تقریباً 40 سال است که از وقتی که برای اولین بار از یک ماشین تصویر برداری از تمام بدن با رزونانس مغناطیسی برای اسکن یک بیمار و تولید تصاویر با کیفیت تشخیص استفاده شد می‌گذرد. اسکنر و روشهای پردازش سیگنال مورد نیاز برای تهیه تصویر توسط تیمی از فیزیکدانان پزشکی از جمله جان مالارد، جیم هاچینسون، بیل ادلشتاین و تام ردپات در دانشگاه آبردین ابداع شده است، که منجر به استفاده گسترده از اسکنر MRI شد، و اکنون ابزاری همه گیر در بخش‌های رادیو لوژی در سراسر جهان است.
MRI در تشخیص پزشکی یک تغییر دهنده بازی است زیرا نیازی به قرار گرفتن در معرض اشعه یونیزه کننده مانند اشعه ایکس ندارد و می‌تواند تصاویری را بر روی مقاطع مختلف بدن با تعریفی عالی از بافت‌های نرم تولید کند. به عنوان مثال، برای اولین بار امکان مشاهده مستقیم نخاع توسط آن فراهم شد.
بسیاری معتقدند هوش مصنوعی که گاهی از آن با عنوان یادگیری ماشین نیز نام برده می‌شود، می‌تواند در روندهای کاری رادیولوژی اثرات عمیقی بر جای بگذارد. هوش مصنوعی می‌تواند گردش کار رادیولوژیست‌ها را بهینه کرده، کمی‌سازی را تسهیل کرده و در کشف نشانگرهای ژنومی کمک کند. افزودن اطلاعات حاصل از الگوریتم‌های هوش مصنوعی به گزارش‌ها و گردش کار، می‌تواند مراقبت از بیمار را به میزان چشمگیری بهبود بخشد. همچنین امکان کاهش زمان انتظار برای بیماران اورژانسی و قابلیت رادیولوژی از راه دور را فراهم می‌کند.
چرا رادیولوژی یک زمینه‌ی اصلی برای اجرای اهداف هوش مصنوعی در پزشکی است؟
یک ویژگی جذاب رادیولوژی، وجود مجموعه‌های بزرگ داده است. زمانی که در حوزه‌ی خدمات سلامت از داده صحبت می‌شود، منظور بیماران منحصربه‌فرد است. رادیوگرافی‌ها، سی‌تی اسکن و سونوگرافی آنها همگی در دسترس هستند. هر بار که بیمار به بیمارستان مراجعه می‌کند، رادیوگرافی قفسه سینه یا ماموگرافی که قبلا انجام داده برای انجام مقایسه در اهداف تشخیصی، در اختیار رادیولوژیست است. آنچه رادیولوژی را بسیار جذاب کرده، وجود داده‌های عینی است. تصاویری که همیشه در دسترس خواهند بود. جنبه‌ی تسهیل جمع‌آوری داده و امکان استفاده از آن در پرونده‌ی پزشکی بیمار، باعث جلب توجه ها به رادیولوژی شده است.
چگونه هوش مصنوعی و ربات‌ها رادیولوژی را برای رادیولوژیست‌ها کارآمدتر می‌کنند؟
وی شرح می‌دهد که در زمان بررسی نتیجه‌ی یک تصویربرداری، هرچه متخصص اطلاعات مرتبط بیشتری در رابطه با بیمار داشته باشد، می‌تواند تفسیر بهتری ارائه کند. مثلا اگر هنگام بررسی یک رادیوگرافی قفسه‌ی سینه، به جای فقط دانستن نام و سن بیمار، اطلاعاتی در مورد وضعیت سرفه، گلودرد و یا سابقه‌ی پنومونی او داشته باشد، تفسیر تشخیصی متفاوتی خواهد داشت. با این حال پرونده‌های سوابق پزشکی حاوی اطلاعات پراکنده‌ی بسیاری هستند و یافتن اطلاعات مرتبط با دسترسی راحت، همیشه امکان‌پذیر نیست.
وی در این رابطه به محصولاتی اشاره می‌کند که می‌توانند اطلاعات مرتبط و مورد نیاز را از پرونده پزشکی دریافت کرده و در اختیار رادیولوژیست قرار دهند. از این طریق صرفه‌جویی زیادی در زمان او و دقت بیشتری در تفسیر نتایج به همراه خواهند داشت.
نمونه‌ی عملی دیگر استفاده از هوش مصنوعی، شناسایی و هشدار وجود علائمی است که ممکن است از نظر رادیولوژیست پنهان بمانند. به عنوان مثال در انجام یک تست سی‌تی اسکن سر برای بیماری که خون‌ریزی مغزی فعال دارد، ممکن است نتایج اولیه‌ی اسکن سر یافته‌ی قابل‌توجهی را که نیازمند اقدام فوری باشد، نشان ندهند. در این موارد هوش مصنوعی می‌تواند هشداری برای تذکر به رادیولوژیست ایجاد کرده و کمک‌‌کننده باشد. در زمان‌هایی که به علت تعداد بالای بیمار و اسکن‌ها، پزشک توانایی رسیدگی فوری به تمام موارد را ندارد، این ویژگی هوش مصنوعی می‌تواند بسیار سودمند باشد.
استفاده از داده‌های چند منبعی در هوش مصنوعی
دکتر گوپتا ترکیب داده‌های حاصل از چند منبع مختلف را حالت ایده‌آلی برای اقدامات تشخیصی- درمانی آینده ذکر می‌کند. اگر هوش مصنوعی بتواند اطلاعاتی از تاریخچه بیمار را همزمان با یافته‌های رادیولوژی و اطلاعاتی از تست‌های آزمایشگاهی یک جا جمع‌آوری کند، نتایج چشمگیری به همراه خواهد داشت.این قابلیت می‌تواند بر جمعیت مبتلا و بررسی ریسک فاکتورهای بیماری‌های خاص نیز اثر بگذارد. تجهیز بیشتر با اطلاعات می‌تواند در جهت اقدامات پیشگیرانه‌ی سلامت اثرگذار باشد.
آیا هوش مصنوعی الگوها را بهتر از پزشک انسانی تشخیص می‌دهد؟
دکتر گوپتا این نکته را مطرح می‌کند که علیرغم عملکرد بسیار خوب هوش مصنوعی در شناسایی الگو، نیاز است که نتیجه توسط یک رادیولوژیست بازبینی شود. نمونه‌های شناخته شده‌ای از خطای عملکرد الگوریتم‌های هوش مصنوعی برای الگوها وجود دارد که در برخی سخنرانی‌ها و محافل علمی مطرح می‌شوند. یکی از این نمونه‌ها، خطای هوش مصنوعی در تفکیک تصویر صورت سگ نژاد چی‌واوا و مافین بلوبری است. در حال حاضر شناسایی الگو توسط هوش مصنوعی محدودیت‌هایی را نشان می‌دهد.
وی در ادامه می‌افزاید: فکر می‌کنم احتمالا یک یا دو سال دیگر زمان نیاز است تا الگوریتم‌های هوش مصنوعی به خوبی عامل انسانی، تشخیص را انجام دهند. حتی این احتمال وجود دارد که در حال حاضر هم در آن مرحله باشیم. در حال حاضر تعداد زیادی الگوریتم و محصول در سراسر جهان در حال گسترش است و افراد زیادی در حال کار روی محصولات مختلف هستند. به دشواری می‌توان با تمام پیشرفت‌های در حال انجام همراه شد. به همین دلیل فکر می‌کنم شاید الان هم به آن مرحله رسیده باشیم، اما اطلاع نداریم
با پیاده‌سازی هوش مصنوعی در رادیولوژی و تفسیر اسکن‌ها توسط ربات، این فناوری در آینده جای رادیولوژیست‌ها را خواهد گرفت؟
پاسخ دکتر گوپتا به این سوال منفی است. از نظر او این امکان باعث جذب بیشتر دانشجویان پزشکی به زمینه‌ی رادیولوژی و افزایش رضایت شغلی خواهد شد.
وی در این رابطه به چالش میزان بالای استفاده از تصویربرداری طی ده سال گذشته و کمبود رادیولوژیست نسبت به تقاضا اشاره می‌کند. هوش مصنوعی با انجام بخش زیادی از کارها، فرصت‌های بیشتری را برای رادیولوژیست‌ها برای پرداختن به کارهای دیگر فراهم می‌کند. نیازی به جستجوی صفحات بسیار، برای یافتن اطلاعات مهم بیمار نیست.
زمان‌های آزاد ایجاد شده، فرصت ارتباط بیشتر با پزشکان دیگر و صحبت در مورد سیر بالینی، یا ارتباط مستقیم با بیماران را فراهم می‌کند.به اعتقاد دکتر گوپتا این امکان باعث جذب بیشتر دانشجویان پزشکی به رادیولوژی می‌شود. زیرا فرصت استفاده از انفورماتیک و یادگیری ماشین را در کارهای روزمره خواهند داشت.
کووید-۱۹ تا چه حد محرک توسعه‌ی هوش مصنوعی بوده است؟
کووید-۱۹ به روشهای مختلفی نقش یک پیش‌ران بسیار سریع را برای هوش مصنوعی و رادیولوژی ایفا کرده است. شرکت‌های مختلفی به دنبال تشخیص پنومونی معمول از پنومونی ناشی از کووید هستند. برای این منظور الگوریتم‌های هوشمندی را برای شناسایی الگوهای موجود در تصاویر سی‌تی اسکن یا رادیوگرافی قفسه سینه طراحی می‌کنند.
پروژه‌های مختلفی نیز برای مرتبط ساختن نتایج تست سواب با رادیوگرافی قفسه سینه و سی‌تی اسکن انجام شده است. هوش مصنوعی می‌تواند برای ارزیابی سریع حجم زیادی از داده در تعدادی زیادی از بیماران انجام شود. به این ترتیب می‌توان پایگاه داده‌های ارزشمندی نیز ایجاد کرد.
دکتر گوپتا در این مورد به یکی از محصولات شرکت cure.ai که به عنوان مدیر ارشد در آن فعالیت دارد اشاره می‌کند. این محصول با استفاده از رادیوگرافی قفسه سینه و الگوهای آن، ریسک کم، متوسط و بالای بیمار را برای ابتلا به کووید-19 تعیین می‌کند. محصول ارائه‌شده در کشورهایی که دسترسی کمتری به سواب و تست PCR دارند و جایی که انجام رادیوگرافی اشعه ایکس ارزان‌تر از سواب است کاربرد دارد. می‌توان سواب را فقط برای بیماران با خطر بالا استفاده کرد.
پیش از همه‌گیری کووید نیز هوش مصنوعی حوزه‌های کاری جالب و هیجان‌انگیز بسیاری در رادیولوژی داشت. اما این چالش جهانی زمینه‌های بیشتری را به وجود آورده و پروژه‌های جدیدی در جهات مختلف ایجاد شده و در حال بررسی هستند.
هوش مصنوعی از چه طریقی می‌تواند به خدمات پیشرفته‌ی سلامت و بهبود دسترسی به خدمات در مناطق دورافتاده کمک کند؟
دکتر گوپتا به مشکلات متعدد در بسیاری از کشورهای جهان به ویژه مناطق محروم اشاره می‌کند. در بسیاری از نقاط بیماران به رادیولوژیست و تجهیزات مناسب دسترسی ندارند. در مناطق خاصی از افریقا نسبت رادیولوژیست به تعداد بیماران، یک به یک میلیون است. علاوه بر این، هر یک از این یک میلیون بیمار در طول عمر خود ممکن است چندین اسکن و مطالعه‌ی تصویربرداری داشته باشند.
مشکلات سخت‌افزاری مانند اتاق‌های کنترل اسکنر MRI و ایمن نگه داشتن ماشین‌آلات در محیط‌های با آب و هوای نامناسب مانند جنوب صحرای افریقا نیز مطرح است. مسئله‌ی قابل ذکر دیگر نیاز به دسترسی مداوم به اینترنت، کامپیوتر و برق است. بخش‌های بزرگی از جهان دچار مشکل قطعی برق غیرقابل پیش‌بینی هستند.
این مسائل منجر به زمینه‌های کاربردی بالقوه‌ی بسیاری می‌شود که در آنها هوش مصنوعی می‌تواند تفاوت معناداری برای بیماران ایجاد کند.
به عنوان مثال روشهای ذخیره‌سازی مبتنی بر ابر، اطلاعات اسکن بیماران را حفظ می‌کنند. در زمان قطعی برق غیرقابل پیش‌بینی یا هر اتفاقی در حین اسکن، اطلاعات در ابر نگهداری شده و در دسترس خواهند بود. به همین ترتیب می‌توان بسیاری از پردازش‌های هوشمند را به ابر منتقل کرد.
یک سازمان غیرانتفاعی با نام Rad- Aid سرورهایی دارد که در ابعاد کوچک، به صورت قابل حمل و مقاوم در برابر دما ایجاد شده‌اند. این سرورها قابل انتقال و جابجایی بوده و با کمک آنها می‌توان از رادیولوژی حتی در مکان‌هایی که مخصوص انجام رادیولوژی نیستند، استفاده کرد.
در بخش دیگر، هوش مصنوعی می‌تواند در تفسیر تصویر و تریاژ بیماران استفاده شود. در زمان‌هایی که یک رادیولوژیست باید پاسخگوی هزاران بیمار باشد، هوش مصنوعی می‌تواند به کمک بیاید. هوش مصنوعی اسکن بیماران را تفکیک کرده و موارد مشکوک را، خواه مربوط به کووید-۱۹ و خواه سل یا سرطان، مشخص می‌کند. از این طریق رادیولوژیست می‌تواند تمرکز خود را فقط بر اسکن‌هایی بگذارد که دارای یافته‌های مثبت بوده و نیاز به درمان دارند. با این کار می‌توان درمان را برای بیماران با بیشترین نیاز، تسریع کرد.هوش مصنوعی امکانات زیادی فراهم می‌کند و دسترسی مردم به خدمات سلامت را بهبود می‌بخشد.
چالش‌ها و فرصت‌های استفاده از اپلیکیشن‌های تلفن همراه در رادیولوژی
دکتر گوپتا در این رابطه به خدماتی همچون اولتراسوند تلفن همراه، اولتراسوند مراقبت در محل و اولتراسوند باترفلای (Butterfly) اشاره می‌کند. اولتراسوندهای پروانه، دستگاه‌های سونوگرافی دستی دارند که قابلیت اتصال به آیفون و آیپد و جابجایی آسان را دارند. این امکانات دسترسی را برای بیماران و پزشکان در سراسر جهان افزایش می‌دهد.برخی از دانشگاه‌ها این ابزارها را برای آموزش بهتر دانشجویان پزشکی جدیدالورود خود در اختیار آنها قرار می‌دهند.
وجود تنوع در داده‌های مورد نیاز الگوریتم‌های هوش مصنوعی
برای اینکه الگوریتم‌های هوش مصنوعی بتوانند در بیمارستان‌ها و مناطق مختلف قابل اجرا باشند، باید با داده‌های متنوعی آموزش ببینند. این دادهها باید اطلاعات بیماران قشرهای مختلف را شامل شوند.
در تعریف تنوع دادهها، تجزیه نژادی متفاوت بیماران، جنسیت‌های مختلف، سنین مختلف و حتی دسترسی متفاوت به غربالگری خدمات سلامت مطرح می‌شود. دکتر گوپتا برای تصریح این موضوع، بیمارستان تمپل (Temple Hospital) در فیلادلفیا را با بیمارستان هاروارد مقایسه می‌کند. در بیمارستان تمپل بیماران به غربالگری‌های معمول سلامت دسترسی ندارند. و گاهی به دلیل عدم غربالگری، زمانی که علائم بالینی بیماری بروز می‌کند، به بیمارستان مراجعه می‌کنند. اما در بیمارستان هاروارد دسترسی به غربالگری برای بیماران فراهم است. این تفاوت کاری باعث متفاوت شدن مشخصات جمعیتی بیماران می‌شود.
همه‌گیری کووید- ۱۹ به ما نشان داده که خدمات سلامت با مشکلات و چالش‌های بسیاری مواجه است. این نکته باعث برجسته شدن این مفهوم می‌شود که فرصت‌های بسیاری برای پیشرفت وجود دارد. با کمک پزشکانی که از بیماران مراقبت می‌کنند می‌توان این مشکلات و چالش‌ها را شناسایی کرد. این ارتباط، حلقه‌ی مفقوده‌ی این زنجیره است.
جالب‌ترین فرصت‌ها برای اپلیکیشن‌ها در رادیولوژی و رادیولوژی از راه دور چیست؟
دکتر گوپتا پیش‌بینی می‌کند برنامه‌هایی که قادر به افزایش کارایی رادیولوژیست‌ها و کمک به تریاژ هستند و برنامه‌هایی که هشداری در مورد سابقه‌ی بیماران فراهم می‌کنند، موفق خواهند بود.
(این موضوعات برای ما به عنوان رادیولوژیست بسیار هیجان‌انگیز هستند، زیرا اگر این روش به نتیجه برسد، برای بسیاری مسائل ما از جمله فرسودگی شغلی مفید خواهد بود. کاهش حجم کاری باعث می‌شود رادیولوژیست‌ها فرصت داشته باشند با بیمار یا پزشک مراقب بیمار در مورد وضعیت بیماری صحبت کنند.)
منبع: medlean