کاربرد هوش مصنوعی در علوم پزشکی

مقدمه

شما در این پست با کاربرد هوش مصنوعی در علوم پزشکی آشنا میشوید. در دهه ۱۹۷۰ با ظهور نسل اول هوش مصنوعی شاهد رشد رویکردهای مبتنی بر قانون بوده ایم که موفقیت های بسیاری در عرصه های مختلف پزشکی به طور مثال در تشخیص بیماری ها، انتخاب روش درمانی مناسب و … داشتنه اند که کمک بزرگی برای متخصصان بوده اند.

امروزه که دنیا درگیر پاندمیک کووید_۱۹ میباشد کارایی هوش مصنوعی بسیار به چشم می خورد. از کارایی هایی که می توان مثال زد برای هوش مصنوعی ( توانبخشی بیماران، کمک به پزشکان، جلوگیری از خطاهای پزشکی، اطلاع رسانی و … ) می باشد.

همینطور کاربردهایی نیز در زمینه کرونا دارد از جمله کنترل همه گیری، عفونت، غربالگری و… استفاده از این تکنولوژی این امکان را برای ما فراهم میکند که بتوانیم این همه گیری را کنترل و خاتمه دهیم و مانع از فوت شدن تعداد بیشتری از مردم شویم.

به تازگی تکنیک های هوش مصنوعی امواج گسترده ای را در زمینه مراقبت های بهداشتی به وجود آورده اند و تا یک بحث فعال در مورد اینکه ربات های پزشک در نهایت جایگزین پزشکان انسانی در آینده خواهند کرد فراهم میکنند. ما بر این باوریم که پزشکان انسانی در آینده قابل پیش بینی با ربات ها و ابزار هوش مصنوعی جایگزین خواهد شد.

اما هوش مصنوعی غذایی می تواند به پزشکان کمک کند و از تصمیمات بالقوه بهتر و یا حتی جایگزین قضاوت انسانی در برخی زمینه های کاربردی مراقبت های بهداشتی به عنوان مثال رادیولوژی برخوردار شوند.

هوش مصنوعی با افزایش دسترسی به داده های مراقبت بهداشتی و توسعه سریع روش های تحلیلی داده های بزرگ روند موفقیت آمیزی در پیشگیری درمان و کلی مراقبت های بهداشتی را امکان پذیر می سازد. 

کاربرد هوش مصنوعی در علوم پزشکی

همانطور که بیان کردیم هوش مصنوعی قرار است زندگی انسان را تحت تاثیر خود قرار دهد و آن را آسان تر و راحت تر بکند. یکی از بخش هایی که هوش مصنوعی می تواند بسیار تاثیرگذار باشد و کیفیت زندگی انسانها را بالا ببرد، مراقبت های پزشکی، ارائه خدمات درمانی و سلامتی می باشد.

استفاده از فناوری های هوش مصنوعی در فرایند های پزشکی و درمانی رویداد بزرگی برای پزشکان و کادر درمان و همین طور برای بیمارستان ها و مراکز بهداشتی و درمانی می باشد. به دلیل دشواری و سختی تصمیمات پزشکی استفاده از هوش مصنوعی جهت اطمینان و پشتیبانی از تصمیمات بسیار موثر می باشد.

امروزه به دلیل گسترش و پیشرفت علم و دانش پزشکان و متخصصان در تصمیم گیری های خود دچار استرس و اضطراب شدند بنابراین پزشکان با استفاده از هوش مصنوعی تمامی جوانب را در نظر گرفته و تمامی شرایط را بررسی می کنند و بهترین تصمیم گیری را انجام میدهند.

هوش مصنوعی به متخصصان و پزشکان کمک می کند که تمامی جوانب و متغیرها را در زمان تشخیص و درمان بیماری ها در نظر بگیرند که دچار کمترین خطا شوند و بهترین نتیجه حاصل گردد وجود عوامل گوناگون و غیرقابل پیش بینی باعث سخت تر شدن تصمیم گیری میشود.

ولی با استفاده از هوش مصنوعی می توان خطاها را به حداقل رساند تا بهترین تصمیم اتخاذ گردد و به بهترین نتیجه دست پیدا کرد به عنوان مثال بیماری را در نظر بگیرید که نیاز به یک عمل جراحی مهم دارد و باید از یک بیمارستان به بیمارستان دیگر منتقل شود.

حال عوامل زیادی در این انتقال تاثیر گذار است از جمله حال عمومی بیمار، مسافت، شرایط آب و هوایی و امکانات انتقال و… می باشد. این عوامل تصمیم گیری را سخت میکند ولی با استفاده از هوش مصنوعی می توان بهترین تصمیم را با توجه به همه این عوامل گرفت.

هوش مصنوعی با اینکه مزیت ها و قابلیت های زیادی دارد معایبی نیز دارد که آنها را بررسی میکنیم از معایبی که میتوان برای این سیستم نام برد:

• محدود بودن این سیستم در حال حاضر 
• هزینه بالای نگهداری این تکنولوژی 
• نیاز به بروزرسانی دائمی
• استفاده دائم از فناوری هوش مصنوعی باعث کاهش خلاقیت فردی و ایجاد وابستگی می کند

کاربرد هوش مصنوعی در علم پزشکی و درمان بیماری ها 

• تولید انواع دارو و واکسن 
• نظارت بر طول درمان
• تشخیص به موقع بیماری ها 
• کاهش تعداد پرسنل مراکز بهداشتی درمانی 
• آموزش به پرستاران و پزشکان 
• پیشگیری از بیماری ها 
• درمان سرطان 
• تشخیص بیماری های نوظهور

طراحی نرم افزار تشخیص بیماری ها بوسیله هوش مصنوعی 

نرم افزار جامع پشتیبان تصمیم گیری در پزشکی یکی از نرم افزارهای است که با استفاده از هوش مصنوعی به تشخیص بیماری ها بر اساس علائم اقدام می کند به طوری که کاربر با وارد کردن نشانه های بیماری به رایانه فهرستی از بیماری های محتمل را مشاهده خواهد کرد.

ثبت دقیق شرح حال بیمار، تشکیل پرونده، درخواست آزمایش های اولیه و تکمیلی، تجویز هوشمند دارو، نسخه نویسی، جستجوی اطلاعات بیماری، روش درمان، بانک اطلاعات داروها، روش مصرف و مشخص کردن عوارض جانبی داروها از مزایای این نرم افزار است.

این نرم افزار همچنین میتواند بیش از ۲ هزار بیماری و ۳۰۰ علائم و نیز اطلاعات جامع در زمینه ۶۰۰ آزمایش پزشکی ۱۳۰ مورد جراحی و ۹۰۰ عنوان دارو را در خود ذخیره کند.

مهمترین قابلیت این نرم افزار بررسی و تشخیص همزمان ۱۵۰۰ بیماری و صد هزار رابطه فی مابین بیماری ها می باشد و برای کمک بیشتر به پزشکان ده هزار صفحه از متون معتبر پزشکی، مجلات، مقالات و تصاویر تخصصی در این نرم افزار گردآوری شده است.

استفاده از قابلیت های هوش مصنوعی در تشخیص عفونت های قلبی تهدید کننده

با کمک دو برنامه جدید هوش مصنوعی امکان تشخیص عفونت های قلبی تهدید کننده حیات بیماران و همچنین درمان زخم های باز بدون نیاز به فرایند های معمول و زمان بر درمانی برای پزشکان فراهم شده است.

پیشرفت حاضر در زمینه تشخیص عوارض مهلک در حالی صورت میگیرد که به اعتقاد جامعه پزشکی، جدا از نتایج چشمگیر آن در نجات جان انسانها و اجتناب از اعمال جراحی تهاجمی و رنج آور، این پژوهش می تواند بدون نیاز به انجام آزمایش های متعدد به صرفه جویی میلیونی هزینه بیمارستانی در سال کمک کند.

این نرم افزار را برای شناسایی بیماران دارای عفونت های قلبی توسعه یافته و این در صورتی است که چنین عفونت هایی با نرخ مرگ و میر بین ۳۰ تا ۵۰ درصد، از عفونت های بسیار وخیم به شمار می روند. تشخیص دادن التهابات غشای درونی قلب (آندوکاریتیک) یک عمل جراحی تهاجمی محسوب می شود و قصد از طراحی این نرم افزار تشخیص این عفونت بدون روانه کردن لوله کاوشی به درون مری فرد بیمار است.

تصویری که با استفاده از داخل کردن ابزار آندوسکوپی به درون نای شخص بیمار که با کمک دارو تسکین دهنده، گرفته میشود اصطلاحا قلب نگاری فرامری است که در نوع خود فرایندی تهاجمی و گران به حساب می آید.

در واقع یک عمل ۳۰ دقیقه ای با این روش بالغ بر دو هزار دالر هزینه در بر دارد و از طرفی انجام این عمل به تجهیزات فنی خاصی نیاز دارد که بسیاری از بیمارستان ها فاقد آن هستند.

این در حالی است که پزشکان می توانند به جای وارد کردن لوله های پزشکی، به وارد کردن داده های لازم به رایانه و تحلیل آنها بپردازند. در این شیوه عمل، پزشکان ابتدا با ثبت داده هایی از جمله ضربان قلب، فشار خون، شمارش گلبول های سفید خون، حضور ادواتی نظیر ضربان سازهای قلبی یا سایر دستگاه های تعبیه شده، دمای بدن دریافتی بیماران در رایانه، نرم افزار دستیار عمل خود را آماده سازی میکنند.

در این میان، تشخیص نهایی این بیماران نیز شامل اطلاعات داده شده به رایانه خواهد بود. در مرحله بعدی این الگوریتم رایانه به تحلیل داده های موجود برای ارتباط دادن علائم بیماری به تشخیص بیماری می پردازد در ۵۰ درصد موارد این نرم افزار می تواند ظرف کمتر از ۴ ثانیه یک پیشبینی محاسبه را با دقت ۹۹/۹۹ درصد انجام دهد.

در باقی موارد نیز این نرم افزار، بیش از ۸۰ درصد صحت عمل داشته است البته محققان به این مرحله بسنده نکرده و قصد دارند گام بعدی پروژه هوش مصنوعی خود را روی ۲۰۰ مورد از پرونده پزشکی بیمارانی اجرا کنند که رایانه اطالع از تشخیص نهایی آنها ندارد تشخیص عفونت های قلبی مشکل است اما اغلب می تواند آنها را با تجویز و مصرف حدود یک هفته آنتی بیوتیک معالجه کرد.

طراحی نرم افزاری برای هوش مصنوعی برای کمک به التیام زخم های باز

زخم های باز که پس از هفته ها یا ماه ها درمان در برابر التیام و بهبود مقاومت کرده معالجات را رد میکنند و به عنوان زخم های کم خون موضعی شناخته می شوند، راه تشخیص آسانی دارند اما در عوض به طرز نا امید کننده درمان دشوار را به همراه دارند و حتی به اعتقاد برخی پزشکان، اینگونه زخم ها هر درمانی را بی اثر می کند و انگار که هیچ درمانی برای التیام آنها صورت نگرفته است.

در همین ارتباط، گروهی از محققان، موفق به توسعه الگوریتمی ریاضیاتی شدند که می تواند زمان بسته شدن یک زخم باز از نوع کم خون موضعی و همچنین این را که چه عوارض و پیامدهای طی فرایند قطع جریان خون و بندآوری بروز می کند پیش بینی کند مدل های فعلی، زخم هایی را هدف می گیرند که در هر صورت بسته خواهند شد، و هدف توسعه مدلی برای زخم هایی است که نمی خواهند بسته شوند.

مواردی همچون زخم پای بیماران دیابتی زخم بیمارانی که به دلیل عوارض دیگری قبال فرایند بیمارستان را گذرانده اند، از موارد شایع و هدف زخم های باز محسوب میشود گروهی تحقیقاتی برای کمک به درمان زخم های موضعی، برنامه ایی را توسعه دادند که داده های بیماران را پردازش میکند؛ اطلاعاتی از قبیل غلظت خون، فاکتورهای رشد، حضور گلبول های سفید و تراکم فیبروبلاستی از جمله داده هایی است که به رایانه داده میشوند.

رایانه نیز با استفاده از این داده ها مدلی سه بعدی از زخم مربوط به ایجاد و چگونه التیام یافتن و بهبود سریع آن را حل میکند به عالوه زمان بسته شدن زخم را نیز تخمین می زند به ادعای محققان اکنون و بر اساس این مدل، یک زخم معمولی ظرف حدود ۱۳ روز بسته خواهد شد و این در حالی است که پس از گذشت ۲۰ روز تنها ۲۵ درصد از زخم های باز موضعی التیام و بهبود می یابند.

این اعداد و ارقام با آنچه عمال برای بیماران اتفاق می افتد، عمل می کند، اما در این میان نباید از نظر دور داشت که تا اینجای کار تنها در قالب تئوری استفاده شده و مدل حاضر هنوز روی بیماران انسانی امتحان نشده است.

به اعتقاد برخی محققان، فناوری هوش مصنوعی یا به عبارتی سامانه های شبیه ساز نحوه کارکردهای مغز خواه برای بهبود زخم و چه در مورد عفونت های قلبی به کار برده شوند، دست کم به این زودی ها جاب پزشکان واقعی را نخواهند گرفت.

این شبکه های عصبی مصنوعی نمی توانند بیماران را ببینند و نمیتوان آنها را برای یافتن علائم عفونت و آلودگی یا نشانه های مرضی مورد آزمایش قرار دهند؛ اما واقعیت این است که چنین برنامه هایی در مورد گیج کننده و مبهم که کار تشخیص بیماری با دشواری مواجه میشود و تشخیص صحیح و به موقع برای پزشک و بیمار بسیار حیاتی است، دستیاری قابل و مورد اطمینان برای متخصصان بالینی به شمار می رود.

تصویربرداری پزشکی در فضای ابری 

تصویربرداری پزشکی در فضای ابری، مفاهیم فنی مختلفی مانند اینترنت، پردازش ابری، داده های بزرگ، اینترنت اشیا، هوش مصنوعی، شبکه های اجتماعی، همکاری پزشکی و خدمات پزشکی از راه دور را ادغام میکند.

از پردازش ابری و فناوری های اینترنتی برای به دست آوردن داده های تصاویر پزشکی در زمان حال ارتقای همکاری بین موسسات پزشکی و به اشتراک گذاشتن داده های معاینات تصویربرداری پزشکی و پشتیبانی از سلامت بیماران استفاده می شود.

مزایای تصویربرداری پزشکی در فضای ابری 

تصویربرداری پزشکی در بستر ابری باعث بهتر شدن و ارتقاء صنعت پزشکی میشود. برنامه های تصویربرداری ابری و بهینه سازی فرآیند پزشکی، همکاری منابع پزشکی و توسعه اتحاد پزشکی را تسهیل می کند.

در طولانی مدت داده های بزرگ تصویربرداری را می توان با فناوری های جدید مانند پردازش ابری و هوش مصنوعی ترکیب کرد که ارزش این داده ها را به طور کامل کشف کند و تشخیص و درمان را بهبود ببخشد.

مزایای تصویربرداری پزشکی در فضای ابری برای بیمارستان ها 

این فناوری از اشتراک گذاری داده های تصویری در داخل و بین بیمارستان ها و مدیریت اطلاعات پزشکی و فنی و برنامه های سه بعدی تصاویر کلینیکی و تحقیقات علمی پشتیبانی می کند.

علاوه بر این ترکیب داده های بزرگ تصویربرداری با تله مدیسین، تشخیص بیماری از راه دور، و هوش مصنوعی میتواند تشخیص پزشکان و بنابراین شهرت بیمارستان را بهبود بخشد.

مزایای تصویربرداری پزشکی در فضای ابری برای بیماران می تواند به مشاوره، تشخیص بیماری و درمان آن کمک کند. بیماران به راحتی میتوانند خدماتی از جمله درمانهای پزشکی صرفه جویی در وقت و پول و کنترل سلامت خود را دریافت کنند.

مزایای تصویربرداری پزشکی در فضای ابری برای پزشکان کارایی و دقت تشخیص بیماری را بهبود می بخشد. ارتباطات موثر بین پزشکان و بیماران را افزایش میدهد. حوادث پزشکی را کاهش میدهد. رضایت بیمار و خدمات پزشکی را بهبود می بخشد.

رباتیک 

در این حوزه ربات ها ساخته و آموزش داده می شوند تا به شیوه های پیش بینی شده با انسان تعامل و ارتباط برقرار کنند ربات ها در حال حاضر به طور گسترده در کارخانجات به کار گرفته میشوند و فعالیت های بسیار دقیقی را مثل جوشکاری انجام می دهند.

ربات ها همچنین ارزش و کارایی بسزایی در اجرای فعالیت های خطرناک برای انسان دارند. نقش ربات ها و هوش مصنوعی در پزشکی با رشد و توسعه تکنولوژی و علم رباتیک ربات ها نقش مهمی را در زمینه پزشکی ایفا کردند.

با ایجاد ربات های پزشکی با استفاده از ربات و هوش مصنوعی می توان در زمینه های مختلف جراحی، دستیار پزشکان، بیومکانیک، نانو رباتیک و.. استفاده کرد که در ادامه به آنها پرداخته میشود.

امروزه استفاده از ربات ها و هوش مصنوعی در حوزه های مختلف پزشکی از ایجاد حفره های کوچک و بدون نیاز به روش های عمیق تا انجام عمل های جراحی پیچیده را امکان پذیر کرده است.

ربات توانبخشی 

ربات لوکومات تنها رباتی که در این حوزه برای درمان بیماران استفاده می شود از جمله مهمترین معیار طراحی ربات در این حوزه این است که در طول تمرین توان بخشی باید امکان حرکت طبیعی انسان سالم برای بیمار فراهم شود به این منظور که درجات آزادی ربات با سینماتیک راه رفتن انسان سالم در حد امکان تطابق داشته باشد.

ربات درمانی 

طبق مطالعه ای در مجله نیوانگلند نشان داده شده است که ربات های پزشکی می توانند به مردم کمک کنند تا سال ها بعد از سکته مغزی دست و پای خود را حرکت دهند. ربات درمانی برای اندام فوقانی می تواند حرکت دست افراد ناتوان را بهبود بخشد. با وجود روش های مختلف برای درمان بیماران سکته مغزی درمان با کمک ربات در بازسازی جنبش اندام دست بسیار تاثیر گذار بوده است. 

کپسول رباتیک 

این کپسول رباتیک بدون آسیب زدن به بافت به روده می چسبد به حدی چسبنده است که داخل روده محکم قرار میگیرد و به قدر کافی نرم است و آسیبی به بافت روده نمی رساند. این ربات چسبنده مانند یک قرص معمولی بلعیده می شود و در بدن حرکت می کند تا به روده برسد. چه رباتی امکان مشاهده دقیق و بدون درد را در داخل بدن فراهم می کند انجام بیوپسی ها و تحویل دارو ها و درمان قلب و سایر کاربردهای پزشکی درمانی را متحول میکند.

آخرین دستاورد های هوش مصنوعی در زمینه پزشکی 

پیش بینی زردی نوزادان پیش از تولد پیش بینی زردی قبل از تولد و ۴۸ ساعت بعد از تولد انجام شده که نتایج پیش بینی بیماری نمایانگر دقتی در حدود ۴۸ درصد است و در فاز دوم نوع زردی با استفاده از ابزارهای هوش مصنوعی مورد استفاده قرار گرفت.

هوش مصنوعی به جای پزشک در بخش مراقبت های ویژه تیم مهندسین سیستم های شفیلد اعلام کرد در حال ساخت یک سیستم کامپیوتری هوشمند هستند تا مانند مغز یک پزشک بیماران بخش مراقبت های ویژه را درمان کند که این سیستم بسیاری از حجم کاری گروه های فوریت های پزشکی را از طریق کنترل نشانه های حیاتی بیمار انجام می دهد و سپس آن را ارزیابی و مقدار مناسب داروهای مختلف مورد نیاز را به بیمار می رساند.

 طراحی نرم افزار کاهش دردهای نخاعی این نرم افزار راهکاری برای کاهش درد های نخاعی با استفاده از شبکه های عصبی دینامیک میباشد. مدل ارائه شده بیشتر به بیان درد حاد می پردازد و از توصیف درد مزمن عاجز است، همچنین این مدل برای کاهش درد با استفاده از تحریکات الکتریکی به کار میرود.

نرم افزار تشخیص هوشمند ناهنجاری ها در تصاویر پزشکی تصاویر پزشکی دارای رموز نهفته ای هستند که توسط افراد متخصص مربوطه تشخیص داده شده و تفسیر می شوند این سیستم نرم افزاری قادر است از تجارب قبلی بهره گیری کرده و با استفاده از تکنیک های هوش مصنوعی، ناهنجاریها را در تصاویر پزشکی تشخیص دهد و این سیستم تصاویر پزشکی را به همراه تشخیص های داده شده درباره آنها ارائه می دهد.

نقش هوش مصنوعی در تشخیص سرطان ها هوش مصنوعی میتواند برای شناسایی دقیق سرطان و طبقه بندی انواع آن مورد استفاده قرار گیرد.هوش مصنوعی علاوه بر نجات اکوسیستم می تواند جان انسان را نیز نجات دهد.

پزشکان از طریق هوش مصنوعی و یادگیری عمیق می توانند قبل از دیر شدن، سرطان را سریعا تشخیص دهند. از دیگر کاربردهای هوش مصنوعی در این حوزه پیش بینی تغییرات ژنومی از خصوصیات مورفولوژیکی ست که از اسلایدهای دیجیتال به دست می آیند.

الگوریتمی عمیق توسط تیم ژنومیک برای هوش مصنوعی ایجاد شده است که میتوانند تغییرات مولکولی را مستقیما از تصاویر بافت شناسی معمول در انواع مختلف تومورهای رایج را استنباط کند، و همچنین تومور و تمایز بافت نرمال درمان شده را شناسایی کنند.

تاثیر هوش مصنوعی در رادیولوژی تشخیصی پیشرفت های اخیر در زمینه های هوش مصنوعی از جمله توسعه شبکه های عصبی مصنوعی با کارایی بالا الگوریتم های قدرتمند یادگیری ماشین و توانایی محاسباتی قدرتمند مبتنی برابر، به تولید مقدار زیادی داده ی دیجیتال قابل خواندن توسط ماشین ها به وسیله ی مطالعات عکسبرداری رادیولوژیک و پرونده های پزشکی الکترونیکی، با هدف ایجاد برنامه های کاربردی که انتظار می رود پس از تایید پزشکی، روش انجام رادیولوژی تشخیصی کنونی را بهبود دهد.

پیش بینی هایی که این فناوری های جدید چه تغییرات نامطلوبی به وجود خواهند آورد و چگونه این تغییرات به وقوع خواهند پیوست، از منسوخ شدن رادیولوژیست ها در مدت زمانی نسبتا کوتاه تا تغییرات تدریجی که تا پایان آن انتظار می رود رادیولوژیست ها نقش اصلی در مراقبت های بهداشتی داشته باشند.

متوجه این موضوع شد و موسسه داده های علمی در سال ۲۰۱۷ با هدف کار با دولت، صنعت و دیگران برای هدایت و تسهیل در راستای توسعه و اجرای مناسب ابزار های هوش مصنوعی برای کمک به رادیولوژیست ها به منظور بهبود مراقبت عکسبرداری پزشکی، تشکیل شد.

نتیجه گیری 

از مطالعات مقالات و فعالیت هایی که تاکنون در حوزه پزشکی هوشمند انجام شده است مشاهده می شود که هدف هوش مصنوعی تقلید فعالیت های شناختی انسان است. هوش مصنوعی میتواند از الگوریتم های پیچیده برای یادگیری و پردازش حجم زیادی از اطلاعات استفاده کند و سپس با استفاده از این داده ها به تحلیل پیش بینی و تصمیم گیری بپردازد.

امروزه تکنولوژی هوش مصنوعی دیگر جزئی از فرایندها و کارهای ما شده است مخصوصا در زمینه پزشکی و درمان این فناوری میتواند با ایجاد الگوریتم ها و شبکه های خاص تصمیم گیری های پزشکی و درمان را به طور قابل توجهی بهبود ببخشد و همچنین بر طول درمان بیماران نظارت کرده و توصیه های جهت پیشرفت درمان به متخصصان و پزشکان می کند. در این مقاله اکتشافات جدید هوش مصنوعی در حوزه های پزشکی و مراقبت های بهداشتی را مورد بررسی قرار داده شده است.