واحد توسعه تحقیقات بالینی بیمارستان امام خمینی (ره)

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؟

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.

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

بر اساس پژوهش انجام شده در این زمینه  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؟

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.

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.

سوال اصلی این است که آیا با پیاده‌سازی هوش مصنوعی در رادیولوژی و تفسیر اسکن‌ها توسط ربات، این فناوری در آینده جای رادیولوژیست‌ها را خواهد گرفت؟ پاسخ  به این سوال منفی است. از نظر او این امکان باعث جذب بیشتر دانشجویان پزشکی به زمینه‌ی رادیولوژی و افزایش رضایت شغلی خواهد شد.

 

ارایه  خدمات پیشرفته‌ی سلامت و بهبود دسترسی به خدمات در مناطق دورافتاده  از طریق هوش مصنوعی  

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

بر اساس نظر یکی از پژوهشگران در این زمینه 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.