با پیشرفت روز افزون یادگیری عمیق، این حوزه از قابلیت تغییر در آینده علم پزشکی برخوردار شده است.

به دلیل پیشرفت و قابلیت های هوش مصنوعی ، این رشته امروزه در اموری همچون تشخیص سرطان مورد استفاده قرار می گیرد.

یادگیری عمیق امکان دید رایانه، تصویر برداری و تشخیص دقیق در علم پزشکی را فراهم می نماید.

در گزارشی به نقل از Report Linkers بیان شد که انتظار می رود بازار هوش مصنوعی در صنعت پزشکی از 2/1 میلیارد دلار در سال ۲۰۱۸ ، در سال، ۲۰۲۵ به ۳۶ میلیارد دلار برسد.

به همین دلیل در این مقاله به تأثیرات یادگیری عمیق بر روی‌ صنعت و مراقبت های پزشکی و بهداشتی خواهیم پرداخت.

لازم استفاده از دیپ لرنینگ و هوش مصنوعی ، تسلط بر پایتون است.

بنابراین بهتر است هرچه سریع تر شروع به آموزش پایتون در مگا پایتون نمایید

 

تأثیر یادگیری عمیق در آینده علم پزشکی

امروزه یادگیری عمیق و هوش مصنوعی در صنایع مختلف به محبوبیت زیادی دست یافته است.

ممکن است این سوال برای تان پیش بیاید که یادگیری عمیق در چند سال آینده چه تأثیری ‌بر زندگی ما خواهد گذاشت.

یادگیری‌عمیق در زمینه پزشکی‌ بیشتر در جهت تجزیه و تحلیل داده ها از تصاویر و یا متن استفاده شده است.

همچنین یادگیری‌عمیق‌ در جهت پیش بینی دامنه وسیعی از مشکلات و‌ نتایج بالینی کاربرد داشته است.

به این صورت می توان گفت یادگیری عمیق آینده درخشانی در زمینه علم پزشکی خواهد داشت.

تأثیر فراوان دیپ لرنینگ در علم پزشکی تحت تأثیر دو عامل مهم می باشد:

1. رشد گسترده تکنیک های یادگیری عمیق به ویژه در روش های یادگیری بدون نظارت در حوزه هایی مانند فیس بوک و گوگل
2. افزایش چشمگیر داده های مراقبت پزشکی در دیپ لرنینگ

 

 

کاربرد یادگیری عمیق در سوابق سلامت الکترونیکی

سیستم های سلامت الکترونیکی داده های مرتبط با بیمار مانند اطلاعات دموگرافیک، سوابق پزشکی و نتایج آزمایش ها را ذخیره می نمایند.

سیستم سلامت الکترونیکی به وسیله الگوریتم های دیپ لرنینگ موجب بهبود تشخیص صحیح و زمان لازم جهت تشخیص بیماری ها شده اند.

این الگوریتم ها با استفاده از داده های ذخیره شده در سیستم سلامت الکترونیک، الگو های روند سلامت و عوامل خطر زا را تشخیص می دهند و با کمک این الگو های شناسایی شده اقدام به نتیجه گیری می نمایند.

همچنین محققین می توانند با استفاده از داده های موجود در سیستم سلامت الکترونیک در اقدام به ساخت مدل های یادگیری عمیق نموده  و همچنین اقدام به پیش بینی بروز برخی از نتایج مرتبط با سلامتی نمایند.

 

اصلی ترین روش های استفاده از داده های سیستم سلامت الکترونیک

روش پیش بینی استاتیک

در روش پیش بینی استاتیک، احتمال وقوع یک رویداد بر اساس مجموعه داده های محققین از سیستم طبقه بندی بین المللی بیماری ها و مشکلات بهداشتی پیش بینی می شود.

برای مثال Choi و همکارانش مدلی را بر مبنای داده های سیستم سلامت الکترونیک و میزان مراجعه به بیمارستان بررسی نمودند.

بر اساس این داده ها، سیستم اقدام به پیش بینی میزان بروز نارسایی قلبی نمود.

 

 

روش‌ پیش بینی بر اساس مجموعه ای از ورودی ها

از داده های سیستم سلامت الکترونیک در جهت پیش بینی مبتنی بر مجموعه ورودی ها استفاده شده است.

این پیش بینی را می توان با هر ورودی و یا با کلیه مجموعه داده ها انجاد داد.

مثلا choi و همکارانش مدلی را با این روش توسعه دادند که این مدل با کمک شبکه عصبی مصنوعی، زمان مراجعه بعدی به بیمارستان و علت آن را پیش بینی می نماید.

 

بررسی اصلی ترین کاربرد های دیپ لرنینگ در پزشکی

روش های یادگیری عمیق با استفاده از داده های ذخیره شده در سوابق سیستم های الکترونیکی جهت رفع بسیاری از نگرانی های مورد نیاز مراقبت پزشکی مانند کاهش میزان تشخیص نادرست و یا پیش بینی مراحل استفاده می نمایند.

با کمک پردازش مقدار زیادی از منابع مختلف همانند تصویر برداری پزشکی و شبکه عصبی مصنوعی می توان به پزشکان در جهت تجزیه و تحلیل اطلاعات و تشخیص چندین بیماری کمک کرد:

1. بررسی و تجزیه و تحلیل نمونه خون
2. تجزیه و تحلیل سطح گلوکز در بیماران مبتلا به دیابت
3. بررسی و تشخیص مشکلات قلبی
4. بررسی تصاویر در جهت تشخیص تومور
5. بررسی و تشخیص سلول های سرطانی و تشخیص سرطان
6. تشخیص ارتروز به کمک MRI و پیش از شروع آسیب

 

کاربرد یادگیری عمیق در تشخیص سرطان

انکولوژیست ها در سالیان اخیر از روش های تصویر برداری‌ همانند توموگرافی کامپیوتری، تصویر برداری با رزونانس مغناطیسی و اشعه ایکس استفاده می نمایند.

این سیستم ها‌ برای تشخیص بسیاری از سرطان ها کاربردی می باشند اما برخی از سرطان ها نیز با این دستگاه قابل تشخیص نمی باشند.

شبکه های عصبی مانند شبکه پیچشی، به وعده های مرتبط با آینده تشخیص سرطان، تحقق بخشیده است.

بر اساس تصاویر پزشکی، شبکه های عصبی مصنوعی قادر به تشخیص سرطان در مراحل اولیه با درصد خطای پایین تر می باشند و به این صورت برای بیمار نتیجه بهتری را رغم می زنند.

در سال های اخیر دانشمندان در آموزش مدل های مختلف از یادگیری عمیق جهت تشخیص انواع مختلف سرطان با دقت بالا به موفقیت عظیمی دست یافتند.

سیستم های بر پایه یادگیری عمیق با تقلید از روند فکری انسان و با استفاده از الگوریتم شبکه عصبی قادر به تصمیم گیری و اجرای دستوراتی می باشند.

لایه های عصبی سیستم های یادگیری عمیق به دست مهندسین ساخته نمی شوند

این داده ها اطلاعاتی می باشند که باعث بهبود روند یادگیری الگوریتم ها شده اند.

در مطالعه منتشر شده توسط Nvidia هشتاد و پنج درصد تشخیص نادرست سرطان سینه به کمک یادگیری عمیق کاهش یافته است.

فردی به نام Hossam Haick با بررسی هم اتاقی خود که مبتلا به سرطان خون بود، توانست برای درمان سرطان وسیله ای ایجاد کند.

 بر این اساس دانشمندان دیگر توانستند مدل شبکه عصبی را آموزش دهند تا بر اساس بوی تنفس بیماران قادر به تشخیص ۸۵ درصدی بیماری باشد.

محققین Enlitic وسیله ای معرفی کردند که با پیشی گرفتن از توانایی رادیولوژیست های متخصص در تشخیص سرطان ریه، قادر به تشخیص  دقیق تر از تشخیص انسان باشد.

همچنین دانشمندان گوگل با طراحی مدل شبکه عصبی پیچشی، اقدام به تشخیص سریع تر و دقیق‌تر سرطان پستان متاستاز نمودند که این مدل به موفقیت ۹۹ درصدی رسید.

 

کاربرد یادگیری عمیق در پیش بینی و درمان بیماری 

در سال ۲۰۰۶ هزینه بستری بیمارانی که مبتلا به بیماری قابل پیشگیری بودند به ۳۰ میلیارد دلار در آمریکا رسید.

بیشتر بیماران مبتلا به بیماری قلبی و دیابت بودند.

به کمک دیپ لرنینگ میتوان موجب بهبود میزان تشخیص و همچنین مدت زمان لازم و پیش آگاهی شد.

این اتفاق موجب کاهش یافتن بستری شدگان شد.

 

تأثیر یادگیری عمیق در رتینوپاتی دیابتی

در کشور های در حال توسعه بیش از ۴۱۵ میلیون نفر مبتلا به بیماری نابینایی به نام رتینوپاتی دیابتی می باشند که این بیماری ازعوارض دیابت است.

یادگیری‌عمیق موجب پیشگیری در بروز این بیماری خواهد شد.

مدل شبکه عصبی با داده های گرفته شده از تصویر برداری شبکیه، قادر به تشخیص خونریزی ، علائم اولیه و شاخص ها رتینوپاتی دیابتی می باشد.

معمولا بیماران دیابتی به دلیل تغییرات شدید سطح قند خون به این بیماری دچار می شوند. با این وجود می توان سطح گلوکز بیماران دیابتی را کنترل نمود.

یک مدل دیپ لرنینگ می تواند از این داده ها جهت پیش بینی زمان افزایش و کاهش سطح گلوکز خون بیماران استفاده نموده و به آن ها اجازه دهد تا با خوردن میان وعده پر قند و یا تزریق انسولین عکس العمل نشان دهند.

 

تأثیر دیپ لرنینگ در ویروس نقص سیستم ایمنی (HIV)

امروزه بیش از ۳۶ ملیون نفر در جهان به این ویروس مبتلا می باشند و برای درمان این بیماری نیاز به دریافت دوز روزانه دارو های ضد ویروس می باشند.

سرعت جهش HIV بسیار بالا می باشد بنابراین جهت ادامه روند درمان این بیماری لازم است دارو های تجویز شده بیماران را به صورت مرتب تغییر دهیم.

یادگیری عمیق کمک شایان توجهی در مقابله با این بیماری می نماید.

در این روش، مدل های پیچشی با استفاده از هر دوز می توانند نشانگر های زیستی را ردیابی کنند و بهترین مسیر را جهت درمان این بیماری فراهم نمایند.

تیم محققین دانشگاه تورنتو ابزاری‌به نام DeepBind ایجاد نموده اند که در آن یک مدل پیچشی داده های ژنومی را دریافت نموده و توالی پروتئین های اتصال دهنده DNA, RNA را پیش بینی می نمایند.

محققین می توانند با استفاده از DeepBind جهت ایجاد مدل های رایانه ای استفاده نمایند که تأثیر تغییرات در توالی DNA را نشان می دهد.

آن ها با کمک این اطلاعات می توانند ابزار ها و دارو های تشخیصی را توسعه دهند.

 

بررسی حریم خصوصی استفاده از یادگیری عمیق در صنعت بهداشت و پزشکی

در این مقاله به بررسی مزایای استفاده از دیپ لرنینگ در پزشکی و تشخیص و درمان بیماری ها پرداخته شد. استفاده از دیپ لرنینگ در پزشکی ریسک هایی نیز به دنبال خواهد داشت.

بسیاری از داده های ذخیره شده در سیستم ها، شامل اطلاعات شخصی بیماران بوده که بسیاری از آنها تمایلی به درج این اطلاعات ندارند و تمایل دارند تا کلیه این اطلاعات محرمانه باقی بماند.

به دلیل برخورداری سیستم سلامت الکترونیک از این اطلاعات شخصی و آسیب پذیری آن، لازم است به خفاظت از حریم شخصی بیماران توجه شود.

 

کلام آخر

در این مقاله به تأثیر دیپ لرنینگ در علم پزشکی و فواید آن در تشخیص دقیق بیماری ها و درمان آن پرداخته شد.

در آینده نزدیک امید به زندگی و طول عمر انسان ها حداقل ۲۰ سال افزایش می یابد و این امر تنها با استفاده از دیپ لرنینگ و هوش مصنوعی امکان پذیر خواهد بود.

جهت کسب اطلاعات بیشتر در زمینه آموزش پایتون، ماشین لرنینگ ، هوش مصنوعی و دیپ لرنینگ با وب سایت آموزشی مگاپایتون همراه ما باشید.