امروزه استفاده از شبکه‌های عصبی هوشمند در تشخیص و درمان بیماری‌ها به متخصصین کمک می‌کند و حتی گاهی عملکرد بهتری دارد.
پژوهشگرها برای اولین بار نشان داده‌اند که یک نوع هوش مصنوعی یا یادگیری ماشین موسوم به شبکه‌ی عصبی کانولوشن یادگیری عمیق (CNN) نسبت به متخصصین باتجربه در تشخیص سرطان پوست عملکرد بهتری دارد.
در یک بررسی که در مجله‌ی معتبر سرطان، Annals of Oncology (تاریخچه‌ی تومورشناسی) منتشر شده است، پژوهشگرها در آلمان، ایالات‌متحده و فرانسه، شناسایی سرطان پوست را با نمایش بیش از ۱۰٬۰۰۰ تصویر تومور بدخیم (مهلک‌ترین شکل سرطان پوست) و همین‌طور خال‌های بی‌خطر (خال مادرزادی) به CNN آموزش دادند. آن‌ها عملکرد CNN را با بیش از ۵۸ متخصص بین‌المللی مقایسه کردند و به این نتیجه رسیدند که خطای CNN در نادیده گرفتن تومورها و تشخیص نادرست آن در خال‌های بی‌خطر نسبت به متخصص‌های پوست کمتر بوده است.
تومور پوستی
CNN یک شبکه‌ی عصبی مصنوعی است که با الهام از فرآیندهای بیولوژیکی و اتصال سلول‌های عصبی (نورون‌ها) به یکدیگر در مغز و واکنش به بینایی چشم ساخته شده است. سرعت یادگیری CNN بالا است و برای بهبود عملکرد می‌تواند به خود آموزش دهد (فرآیندی به نام یادگیری ماشین).
مؤلف اول این مقاله، پروفسور هولجر هانسل، فیزیک‌دان و مدیر ارشد بخش امراض پوستی دانشگاه هایدلبرگ آلمان می‌گوید:
عملکرد CNN مشابه عملکرد مغز یک کودک است. برای آموزش به آن، بیش از ۱۰٬۰۰۰ تصویر از سرطان‌های پوستی خوش‌خیم و بدخیم و خال‌های بی‌خطر و تشخیص مرتبط با هر تصویر را نمایش دادیم. برای این کار تنها از تصاویر درماتوسکوپی استفاده شده که شامل ضایعات پوستی با بزرگ‌نمایی ده برابر است. CNN با یادگیری هر تصویر توانایی خود را برای تفکیک بین ضایعات بدخیم و خوش‌خیم بهبود می‌دهد. پس از پایان آموزش، دو مجموعه‌ی تست از تصاویر کتابخانه‌ی هایدلبرگ را ایجاد کردیم که قبلا در هیچ دوره‌ی آموزشی از آن‌ها استفاده نشده بود و برای CNN ناشناخته بودند. یک مجموعه شامل ۳۰۰ تصویر صرفا برای تست عملکرد CNN ایجاد شد. قبل از انجام این تست هم ۱۰۰ عدد از دشوارترین ضایعات برای تست در اختیار متخصصین واقعی قرار گرفت تا نتایج متخصصین با نتایج CNN مقایسه شوند.
متخصصین سراسر دنیا به مشارکت در این آزمایش دعوت شدند از ۵۸ کشور، ۱۷ کشور این دعوت را پذیرفتند. از میان ۵۸ کشور، ۱۷ کشور (۲۹%) کمتر از دو سال تجربه‌ی درماتوسکوپی (بررسی اختلال‌های پوستی با دستگاهی به نام درماتوسکوپ) داشتند، ۱۱ کشور (۱۹%) بین دو تا پنج سال تجربه و ۳۰ کشور (۵۲%) بیش از پنج سال تخصص داشتند.
از متخصص‌ها درخواست شد تومور بدخیم یا خوش‌خیم را از روی تصاویر درماتوسکوپی تشخیص دهند (سطح ۱) و در مورد مدیریت شرایط (جراحی، درمان کوتاه‌مدت یا عدم نیاز به درمان) تصمیم بگیرند. در مرحله‌ی بعدی، چهار هفته بعد اطلاعات پزشکی در مورد بیمار (شامل سن، جنسیت و موقعیت عارضه) و تصاویر نزدیک از ۱۰۰ نمونه‌ی مشابه در اختیار آن‌ها قرار گرفت (سطح ۲) و از آن‌ها خواسته شد تصمیم‌های مدیریتی و تشخیص را اتخاذ کنند.
متخصص‌های پوست در سطح ۱، موفق به کشف ۸۶.۶ درصد تومور شدند و به درستی میانگین ۷۱.۳ درصد ضایعه‌های غیربدخیم را شناسایی کردند. بااین‌حال، وقتی CNN در سطح یک تنظیم شد (۷۱.۳ درصد تشخیص صحیح متخصص‌ها)، موفق به کشف ۹۵ درصد از تومورها شد. در سطح ۲، متخصص‌ها عملکرد خود را بهبود دادند و توانستند به ۸۸.۹ درصد تشخیص صحیح تومور بدخیم و ۷۵.۷% مورد غیرسرطان دست پیدا کنند.
به گفته‌ی پروفسور هانسل:
CNN تعداد کمی از تومورها را از دست داد و این به معنی حساسیت بالاتر این سیستم نسبت به متخصص‌های پوستی است، این شبکه در مورد خال‌های خوش‌خیم هم خطای کمتری داشت و این به معنی تخصص بالاتر این شبکه است؛ خطای کمتر جراحی‌های غیرضروری را کاهش می‌دهد. عملکرد متخصص‌های پوستی با دریافت اطلاعات پزشکی و تصاویر بیشتر در سطح ۲، بهبود پیدا کرد. بااین‌حال، توانایی تشخیص CNN که فقط از روی تصاویر درماتوسکوپی کار می‌کرد و هیچ اطلاعات پزشکی بیشتری را دریافت نکرده بود از پزشک‌ها بیشتر بود.
متخصص‌های حرفه‌ای در سطح یک عملکرد بهتری نسبت به متخصص‌های کم‌تجربه داشتند و در کشف تومورهای بدخیم بهتر عمل کردند. بااین‌حال، توانایی میانگین آن‌ها برای تشخیص صحیح در هر دو سطح کمتر از CNN بود. به گفته‌ی هانسل این یافته‌ها نشان می‌دهند شبکه‌های یادگیری عمیق کانولوشنال نسبت به متخصص‌های پوستی در کشف تومورها عملکرد بهتری دارند.
تومورشناسی
شیوع تومورهای بدخیم در حال افزایش است به‌طوری‌که بر اساس آمار هر سال در سراسر جهان ۲۳۲٬۰۰۰ نمونه مبتلا می‌شوند و از این میان ۵۵٬۵۰۰ نفر می‌میرند. این تومورها در صورت تشخیص به‌موقع قابل‌درمان هستند اما بسیاری از موارد زمانی تشخیص داده می‌شوند که سرطان پیشرفت کرده و درمان آن دشوارتر شده است.
به گفته‌ی پروفسور هانسل:
من به مدت بیست سال در پروژه‌های پژوهشی با هدف بهبود کشف زودهنگام تومور در مراحل قابل درمان مشارکت داشتم. من و گروهم بر فناوری‌های غیرتهاجمی کار کردیم که با استفاده از آن‌ها پزشک‌ها هیچ توموری را در طول معاینه‌ی سرطان پوست از دست نمی‌دهند. وقتی به گزارش‌های اخیر در مورد الگوریتم‌های یادگیری عمیق برخورد کردم که در یک مجموعه وظایف مشخص عملکرد بهتری نسبت به افراد متخصص دارند، بلافاصله به این نتیجه رسیدم که برای تشخیص تومور نیاز به بررسی الگوریتم‌های هوش مصنوعی داریم
پژوهشگرها انتظار ندارند CNN در تشخیص سرطان پوست از متخصص‌های پوستی سبقت بگیرد اما می‌توان از آن به‌عنوان یک ابزار کمکی استفاده کرد. به گفته‌ی هانسل CNN می‌تواند به‌عنوان یک وسیله‌ی کمکی در معاینه‌ی سرطان و تصمیم‌گیری در مورد بافت‌برداری ضایعه به پزشک‌ها کمک کند. اکثر متخصص‌های پوستی از سیستم‌های درماتوسکوپی دیجیتالی برای تصویربرداری و ذخیره‌سازی ضایعات برای مستندات و اقدامات بعدی استفاده می‌کنند. CNN به‌سادگی و به‌سرعت می‌تواند تصویر ذخیره شده را به‌منظور ارائه‌ی یک نظر کارشناسانه در مورد احتمال تومور ارزیابی کند. در حال حاضر تیم هانسل مشغول برنامه‌ریزی پژوهش‌های مربوطه برای ارزیابی تأثیر واقعی CNN برای بیمارها و پزشک‌ها است.
CNN می‌تواند ابزار کمکی پزشک باشد نه لزوما جایگزین آن
این مطالعه با محدودیت‌هایی روبه‌رو است برای مثال متخصص‌ها در شرایط مصنوعی قرار گرفتند و می‌دانستند تصمیم آن‌ها، تصمیم مرگ یا زندگی نیست؛ مجموعه‌های تست هم طیف کاملی از ضایعات پوستی را دربر نمی‌گرفتند؛ تعداد تصاویر برای سوابق ژنتیکی متفاوت و انواع غیرسفیدپوست کمتر بود؛ و پزشک‌ها همیشه به توصیه‌ی CNN عمل نمی‌کنند زیرا کاملا به آن اعتماد ندارند. دکتر ویکتوریا مار (دانشگاه موناش، ملبورن استرالیا) و پروفسور اچ. پیتر سویر (دانشگاه کویینزلند، بریسبین، استارلیا) در یک مقاله‌ی مشترک می‌نویسند:
در حال حاضر تشخیص پزشکی تومور به تجربه و آموزش پزشک معالج وابسته است. هانسل و همکاران نشان می‌دهند یک الگوریتم کامپیوتری با استفاده از شبکه‌های عصبی کانولوشنال نسبت به اکثریت ۵۸ متخصص عملکرد بهتری دارد. این نتیجه به این معنی است که هوش مصنوعی (AI) نویدبخش سطح استانداردی از دقت پزشکی خواهد بود به‌طوری‌که تمام افراد صرف‌نظر از موقعیت زندگی و پزشک معالج می‌توانند به امکانات تشخیص مطمئن دسترسی داشته باشند.
آن‌ها در این مقاله تأکید می‌کنند قبل از استانداردشدن AI در کلینیک‌های پزشکی، مشکلاتی مثل دشواری پردازش تصویر برخی تومورها در محل مثل انگشت دست، انگشت پا و پوست فرق سر و روش یادگیری AI برای تشخیص تومورهای غیرمعمولی و تومورهایی که بیمار از آن‌ها ناآگاه است باید برطرف شوند.
نتیجه‌ی نهایی: در حال حاضر هیچ جایگزینی برای بررسی پزشکی دقیق وجود ندارد. بااین‌حال، عکاسی دوبعدی و سه‌بعدی بدن می‌تواند ۹۰ تا ۹۵ درصد از سطح پوست را ثبت کند و با استفاده از فناوری پردازش تصویر به‌زودی، تشخیص خودکار الگوی تشخیص امراض پوستی را متحول خواهد کرد؛ اما هنوز راه زیادی تا پیاده‌سازی ایمن این فناوری هیجان‌انگیز در درمان روزمره‌ی پزشکی باقی مانده است.