استفاده از هوش مصنوعی در رادیولوژی
به گزارش فیس راز، در این مقاله استدلال می گردد که هوش مصنوعی می تواند، در میان بحران کمبود پرسنل مراقبت های بهداشتی، رادیولوژیست آینده ما باشد.
MRI در تشخیص پزشکی یک تغییر دهنده بازی است زیرا نیازی به قرار گرفتن در معرض اشعه یونیزه نماینده (مانند اشعهX ) ندارد و می تواند تصاویری را بر روی مقاطع مختلف بدن با تعریفی عالی از بافت های نرم فراوری کند. به عنوان مثال، برای اولین بار امکان مشاهده مستقیم نخاع به وسیله آن فراهم شد.
امروزه بیشتر افراد تحت MRI قرار گرفته اند یا کسی را می شناسند که MRI شده باشد. در کنار سایر ابزارهای در دسترس رادیو لوژیست ها، MRI برای تأیید مقدار بیماری، تشخیص این که بیمار به درمان پاسخ داده است یا خیر، و برای نشان دادن عوارض و در بعضی موارد تشخیص لزوم مداخله راهنما لازم است.
اما رادیو لوژی با افزایش نمایی تعداد معاینات تصویر برداری خواسته شده در سیستم های مراقبت های بهداشتی به طور نمایی فزاینده ای که در خدمت یک جمعیت پیر شونده است، قربانی موفقیت خود شده است. تقاضا برای تهیه رادیوگرافی و برای رادیولوژیست های در دسترس برای فراوری این اسکن ها در سیستم های مراقبت های بهداشتی سرمایه گذاری شده برای عموم، مانند NHS ، از عرضه پیشی گرفته است.
در اسکاتلند، به طور خاص، تعداد رادیولوژیست های مشاور در طول ده سال گذشته ثابت مانده است، در حالی که دامنه و پیچیدگی روش های تصویر برداری با هر نسل از اسکنرها افزایش می یابد. رادیو لوژیست ها، حتی با کار آمدترین بخش هایی که انجام بخشی از حجم کار خود را به سازمان های خارجی بیرون سپاری می نمایند، همچنان در حال دویدنند تا در همان سطح باقی بمانند.
شکل: تفسیر جزئیات فوق العاده از اسکن های MRI چیزی است که می تواند با استفاده از هوش مصنوعی به صورت خود کار انجام شود. Mgdtgd ، CC BY-SA
پتانسیل و مسائل هوش مصنوعی
در همین حال، مبتکران در صنعت فرصتهای بالقوه ای را که هوش مصنوعی (AI) ممکن است برای مراقبت های بهداشتی به ویژه رادیولوژی و آسیب شناسی مبتنی بر تصاویر دیجیتال ایجاد کند، دیده اند. الگوریتم های یاد گیری ماشین که با مقادیر زیادی از تشخیص های گذشته تغذیه می شوند، می توانند قوانین تازهی را برای طبقه بندی اسکن ها بر اساس مثالهای گذشته ایجاد نمایند. رویکرد استفاده از این تکنیک در اسکن های تشخیصی به رادیومیکس (radiomics) معروف است.مانعی برای استفاده گسترده تر از هوش مصنوعی در این زمینه، عدم دسترسی ایمن به داده های حساس بیمار است که با استفاده از آنها می توان مدلهای هوش مصنوعی را توسعه داد و تست کرد. مانع دیگر، عدم اعتماد مردم به روشهای تازه است - حتی اگر چه استفاده از تصمیم گیری رایانه ای در تاریخ مراقبت های بهداشتی به اوایل دهه 1970 باز می شود. انتها، مشکل ارزیابی روشهای تازه بر اساس داده های دنیای واقعی وجود دارد.
ممکن است بپرسیم که آیا به هیچ وجه به مراقبت های مصنوعی در مراقبت از بیمار نیاز داریم یا خیر. اما قدرت این تکنیک های تازه می تواند فرصت های عظیمی را فراهم کند. مهم نیست که انسان چقدر ماهر باشد؛ بالاخره در معرض خستگی، بی حوصلگی و وقفه های منظم قرار می گیرد و اینها لحظه های احتمال بروز خطا است.
ماشین آلات می توانند بدون خستگی کار نمایند، اما توانایی آنها در تصمیم گیری های شهودی یا تکیه بر سالها تجربه برای تشخیص، وقتی که یک ناهنجاری یک خطر فوری ایجاد می نماید، ناشناخته است. حتی بدون تکیه بر هوش مصنوعی برای امور پیچیده، استفاده از آن صرفاً برای کارهای روزمره مانند رزرو وقت دیدار، اختصاص کارکنان و تجهیزات، اولویت بندی شغل رادیولوژیست ها یا درج داده های مربوط به سوابق مراقبت های بهداشتی باعث می شود زمان پزشکان برای سایر کارها آزاد شود.
یک بستر تست برای مراقبت های بهداشتی آینده
در انگلستان، iCAIRD ، مرکز صنعتی تحقیقات هوش مصنوعی در تشخیص های دیجیتال، متخصصان دانشگاه های آبردین، ادینبورگ، گلاسکو و سنت اندروز را به همراه NHS و شرکای صنعتی مانند کانن و فیلیپس در یک مرکز 15 میلیون پوندی در گلاسکو گرد هم جمع می نماید.در حالی که سال گذشته راه اندازی شد، این پروژه با ارائه دسترسی ایمن به داده های بالینی ناشناس در حوزه هایی از جمله غربالگری سرطان پستان، تشخیص سکته مغزی، اشعه X قفسه سینه از A&E و آسیب شناسی سرطان دهانه رحم و آندومتری، آزمایش خواهد نمود که تا چه حد الگوریتم های هوش مصنوعی با تخصص انسان قابل مقایسه هستند. ماشین آلات می توانند بدون خستگی کار نمایند، اما توانایی آنها در تصمیم گیری های شهودی یا تکیه بر سالها تجربه برای تشخیص، وقتی که یک ناهنجاری یک خطر فوری ایجاد می نماید، ناشناخته است. محققان هوش مصنوعی با استفاده از یک روش مستقر برای دسترسی ایمن به تصاویر، گزارش ها و داده های بالینی مربوطه، قادر به تهیه و آزمایش روش های خود خواهند بود. iCAIRD بعلاوه یک پایگاه داده ملی آسیب شناسی دیجیتال ایجاد خواهد نمود.
مراقبت در خصوص سرطان به طور معمول شامل جلسات تیم چند رشته ای بین پزشکان متخصصان مختلف می باشد: به همان روش، هدف iCAIRD این است که برنامه های کار بردی هوش مصنوعی متعدد برای ایجاد یک جلسه تیمی چند رشته ای مجازی مبتنی بر هوش مصنوعی می تواند یکپارچه شود تا یک دیدار تیمی چند رشته ای مجازی مبتنی بر هوش مصنوعی را ایجاد کند، جایی که دانش رادیو لوژی و آسیب شناسی می تواند مدیریت شخصی سازی شده بیماران سرطانی را راهنمایی کند.
درست همان طور که داروهای تازه باید قبل از استفاده به درستی ارز یابی شوند، بعلاوه این امر باید در روشهای تازه هوش مصنوعی عملی شود. ما خوشبخت هستیم که به وسیله iCAIRD قادر به ارز یابی عملکرد این الگوریتم های تازه با داده های دنیای واقعی هستیم. دخیل کردن عموم مردم در این سفر ارز یابی هوش مصنوعی به عنوان یک راه چاره بالقوه، بسیار حیاتی است.
هر روش تازهی از کار احتمالاً با قیمتی به دست خواهد آمد - خواه این سود برای شرکت های در حال توسعه هوش مصنوعی باشد، دقیقاً همان طور که صنعت دارو سازی از داروهای تازه سود می نماید - و یا با هزینه ای در ازای از دست دادن حریم شخصی مطلق داده های بیمار به دست آید. چگونگی متعادل سازی این موارد و حصول اطمینان از حکمرانی خوب هوش مصنوعی در مراقبت های بهداشتی باید برای بحث عمومی مطرح شود و نه فقط نقش یک بخش واحد یا تعداد معدودی از شرکت ها.
منبع: Alison Murray - The Conversation
منبع: راسخون