeepMind از سال 2016 در حال تجزیه و تحلیل بیش از 1 میلیون اسکن چشم برای ایجاد الگوریتمی است که بتواند علائم هشدار دهنده اولیه شرایط را بدست آورد.
این شرکت در گذشته مورد حمله منتقدان حریم خصوصی قرار گرفته است. این شرکت با استفاده از داده های بیماران به دنبال ساخت برنامه‌ای بود که خطر نارسایی کلیه را شناسایی می‌کند. برخی می‌گفتند بیش از حد اطلاعات خصوصی بیماران در چنین تحقیقاتی انتشار می‌یابد.
اما DeepMind می‌گوید که اسکن‌های چشم بدون هیچ گونه اطلاعات مشخصی در مورد بیمارانی که مورد مطالعه قرار گرفته‌اند بررسی و تحویل داده شده است.
سرویس بهداشت ملی انگلستان و بیمارستان چشم مورفیلدز لندن برای توسعه سیستم یادگیری ماشین با DeepMind همکاری کردند.
شرکت دانش بنیان نیافام هم در مورد تشخیص موارد پزشکی توسط هوش مصنوعی و یادگیری ماشین دستاوردهای ارزشمندی دارد.
با این حال، نگاهی دقیق به داده‌های مورد استفاده برای آموزش الگوریتم‌ها برای تشخیص شرایط چشم نشان می‌دهد که این ابزارهای جدید و قدرتمند ممکن است نابرابری‌های سلامتی را دائمی کنند.
تا به امروز الگوریتم‌های تشخیص بیماری‌های چشم اغلب بر روی بیماران در ایالات‌متحده، اروپا، و چین آموزش داده شدهاند. این امر می‌تواند ابزار را برای دیگر گروه‌ها و کشورهای نژادی بی‌اثر کند. محققان هشدار می‌دهند که هوش مصنوعی می‌تواند به تشخیص برخی بیماری‌ها کمک کند اگر کشور شما ثروتمند است!
یک تیم از محققان در انگلستان ۹۴ مجموعه داده را با بیش از ۵۰۰،۰۰۰ تصویر که معمولا برای آموزش الگوریتم‌های هوش مصنوعی برای تشخیص بیماری‌های چشم مورد استفاده قرار می‌گیرند، تحلیل کردند. آن‌ها دریافتند که تقریبا تمام داده‌ها از بیماران آمریکای شمالی، اروپا و چین است. فقط چهار مجموعه داده از جنوب آسیا، دو مجموعه از آمریکای جنوبی و یک مجموعه از آفریقا در این بانک قرار داشته است و هیچ دیتا ستی از اقیانوسیه وجود نداشته است.
ژیائو لیو، متخصص چشم و محقق در دانشگاه بیرمنگام که در این مطالعه شرکت داشته است، می‌گوید که تفاوت در منبع این تصاویر چشم بدین معنی است که الگوریتم های شناسایی چشم برای این سیستم هوش مصنوعی برای گروه‌های نژادی کشورهایی که کمتر نمونه دارند، قطعیت کمتری خواهد داشت
لیو می‌گوید: " حتی اگر تغییرات بسیار ظریفی در این بیماری در برخی جمعیت‌های خاص وجود داشته باشد، هوش مصنوعی ممکن است به شدت شکست بخورد."
انجمن متخصصان چشم پزشکی آمریکا اشتیاق خود را نسبت به استفاده از ابزارهای تشخیصی دارای هوش مصنوعی نشان داده است که به گفته این انجمن، وعده کمک به بهبود استانداردهای مراقبت را می‌دهد. اما لیو می‌گوید که پزشکان ممکن است تمایلی به استفاده از چنین ابزارهایی برای اقلیت‌های نژادی نداشته باشند مثلا اگر بدانند که آن‌ها از مطالعه بیماران عمدتا سفید پوست ساخته شدهاند. این موضوع به این نکته اشاره می‌کند که این الگوریتم‌ها ممکن است به دلیل تفاوت‌هایی که برای خود پزشکان بسیار ظریف هستند، شکست بخورند.
محققان مشکلات دیگری نیز در داده‌ها یافتند. بسیاری از مجموعه داده‌ها مانند: داده‌های جمعیتی، سن، جنسیت و نژاد دقیق و کامل نبودند، به نوعی در طی آموزش الگوریتم‌ها و مطالعات مورد نظر تمامی اقشار جوامع مد نظر قرار داده نشده‌اند. این مجموعه داده‌ها مشکل دیگری نیز دارند تنها برای بررسی شرایط تعداد محدودی از بیماری‌ها آموزش دیده-اند. متخصصان در این باره می‌گویند:
سازمان غذا و داروی آمریکا در سال‌های اخیر چندین محصول تصویربرداری هوش مصنوعی از جمله دو ابزار هوش مصنوعی برای چشم پزشکی را تصویب کرده است. لیو می‌گوید که شرکت‌های پشت این الگوریتم‌ها معمولا جزئیاتی از نحوه آموزش آن‌ها ارایه نمی‌دهند. او و همکارانش از ناظران می‌خواهند تا تنوع داده‌های آموزشی را در هنگام بررسی ابزارهای هوش مصنوعی در نظر بگیرند.
ایراداتی که در مجموعه داده‌های تصویر چشم یافت می‌شود به این معنی است که الگوریتم‌های آموزش‌دیده بر روی آن داده‌ها احتمال کمتری برای تشخیص درست در آفریقا، آمریکای‌لاتین یا آسیای جنوب شرقی دارند. این امر یکی از مزایای بزرگ تشخیص هوش مصنوعی را از بین می‌برد: پتانسیل آن برای آوردن تخصص پزشکی خودکار به مناطق فقیرتر که فاقد آن است.
لیو می‌گوید: " شما یک نوآوری به دست می‌آورید که تنها به بخش‌های خاصی از افراد سود می‌رساند. این مثل این است که یک نقشه گوگل داشته باشیم که برای منطقه پستی خاصی کار نکند."
فقدان تنوع موجود در تصاویر چشم، که محققان آن را "فقر داده" می‌نامند، احتمالا بسیاری از الگوریتم‌های هوش مصنوعی پزشکی را تحت تاثیر قرار می‌دهد.
آمیت کوشال، استادیار پزشکی در دانشگاه استنفورد، بخشی از تیمی بود که ۷۴ مطالعه شامل کاربردهای پزشکی هوش مصنوعی را تحلیل کرد، که ۵۶ مورد از آن‌ها از داده‌های بیماران آمریکایی استفاده کردند. آن‌ها دریافتند که بیشتر داده‌های ایالات‌متحده از سه ایالت کالیفرنیا (۲۲)، نیویورک (۱۵) و ماساچوست (۱۴) هستند.
کوشال می‌گوید: " هنگامی که زیر گروه‌های جمعیت به طور سیستماتیک از داده‌های آموزشی هوش مصنوعی حذف می‌شوند، الگوریتم های هوش مصنوعی معمولا عملکرد بدتری برای آن دسته از گروه‌های محروم دارند."
او می‌گوید راه‌حل این است که محققان هوش مصنوعی و پزشکان همه را از این مشکل آگاه کنند تا به دنبال مجموعه داده‌های متنوع‌تر باشند. او می‌گوید: "ما باید یک زیرساخت فنی ایجاد کنیم که امکان دسترسی به داده‌های مختلف برای تحقیقات هوش مصنوعی و یک محیط قانون‌گذاری را فراهم آورد که از استفاده تحقیقی از این داده‌ها حمایت و محافظت کند."
وایکاش گوپتا، دانشمند پژوهشی در کلینیک مایو در فلوریدا که بر روی استفاده از هوش مصنوعی در رادیولوژی کار می‌کند، می‌گوید که اضافه کردن داده‌های متنوع ممکن است تبعیض درمانی را از بین ببرد. او می‌گوید: "حل این مساله در حال حاضر بسیار دشوار است."
به گفته گوپتا، در برخی شرایط ممکن است برای یک الگوریتم مفیدتر باشد که بر روی یک زیرمجموعه از جمعیت تمرکز کند، برای مثال هنگام تشخیص بیماری که به طور نامتناسبی بر آن گروه تاثیر می‌گذارد.
لیو، چشم‌پزشک، می‌گوید که امیدوار است با در دسترس قرار گرفتن فن‌آوری، تنوع بیشتری در داده‌های آموزشی هوش مصنوعی پزشکی مشاهده شود. او می‌گوید: "ده سال بعد، وقتی ما از هوش مصنوعی برای تشخیص بیماری استفاده می‌کنیم، اگر یک بیمار با پوست تیره‌تر در مقابل خود داشته باشم، نمی‌خواهم بگویم "متاسفم، باید درمان متفاوتی به شما بدهم، چون این برای شما عملی نیست."
منابع:
https://www.wired.com/story/ai-diagnose-illnesses-country-rich
https://feedimo.com/story/20212551