مدل هوش مصنوعی یادگیری عمیق در شناسایی آسیب‌شناسی‌ها از انسان‌ها بهتر عمل می‌کند
در دنیای پزشکی، تشخیص زودهنگام و دقیق بیماری‌ها می‌تواند تفاوتی حیاتی میان زندگی و مرگ ایجاد کند. حالا، یک مدل هوش مصنوعی مبتنی بر یادگیری عمیق توانسته است در شناسایی بیماری‌ها از پزشکان پیشی بگیرد! این فناوری پیشرفته با تحلیل دقیق تصاویر پیچیده بافت‌های انسانی، نه‌تنها دقت تشخیص را به طور قابل‌توجهی افزایش می‌دهد، بلکه سرعت آن را نیز به طرز چشمگیری بهبود می‌بخشد. آیا این دستاورد می‌تواند آینده پزشکی را به‌کلی دگرگون کند؟ برای آشنایی بیشتر با جزئیات این فناوری نوین و بررسی تأثیرات آن بر سیستم‌های درمانی، با مجله بیوزوم همراه باشید!
یک مدل هوش مصنوعی (AI) «یادگیری عمیق» که در دانشگاه ایالتی واشنگتن توسعه‌یافته است، می‌تواند آسیب‌شناسی یا علائم بیماری را در تصاویر بافت حیوانی و انسانی بسیار سریع‌تر و اغلب دقیق‌تر از افراد شناسایی کند.
این توسعه که در گزارش‌های علمی (Scientific Reports) به‌تفصیل آمده است، می‌تواند سرعت تحقیقات مرتبط با بیماری را به طور چشمگیری افزایش دهد. همچنین این فناوری پتانسیل بهبود تشخیص‌های پزشکی را دارد، مانند تشخیص سرطان از تصاویر بیوپسی در مدت چند دقیقه، درحالی‌که این فرایند معمولاً برای یک آسیب‌شناس انسانی چندین ساعت زمان می‌برد.
برای توسعه مدل هوش مصنوعی، دانشمندان کامپیوتر، کالین گریلی (Colin Greeley) که دانشجوی سابق دانشگاه ایالتی واشنگتن (WSU) بوده و استاد مشاورش، لارنس هولدر (Lawrence Holder)، با استفاده از تصاویری از مطالعات اپی‌ژنتیک گذشته که توسط آزمایشگاه اسکینر انجام شده بود، مدل هوش مصنوعی را آموزش دادند. این مطالعات شامل علائم بیماری در سطح مولکولی در بافت کلیه، بیضه، تخمدان و پروستات از رت‌ها و موش‌ها بود. محققان سپس هوش مصنوعی را با تصاویری از مطالعات دیگر، از جمله مطالعات شناسایی سرطان سینه و متاستاز غدد لنفاوی، آزمایش کردند.
محققان متوجه شدند که مدل جدید یادگیری عمیق هوش مصنوعی نه‌تنها آسیب‌شناسی‌ها را با سرعت بالاتری شناسایی می‌کند، بلکه از مدل‌های قبلی نیز سریع‌تر عمل می‌کند و در برخی موارد توانسته است نمونه‌هایی را شناسایی کند که تیم انسانی آموزش‌دیده از آنها غافل مانده بود. هولدر، نویسنده همکار این مطالعه، گفت: «من معتقدم اکنون راهی داریم که بیماری‌ها و بافت‌ها را سریع‌تر و دقیق‌تر از انسان شناسایی کنیم».
به طور سنتی، این نوع تحلیل نیازمند کار سخت و دقیق تیم‌هایی از افراد ویژه آموزش‌دیده بود که با استفاده از میکروسکوپ، برش‌های بافتی را بررسی و حاشیه‌نویسی می‌کردند؛ اغلب برای کاهش خطای انسانی، کار یکدیگر را نیز بررسی می‌کردند.
در تحقیقات اسکینر (Skinner) در مورد اپی‌ژنتیک که شامل مطالعه تغییرات در فرایندهای مولکولی است که بر رفتار ژن تأثیر می‌گذارد بدون تغییر خود DNA، این تجزیه‌وتحلیل ممکن است یک سال یا حتی بیشتر برای مطالعات بزرگ طول بکشد. اسکینر گفت: «اکنون با استفاده از مدل جدید یادگیری عمیق هوش مصنوعی، آنها قادرند در عرض چند هفته همان داده‌ها را دریافت کنند.».
هولدر گفت: “یادگیری عمیق یک روش هوش مصنوعی است که سعی دارد عملکرد مغز انسان را تقلید کند، روشی که فراتر از یادگیری ماشین سنتی است. در عوض، یک مدل یادگیری عمیق با شبکه‌ای از نورون‌ها و سیناپس‌ها ساختاریافته است. اگر این مدل اشتباهی مرتکب شود، از آن “یاد می‌گیرد” و از فرایندی به نام بازپراکنش (Backpropagation) استفاده می‌کند تا تغییراتی در سراسر شبکه‌اش ایجاد کند و خطا را اصلاح کند، به‌طوری که دیگر آن را تکرار نکند.”
تیم تحقیقاتی، مدل یادگیری عمیق دانشگاه ایالتی واشنگتن (WSU) را به‌گونه‌ای طراحی کرد که قادر به پردازش تصاویر بسیار با وضوح‌بالا، در محدوده گیگاپیکسل باشد، به این معنی که این تصاویر میلیاردها پیکسل را شامل می‌شوند. برای مدیریت اندازه فایل‌های بزرگ این تصاویر که حتی بهترین کامپیوترها را نیز کند می‌کند، محققان مدل هوش مصنوعی را طراحی کردند تا کاشی‌های کوچک‌تر و منفرد را ببینند، اما همچنان آنها را در قسمت‌های بزرگ‌تر اما با وضوح پایین‌تر قرار دهند. به‌نوعی مانند بزرگ‌نمایی و کوچک‌نمایی روی میکروسکوپ عمل می‌کند. این مدل یادگیری عمیق هم‌اکنون توجه محققان دیگر را جلب کرده است و تیم هولدر در حال همکاری با محققان پزشکی دامپزشکی WSU برای تشخیص بیماری در نمونه‌های بافتی گوزن‌ها و آهو‌ها است.
نویسندگان همچنین به پتانسیل این مدل برای بهبود تحقیقات و تشخیص در انسان به‌ویژه سرطان و سایر بیماری‌های مرتبط با ژن اشاره می‌کنند. هولدر گفت تا زمانی که داده‌هایی مانند تصاویر مشروح شناسایی سرطان در بافت‌ها وجود داشته باشد، محققان می‌توانند مدل هوش مصنوعی را برای انجام این کار آموزش دهند.
هولدر گفت: “شبکه‌ای که ما طراحی کرده‌ایم از نظر فناوری پیشرفته است.” او افزود: “ما مقایسه‌هایی با چندین سیستم و مجموعه‌داده‌هایی دیگر برای این مقاله انجام دادیم و همه آنها را شکست داد”.
این مطالعه از حمایت بنیاد جان تمپلتون (John Templeton) بهره‌مند شد. اریک نیلسون (Eric Nilsson)، استاد دستیار پژوهشی WSU در دانشکده علوم زیستی، همچنین یکی از نویسندگان این مقاله است.
جمع‌بندی
مدل هوش مصنوعی مبتنی بر یادگیری عمیق که در دانشگاه ایالتی واشنگتن توسعه‌یافته، به‌تازگی توانسته است در شناسایی آسیب‌شناسی‌ها از انسان‌ها پیشی بگیرد. این مدل با تحلیل تصاویر بافت‌های انسانی و حیوانی، قادر است علائم بیماری را با سرعت و دقت بیشتری شناسایی کند. نتایج این تحقیق نشان می‌دهد که این فناوری می‌تواند زمان تشخیص بیماری‌ها، به‌ویژه سرطان، را به طرز چشمگیری کاهش دهد و به محققان اجازه دهد تا داده‌ها را در مدت‌زمان کوتاه‌تری نسبت به روش‌های سنتی تحلیل کنند. این پیشرفت نه‌تنها می‌تواند به بهبود تشخیص‌های پزشکی کمک کند، بلکه پتانسیل انقلابی در تحقیقات مرتبط با بیماری‌ها را نیز داراست.
