هوش مصنوعی (AI) چشم‌اندازهای گسترده‌ای پیش روی محققان گشوده است. همچنین کاربست‌های این تکنولوژی در دنیای امروز بی‌مانند است. به عنوان مثال، استفاده از این تکنولوژی در “فناوری‌های روز ارتباطات” این امکان را فراهم آورده است که تلفن‌های هوشمند قادر به تشخیص صدا و تصویر باشند. اما لزوم بهره‌گیری از این فناوری در دیگر عرصه‌ها مانند “شناخت و تحول عرصه‌های دارویی” نیز مورد توجه قرار گرفته است.
از جمله کاربست‌های احتمالی هوش مصنوعی در همکاری با عرصه بیوتکنولوژی می‌توان به شناسایی اهداف دارویی، غربالگری دارو، غربالگری تصاویر و مدل‌سازی در راستای افزایش “توان پیش‌بینی” اشاره کرد. هوش مصنوعی همچنین برای نظم‌بخشیدن به “ادبیات پژوهشی” و “مدیریت داده‌های کارآزمایی‌های بالینی” نیز مورد استفاده قرار می‌گیرد.
با استفاده از یادگیری ماشین، می‌توان مجموعه داده‌های کارآزمایی‌های بالینی را مدیریت کرد، “غربالگری‌های مجازی” را به کار گرفت و حجم گسترده‌ای از داده‌ها را مورد تجزیهوتحلیل قرار داد. با کمک هوش مصنوعی نه تنها می‌توان به کاهش هزینه‌های کارآزمایی بالینی امیدوار بود، بلکه این امکان را در اختیار محققان قرار می‌دهد تا با شناختی مبتنی بر یادگیری ماشین بتوانند نتایج یافته‌های خود را به چرخه “تولید دارو” و “طراحی درمان‌های دارویی” بازخورد دهند.
فناوری‌های مبتنی بر کاربست‌های هوش مصنوعی توسط چندین شرکت در راستای به خدمت‌گرفتن در عرصه بیوتکنولوژی توسعه پیدا کرده‌اند و ضرورت به خدمت گرفتن هرچه سریع‌ترِ این فناوری‌ها را یادآور میشوند؛ چراکه، روش‌های قدیمی‌تر مانند تجزیه‌وتحلیل‌های آماری سنتی یا تصاویر اسکن اغلب، کارآمدی محدودتری را نشان داده‌اند که استفاده از این فناوری‌ها امکان ارتقاءِ این کارآمدی‌ها را فراهم می‌آورند.
دنیایی جدید از تکثرگرایی‌ها
نخستین شرکتی که نوع پرکاربردی از یادگیری ماشین –شبکه عصبی کانولوشن یا CNN– را برای طراحی و کشف دارو به کار برد “Atomwise” بود. CNN در برنامه‌های کاربردی روزمره مانند فناوری‌های مرتبط با “تشخیص گفتار الکسا” یا “قابلیت برچسب‌گذاری تصویر Facebook” به کار گرفته میشوند. این کمپانی 550 پروژه را در اختیار دارد که مبتنی بر کاربست یادگیری ماشین بوده و بر موضوعات متعددی متمرکز شده‌اند.
طبق گفته دکتر آبراهام هیفتس- مدیر عامل Atomwise- هیچ محدودیتی در تعداد ترکیبات مولکول‌هایی که با استفاده از الگوریتم‌های طراحی شده توسط Atomwise قابل نمایش هستند، وجود ندارد. به اعتقاد هیفتس غربالگری داروها نیز با مشکلات متعددی روبه‌رو است؛ برای مثال، اگرچه یک مدل غربالگری با 99% دقت اغلب مطلوب است اما لازم به توجه است که دقت 99% با 1% خطا همراه است و این 1% خطا غربالگری را با مشکل مواجه می‌کند. لذا به اعتقاد او ضروری است که آن دسته از تکنیک‌ها و فناوری‌های غربالگری رشد و توسعه یابند که دقت مطالعات را تا 99/99% افزایش می‌دهند.
همچنین او ادامه داد: “مانند بسیاری دیگر از انواع فناوری‌های چالش‌برانگیز در مطالعات دارویی مانند “CRISPR”، باید انتظار داشته باشیم که هوش مصنوعی نیز واکنش‌های زیادی در این عرصه برانگیزد. به ویژه استفاده از این فناوری‌های چالش‌برانگیز که روش‌های مطالعاتی گذشته را با سوال مواجه کرده‌اند، نتایج بالینی باورنکردنی را به بار خواهند آورد؛ دستاوردی که نویددهنده فرصت‌های روشن است.“
کاربست‌های هوش مصنوعی در دنیای واقعی
یادگیری ماشین همچنین در حوزه تشخیص بالینی فرصت‌های هیجان‌انگیزی را ارائه می‌دهد. به عنوان مثال، فناوری‌های هوش مصنوعی برای برنامه‌های پزشکی توسط “Eyenuk” طراحی میشوند. اولین محصول این شرکت با نام “EyeArt” از هوش مصنوعی برای شناسایی بیماری از تصویربرداری شبکیه استفاده می‌کند. در یک کارآزمایی بالینی که شامل 942 بیمار بوده و 15 مرکز پزشکی در سراسر ایالات متحده آمریکا را تحت پوشش قرار داده، مشخص شد که میزان حساسیت در تشخیص “رتینوپاتی دیابتی” بیش از 95٪ بود. این فناوری با استفاده از یادگیری ماشین برای آموزش الگوریتم‌های خود، تقریباً 2 میلیون تصویر را مورد تجزیهوتحلیل قرار داده است.
متخصصان، غربالگری سالانه برای تشخیص رتینوپاتی دیابتی را برای همه افراد مبتلا به دیابت ضروری می‌دانند. در حال حاضر، “بریتانیا” تنها کشور در جهان است که بیش از 80٪ از جمعیت مبتلا به دیابت را از نظر رتینوپاتی دیابتی مورد غربالگری قرار می‌دهد. این نرخ برابر است با 2/5 میلیون بیمار مبتلا به دیابت که تصویربرداری از شبکیه این بیماران باید به صورت فردی و توسط متخصصان به صورت سالانه بررسی شود.
سرویس بهداشت ملی ایالات متحده (NHS) ضمن ارزیابی فناوری‌های مربوط به بخش سلامت به مقایسه “EyeArt” با چندین فناوری رقیب دیگر پرداختند. نتایج این مقایسه و ارزیابی‌ها حکایت از آن داشت که “EyeArt” با اختلاف، فناوری برتر در عرصه غربالگری‌های بالینی است. یافته‌های این ارزیابی که در سال 2016 منتشر شد، نشان داد که “EyeArt” توان حساسیتی بین 99/6%-93/8% برای تشخیص بیماری‌ها دارد. سرویس بهداشت ملی ایالات متحده یا NHS اکنون در حال اعمال تغییراتی برای در اختیار گرفتن فناوری “EyeArt” در برنامه‌های غربالگری خود است. در همین حال، ارزیابی‌های مقدماتی این فناوری نیز در شش مرکز در انگلستان به پایان رسیده است.
چالش فراوانی داده‌ها
روش‌های سنتی تجزیهوتحلیل که در کشف داروها مورد استفاده قرار می‌گیرند در صورتی که با مقادیر بالای اطلاعات مواجه نباشند نتایج مطلوبی نشان می‌دهند. این در حالی است که “پیچیده‌تر شدن داده‌ها”، کارآمدی این روش‌ها نیز به چالش کشیده میشوند. به عنوان مثال، در صورتی که بیمار تشخیص‌های همبود و مزمن داشته باشد، تشخیص‌های متعدد، عوارض بیماری‌های همبود، برنامه‌های درمانی پیچیده و عوارض جانبی داروهای متعدد متخصصان و پزشکان را با دشواری مواجه می‌کند. در همین راستا، هوش مصنوعی قادر خواهد بود اطلاعات “چندبعدی” و “متعدد” را ادغام نماید، آن‌ها را تجزیهوتحلیل کند و بیمار را از نظر جنبه‌های مورد نیاز طبقه‌بندی کند. توانایی هوش مصنوعی در استفاده از داده‌های پیچیده و چندمتغیره به تحول در طراحی و اجرای کارآزمایی‌های بالینی منجر می‌شود.
از دیگر فعالان عرصه به کارگیری هوش مصنوعی در بخش سلامت، تشخیص و درمان “Sensyne Health” است. دکتر تی خان- از مدیران ارشد موسسه- می‌گوید: “مدل‌های سنتی کشف دارو غالباً پرهزینه هستند و با نارسایی‌های عمده‌ای نیز روبه‌رو هستند که نتایج متغیری را نشان می‌دهند.” با این حال او افزود: ” هوش مصنوعی هزینه‌های احتمالی و نامعتبر بودن نسبی نتایج را کاهش خواهد داد.”
موسسه Sensyneis با NHS در زمینه “جمع‌آوری اطلاعات بیماران” و “امکان طبقه‌بندی” بیماران برای انجام مطالعات بالینی همکاری می‌کند. به اعتقاد تی خان استفاده از روش‌های کلاسیک، امکان در نظر گرفتن دیگر احتمالات بسیاری از اختلالات مانند نارسایی‌های قلبی را محدود می‌نماید. این در حالی است که با اتکا به روش‌های پیچیده‌تر و فناوری‌های مدرن مانند هوش مصنوعی می‌توانید زیرمجموعه‌های متعددی از نارسایی قلبی را شناسایی کنید و نشان دهید که بیش از دو زیرگروه شناخته شده نارسایی قلبی وجود دارد.
او پیش بینی می‌کند که سرانجام، این عرصه از مطالعات به سمت مطالعات هوشمند پیش خواهد رفت. بررسی‌هایی که توسط هوش مصنوعی انجام میشوند اغلب اطلاعات مهم و فراوانی است که در کارآزمایی‌های معمول انسانی پرهزینه است به طوری که این اطلاعات حتی بسیار قبل‌تر از آزمایشات انسانی داروها میتواند در اختیار قرار گیرد و چشم‌اندازهای آتی دارو را نیز مشخص نماید.
شرکت دیگری که بر مدیریت داده‌های کارآزمایی بالینی متمرکز است “Precision for Medicine” نام دارد. این شرکت پزشکی اخیراً “QuartzBio” را طراحی کرد که یک پلتفرم هوش مصنوعی است و داده‌های بیولوژیکی و بالینی را برای استخراج دانش و آگاهی به منظور تسریع در توسعه دارو در اختیار محققان می‌گذارد.
به اعتقاد کالوِر- معاون ارشد این موسسه- در کارآزمایی‌های بالینی، تلاش زیادی برای تفکیک داده‌ها از منابع گوناگون صورت می‌گیرد تا محققان بتوانند اطلاعات جداشده را به سرعت و با انعطاف بالا تفسیر کرده و به کار گیرند. اما این تلاش‌ها به ندرت موفق میشوند.
او می‌گوید: “اغلب این داده‌ها به طور مستقل و جداگانه تولید میشوند و در شرکت‌های دارویی، تیم‌های مطالعاتی اغلب برای ادغام و همگرا کردن نتایج این مطالعات تلاش می‌کنند. درنتیجه تجزیهوتحلیل به طور قابل توجهی به تأخیر می‌افتد و حتی ظرفیت مناسب برای ادغام و یکپارچه‌سازی اطلاعات مهم در روند مطالعات در این شرکت‌ها موجود نمی‌باشد. در برخی از مواقع این فرایند تا آشکار شدن نتایج کارآزمایی‌ها به تعویق می‌افتد و بینش یکپارچه و منظمی برای استفاده حداکثری از اطلاعات رخ نمی‌دهد.”
برخی از مسیرهای بکار گرفته شده توسط پلتفرم “QuartzBio” شباهت‌های سطحی به تجزیه‌وتحلیل‌های هوش مصنوعی در شرایط کنترل نشده‌ای مانند کاربرد آن توسط گوگل، نتفلیکس یا سایر شرکت‌های بزرگ فناوری دارند. با این وجود، پیدا کردن بینش و اطلاعات بیولوژیکی با انتخاب فیلم مورد علاقه‌تان متفاوت است.
Culver در ادامه افزود: “در تولید دارو، ما به مجموعه داده‌های کوچک با پویایی کمتری دسترسی داریم و برای فهم آنچه که از نظر بیولوژیکی رخ می‌دهد، به مواد پژوهشی نیاز داریم. چاشنی محرمانه مطالعات، توانایی این موسسه در جمع‌آوری تمام داده‌ها و ادغام آن‌ها با یکدیگر است. با استفاده از این چاشنی غنی‌ترین مجموعه داده‌ها را برای کشف و استفاده از آن‌ها در فرایند تجزیه‌وتحلیل‌های “محاسبات زیستی”، “هوش مصنوعی” و “تفسیر اطلاعات” در اختیار خواهیم داشت.”
تجزیهوتحلیل اطلاعات پنهان
شرکت پزشکی دقیق “Concerto HealthAI” که تمرکز عمده‌ای بر انکولوژی دارد نام دارد. این شرکت از “هوش مصنوعی” و “یادگیری ماشین” برای نشان دادن پاسخ درمانی بیماران به درمان‌ها در موقعیت‌های واقعی درمان استفاده می‌کند. اقدامات این شرکت میتواند مسیر مطالعات دارویی را هدایت کند و نتایج تحقیقات را گزارش دهد تا به “تسریع” در روند توسعه دارو کمک کند.
دکتر جف التون- مدیر عامل شرکت Conscerto HealthAI- با ذکر یک مثال این فرایند را تشریح کرد. “فرض کنید که بیماری مبتلا به نوعی از سرطان است که برای اولین بار تشخیص داده می‌شود. این بیمار ابتدا براساس موقعیت و اندازه تومور، وضعیت متاستاتیک و سایر ویژگی‌های این بیماری مورد معاینه و ارزیابی قرار می‌گیرد. سپس از این اطلاعات برای راهنمایی درمان استفاده می‌شود. همچنین اطلاعات اضافه مانند اطلاعات مربوط به پیشرفت بیماری یا تغییر وضعیت بیماری در مورد بیمار نیز در دسترس هستند اما این اطلاعات اضافه و چندگانه “پنهان” مانده و به طور خودکار بخشی از سوابق پزشکی الکترونیکی بیمار نخواهد شد.”
این نوع اطلاعات پنهان، برای شرکت‌های داروسازی بسیار مهم است. به عنوان مثال، اطلاعات دقیق در مورد مرحله‌بندی بیماری در مقاطع زمانی مختلف در تاریخ بیماری، به شرکت‌های داروسازی کمک می‌کند تا “میزان” اثربخشی و “چرایی” اثربخشی یک برنامه درمانی را بهتر درک کنند.
التون می‌گوید: “این شرکت با طراحی مدل‌های هوش مصنوعی، مدارک و سوابق پزشکی را بازخوانی کرده و به صورت مرحله‌ای به محاسبه و ارزیابی می‌پردازند تا به نتایج دقیقی دست یابند.”
تکنولوژی مورد استفاده در “Concerto HealthAI” قادر خواهد بود درمورد پاسخ بیمار به برنامه درمانی و نوسانات و پایداری این پاسخ درمانی پیش‌بینی‌هایی را در اختیار قرار دهد. این پیشبینیها در طراحی یک مطالعه بالینی جامع نقش بسزایی خواهند داشت. چراکه با ارائه یک “چشم‌انداز درمانی” به پزشکان و متخصصان، سلامت استاندارهای درمان و مراقبت از بیماران را ارتقا خواهند بخشید.
