یادگیری ماشین در پزشکی

امروزه هوش مصنوعی (AI) تا حد زیادی در علم پزشکی نفوذ کرده‌است و تأثیر آن نیز بیشتر شده است. لذا دانشمندان و مهندسان با جمع‌آوری اطلاعات از منابع مختلف، از جمله پرونده‌های بهداشتی الکترونیکی، ژنومیک و دستگاه‌های پوشیدنی، امیدوارند از یادگیری ماشین (ML) برای کمک به تشخیص و پیش‌بینی نتایج بیماران استفاده کنند.


برخی از رشته‌های پزشکی، پتانسیل بهره‌گیری از این فناوری را نشان داده‌اند. به عنوان مثال یکی از تیم‌های گوگل، اخیراً یک الگوریتم یادگیری عمیق را شناسایی کرده‌است که رتینوپاتی ناشی از دیابت را با حساسیت و ویژگی فوق‌العاده بالایی تشخیص می‌دهد. گروه‌های دیگر نیز از برنامه‌های هوش مصنوعی برای پیش‌بینی خطر ابتلا به سرطان پستان، تشخیص پولیپ‌های کولون و طبقه‌بندی سرطان ریه استفاده کرده‌اند.

با وجود پتانسیل بالای این روش، می‌توان گفت که این فناوری هنوز در حال تکامل است. برای مثال، Google Flu Trends الگوریتمی برای بهره‌گیری از جست‌وجوهای اینترنتی به منظور برآورد میزان شیوع آنفلوانزا است. این الگوریتم علی‌رغم سوابق ردیابی خوبی که داشت، شیوع آنفلوآنزای خوکی سال ۲۰۱۳ در ایالات متحده را بسیار بیشتر از میزان واقعی آن برآورد نمود.

با نفوذ بیش‌تر هوش مصنوعی در زمینه‌ی پزشکی، برخی از پزشکان در مورد پیامدهای غیرمنتظره‌ی این فناوری ابراز نگرانی کرده‌اند. فدریکو کابیتزا (Federico Cabitza)، استاد تعامل انسان–داده (Human-Data Interaction) در ایتالیا، برخی از نگرانی‌های خود را در مقاله‌ای ابراز کرده است. این مقاله در ژورنال JAMA منتشر شده است.

کابیتزا و همکارانش بیان داشتند که بعضی از انتظاراتی که مردم از نقش سیستم‌های پشتیبانی از تصمیم‌گیری در حوزه‌ی یادگیری ماشین (ML-DSS) دارند، تا حد زیادی نا معقول است؛ چرا که ابهامات زیادی حول و حوش این موضوع وجود دارد.

اثرات غیر منتظره

یکی از احتمالات پیش‌بینی نشده در مورد ادغام یادگیری ماشین با پزشکی، وابستگی بیش از حد به داده‌ها و نادیده گرفتن سایر عوامل، مانند مسائل روانی یا سازمانی است که نمی‌توان به سادگی آن‌ها را توصیف نمود. به عنوان مثال، در یکی از مطالعات موردی در سال ۲۰۱۵، پژوهشگران به کمک یک دستگاه پشتیبانی از تصمیم‌گیری مبتنی بر هوش مصنوعی (ML-DSS)، چهارده هزار بیمار مبتلا به ذات‌الریه را مورد بررسی قرار دادند. این دستگاه چنین نتیجه‌گیری کرد که خطر مرگ کم‌تری افراد مبتلا به آسم را تهدید می‌کند. اما این الگوریتم به عوامل اختلاط بحرانی (critical confounding factors) توجهی نکرده بود چرا که خود بیماری آسم به طور مستقیم به مراقبت‌های ویژه‌ا‌ی نیاز دارد.

هرچند الگوریتم‌های یادگیری ماشین را می‌توان با مجموعه‌های غول پیکری از داده‌ها آموزش داد اما استفاده از آن در  پزشکی که مشخصات هر مولکول خاص در بیمار را مورد ارزیابی قرار می‌دهد به  یک چالش بزرگ تبدیل شده است. هوش مصنوعی در مواردی که به وضوح تعریف شده‌اند، نقش بسزایی دارد. اما در صورتی که از داروهای تأیید شده از سوی FDA و جهش‌های ثبت شده‌ی مستند صرف نظر کنیم، به قضاوت نیاز خواهیم داشت. این همان جایی است که وجود یک انکولوژیست اهمیت بسیار زیادی پیدا می‌کند. پزشک باید در مورد آزمایش‌هایی که بیمار بدان نیاز دارد تصمیم بگیرد. این در حالی است که او باید هم‌زمان متغیرهایی مانند چگونگی بیمار شدن فرد، برد انتشار ویروس در محیط و پیچیدگی‌های موجود در مشخصات مولکولی بیمار را نیز مد نظر قرار دهد.

به طور کلی، عدم قطعیت ذاتی موجود در مراقبت‌های بهداشتی، مشکلاتی را برای استفاده از هوش مصنوعی ایجاد کرده است. کابیتزا و همکارانش استدلال می‌کنند که تأثیر ناظر بر میزان دقت الگوریتم‌های یادگیری ماشین، اغلب نادیده گرفته می‌شود.

برای اجتناب از گسترش الگوریتم‌های یادگیری ماشین که منعکس‌کننده‌ی خطاها و تعصبات انسانی هستند، توسعه‌دهندگان باید چالش کار با داده‌های پزشکی را به طور جدی‌تری مورد توجه قرار دهند.  در واقع، هنگامی که ما با واقعیت‌های پیچیده پزشکی و نابرابری‌های موجود در سیستم فعلی بهداشت و درمان مواجه می‌شویم، تکیه بر کدهای تشخیصی و نظرات پزشکان، بسیار دشوارتر از قبل می‌گردد. در این نقطه، هیچ راه حلی وجود ندارد که برای همه‌ی شرایط مناسب باشد. بنابراین، هر یک از مشکلات مربوط به پیش‌بینی، به کار دقیقی برای تعریف نتیجه و اطمینان از عدم دخالت تعصب‌ها نیاز دارد.

مسئله‌ی دیگری که توسط کابیتزا و همکارانش مطرح شده، این است که بسیاری از الگوریتم‌های یادگیری ماشین، مدل‌های جعبه‌ی سیاه هستند.

ML-DSSهای جدید، به دلیل طبیعت الهام‌بخش خود بسیار جالب توجه هستند. اما در بعضی شرایط دقت بسیار افراطی به نمایش می‌گذارند. این دستگاه‌های تصمیم‌گیری هیچ توضیحی برای توصیه‌هایی که ارائه می‌کنند ندارند. آن‌ها حتی برای سازندگان خود نیز حکم جعبه‌ی سیاه را دارند. این دستگاه‌ها مبتنی بر داده‌هایی هستند که برای آموزش استفاده می‌شود که شباهتی به قوانین آشکاری که می‌توان برای داده‌های حاصل از پدیده‌های مشاهده شده در نظر گرفت، ندارد.

اش دمل (Ash Damle)، مدیر عامل شرکت لومیناتا (Luminata)، به این نکته اشاره کرده است که رویارویی با موضوع جعبه‌ی سیاه یکی از اصلی‌ترین دغدغه‌های این شرکت به حساب می‌آید. لومیناتا یک شرکت پزشکی است که در حوزه‌ی هوش مصنوعی فعالیت می‌کند. وی افزود: ”ما زمان زیادی را صرف تلاش برای کشف این موضوع نمودیم که چطور این یادگیری عمیق را قابل تفسیر کنیم. به منظور انجام این کار، شرکت ما از طریق ارزیابی مبتنی بر داده‌ها، نوعی منطق تنظیم کرد که در آن، زنجیره‌ای دقیق از استدلال‌ها برای نتایج مختلف در نظر گرفته شده است.»

جاناتان چن (Jonathan Chen)، پزشک متخصص دانشگاه استنفورد، در این خصوص می‌گوید: ”علاوه بر مسائل مطرح شده توسط کابیتزا و همکارانش، مهم است که فایده‌ی پیش‌بینی بیماری افراد را نیز در نظر بگیریم. پیش‌بینی دقیق آن‌چه که برای یک بیمار اتفاق می‌افتد، به شما نمی‌گوید که باید چه کاری برای وی انجام دهید و هم‌چنین بدان معنا نیست که ممکن است نتیجه تغییر کند.”

کابیتزا امیدوار است که تحقیقات بیشتری برای مقایسه‌ی نتایج ارائه شده از سوی تیم‌های تشخیصی که از ML-DSS استفاده می‌کنند با آن‌هایی که از این فناوری استفاده نمی‌کنند، انجام شود. بدین ترتیب می‌توان نتیجه گرفت که آیا تفاوت قابل توجهی در مقدار اثر و هزینه وجود دارد یا خیر. کابیتزا در ادامه سخنانش افزود: “من اعتقاد دارم که متخصصین حوزه‌ی یادگیری ماشین باید تحقیقات بیش‌تری را برای کسب اطلاعات لازم و بررسی آسیب‌ها انجام دهند. در نتیجه، آن‌ها باید برخی از اولویت‌ها را در برنامه تحقیقاتی خود مورد تجدید نظر قرار دهند. انجام این کار می‌تواند متخصصین ما را در ساخت سیستم‌هایی کارآمد در حوزه‌ی پزشکی و بهداشت و درمان یاری کند.”

این دیدگاه در تاریخ ۳۰ اکتبر در وب سایت  genengnews منتشر شده است.

✳️ ترجمه و بازنویسی: آزاده داودی

لینک دیدگاه

بارگذاری نوشته های مرتبط بیشتر
مطالب بیشتر از این نویسنده علی چوپانی
بارگذاری بیشتر در آینده نگری

دیدگاهتان را بنویسید

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

این سایت از اکیسمت برای کاهش هرزنامه استفاده می کند. بیاموزید که چگونه اطلاعات دیدگاه های شما پردازش می‌شوند.

بررسی کنید

معرفی برترین مقالات هفته ی اخیر زیست فناوران ایران: جمعه ۲۵ آبان ۱۳۹۷

معرفی برترین مقالات زیست فناوری هر هفته در سایت زیست فن، مقالات بیوتکنولوژی پزشکی، بیوتکنو…