کنفرانس MIT فناوریهای توسعه یافته در پاسخ به همه گیری کرونا و فرصتهای جدید، راه حلهای هوش مصنوعی را برای مدیریتهای بالینی مطرح کرد. با استفاده گسترده از هوش مصنوعی، مراقبتهای بهداشتی مدرن روی کار آمدند. از تجزیه و تحلیل سریع تصویر برای رادیولوژی به کمک هوش مصنوعی گرفته تا پیشرفتهای دقیق پزشکی برای مراقبتهای شخصی، هوش مصنوعی کاربردهای بی شماری در حوزه سلامت دارد.
آیا هوش مصنوعی میتواند در مبارزه با Covid-19 به چالش کشیده شود؟
محققان کلینیک عبداللطیف جمیل در مورد استفاده از یادگیری ماشین در عرصه سلامت، که اکنون در کالج MIT Stephen A. Schwarzman مستقر هستند، میگویند: “بحران بهداشت عمومی فرصتهای زیادی برای استفاده از فناوریهای هوش مصنوعی مانند تسریع در جستجو برای داروهای موثری که میتوانند بیماری را درمان کنند، دارد. محققان به طور فعال در تلاش هستند تا این پتانسیل را به موفقیت برسانند”.
درمان به کمک هوش مصنوعی
هنگامی که Covid-19 شروع به گسترش در سراسر جهان کرد، کار جامعه کلینیک جمیل، محققان یادگیری ماشین و علوم سلامت، جهت تازهای پیدا کرد و شروع به کاوش در مورد چگونگی استفاده از هوش مصنوعی در جستجوی راه حلها به کمک از دانش و تخصص جمعی خود کردند. بحثهای بعدی منجر به راه اندازی روشهای درمان به کمک هوش مصنوعی شد. ابتکاری که به توسعه روشهای یادگیری ماشین برای یافتن مولکولهای ضد ویروس Covid-19 و سایر عوامل بیماریزای در حال ظهور، اختصاص یافته است.
دعوت به همکاری از فعالان حوزه هوش مصنوعی
به عنوان بخشی از مأموریت جستجوی درمانهای هوش مصنوعی برای یافتن تأثیر و ایجاد تعامل گسترده، محققان کلینیک جمیل، از پزشکان و متخصصان بهداشت عمومی برای کنفرانسی با موضوع توسعه الگوریتمهای هوش مصنوعی برای مدیریت بالینی بیماران Covid-19، تشخیص زودهنگام و نظارت بر بیماری، جلوگیری از شیوع در آینده و روشهای استفاده از این فناوریها در مراقبت از بیمار، دعوت به عمل آورد.
راه حلهای بالینی داده محور
در تاریخ 29 سپتامبر، بیش از 650 نفر به نمایندگی از 50 کشور و 70 سازمان از سراسر جهان برای کنفرانس مجازی “درمان به کمک هوش مصنوعی” راه حلهای بالینی مبتنی بر داده برای Covid-19 وارد سیستم شدند. در استقبال از حضار، دانیل هوتنلوچر، رئیس کالج محاسبات MIT شوارتزمن اظهار داشت که “هوش مصنوعی در مراقبتهای بهداشتی فراتر از استفاده از محاسبات، فقط به عنوان یک ابزار ساده است. به تواناییهایی می رسد که واقعاً به فرایندهای کشف، تشخیص و مراقبت منجر میشوند. پتانسیل کشف شتاب گرفته از هوش مصنوعی به ویژه در زمانهایی از این دست مهم است”.
محتوای کنفرانس
شرکت کنندگان این کنفرانس پای صحبت 14 سخنران، از جمله محققان MIT، نشستند و در مورد فناوریهایی که طی شش ماه گذشته در پاسخ به همه گیری ایجاد کرده اند، مطلع شدند. از مدلهای اپیدمیولوژیکی ایجاد شده با استفاده از دادههای بالینی برای پیش بینی خطر عفونت و مرگ برای بیماران خاص گرفته تا یک دستگاه بی سیم که به پزشکان امکان آن را میدهد تا بیماران Covid-19 را از راه دور کنترل کنند، تا یک مدل یادگیری ماشین که بیماران در معرض خطر بیماری را قبل از وقوع مشخص میکند در این کنفرانس مورد بررسی قرار گرفته شدند.
کالینز و آزمایشات وی
جیمز کالینز، استاد مهندسی و علوم پزشکی ترمیر در انستیتوی مهندسی و علوم پزشکی MIT (IMES) و گروه مهندسی بیولوژیک، و سرپرست دانشگاه علوم پزشکی کلینیک جمیل است. وی اولین سخنرانی را در روز کنفرانس را با موضوع مهار مصنوعی زیست شناسی برای توسعه تشخیص و رسیدگی به Covid-19 و چگونگی آزمایش آن با استفاده از یادگیری عمیق برای افزایش طراحی چنین سیستمهایی را ارائه داد.
کالینز و تیم وی در حال استفاده از تکنیکهای هوش مصنوعی برای ایجاد مجموعهای از الگوریتمها برای پیشبینی موثر و کارایی سنسورهای مبتنی بر RNA هستند. این سنسورها برای اولین بار در سال 2014 برای شناسایی ویروس ابولا ساخته شد.
تولید سنسورهایی برای تشخیص بیماری
راهحلهایی که برای ویروس زیکا در سال 2016 طراحی شده بودند، برای تشخیص Covid-19 نیز برای بار دیگر طراحی و بهینه سازی شدند و از حسگرهای زیستی مبتنی بر CRISPR در ماسکی که در آزمایشگاه کالینز تولید شده بود، استفاده شد که هنگام نفس کشیدن، سرفه یا عطسه یک فرد سیگنال قابل تشخیص تولید میکند. در حالی که ثابت شده است هوش مصنوعی ابزاری موثر در مراقبتهای بهداشتی است، اما یک مدل برای داشتن ارزش و مفید بودن به دادههای کافی نیاز دارد.
بیماری به نام کوید-19!
در مورد بیماری Covid-19، اطلاعات محدودی در دسترس محققان است. برای پیشبرد تلاشهایی که برای مبارزه با ویروس صورت میگیرد، کالینز خاطرنشان میکند که “ما باید منابع تولید و جمع آوری منابع بزرگ را تأمین کنیم. دادههای کاملاً مشخصی برای آموزش مدلهای یادگیری عمیق نیاز است. در حال حاضر ما به طور کلی مجموعه دادههای بزرگی نداریم. در سیستمی که ما توسعه دادهایم، مجموعه دادههای ما شامل حدود 91000 عنصر RNA است که در حال حاضر بزرگترین د مجم.عه داده موجود برای زیست شناسی مصنوعی RNA است، اما باید بزرگتر از این باشد و برای استفاده در سنسورهای مختلف گسترش یابد.”
کنستانس لمان، استاد دانشکده پزشکی هاروارد (HMS)، با ارائه دیدگاهی از جنبه بالینی، در مورد راههای اجرای ابزارهای هوش مصنوعی در تصویربرداریهایی که در سرطان سینه در بیمارستان عمومی ماساچوست (MGH) انجام میشود، بحث کرد. لمان نیز به کمک رجینا بارزیلای، استاد مهندسی برق و علوم کامپیوتر دلتا الکترونیک و سرپرست عضو هیئت علمی هوش مصنوعی کلینیک جمیل، مدلهای یادگیری ماشین را برای کمک به تشخیص سرطان سینه طراحی کرد.
سیر تکاملی مدل هوش مصنوعی تولید شده
این مدل به هنگام استفاده از غربالگری ماموگرافی به ابزاری مهم تبدیل شد. تا زمان بازگشایی غربالگری در ماه مه، حدود 15000 ماموگرافی انجام شد. MGH به تدریج در حال برنامه ریزی مجدد برای بیماران با استفاده از مدلی است که توسط لمان و بارزیلای برای سهولت روند کار تهیه شده است. “ما زنانی را که از غربالگری حذف شده بودند را مجدد بررسی کردیم. آنها را با توجه به مدلهای هوش مصنوعی رتبه بندی کردیم. با آنها تماس گرفتیم و آنها را دوباره دعوت کردیم”. با این حال، به گفته لمان، بسیاری ترجیح میدهند از غربالگری انصراف دهند. “عوامل تعیین کننده بسیاری برای بازگشت به غربالگری وجود دارد. عوامل تعیین کننده اجتماعی می توانند بهترین، علمی ترین رویکردهای مبتنی بر شواهد را برای مراقبتهای بهداشتی موثر و منصفانه داشته باشند”.