هوش مصنوعی و بیماری‌های قلبی

هوش مصنوعی خود آموخته، دکترها را در پیش‌بینی بیماری‌های قلبی کوبید

دکترها ابزارهای فراوانی برای پیش بینی سلامت بیماران دارند، اما این ابزارها هیچ تطابقی با پیچیدگی بدن انسان ندارد. حملات قلبی مخصوصا برای پیش‌بینی سخت است. اکنون، دانشمندن نشان دادند که کامپیوترها می‌توانند خودشان را آموزش دهند تا حتی بهتر از راهنماهای پزشکی استاندارد، نرخ پیش‌بینی را افزایش با اهمیتی بدهند. اگر پیاده سازی شد، روش جدید می‌تواند سالیانه زندگی هزاران یا میلیون‌ها فرد را  نجات دهد.

«نمی‌توانم به اندازه‌ای که آن مهم است استرس داشته باشم،» این گفته الیسی راس، جراح عروق دانشگاه استنفورد است که در این کار درگیر نبود، «امیدوارم دکترها شروع استفاده از هوش مصنوعی برای کمیک به ما در مراقبت از بیماران را به آغوش بکشند.»

سالایانه، نزدیک ۲۰ میلیون فرد به دلیل بیماری‌های قلبی عروق از جمله، حملات قلبی، سکته، انسداد عروق، و دیگر اختلا‌ل‌های سیستم گردش خون می‌میرند. در تلاشی برای پیش‌بینی این موارد، تعدادی از دکترها از راهنماهای مشابهی مانند راهنمای انجمن قلب و عروق استفاده می‌کنند. این راهنماها مبتنی بر ۹ عامل خطر از جمله، سن، سطح کلسترل و فشار خون است که پزشکان به طور موثر به کار می‌برند.

اما این بیش از حد ساده است که با آن بتوان تاثیرات داروها یا دیگر بیماری‌ها و عوامل سبک زندگی را محاسبه کرد. «تعاملات فراوانی میان سیستم‌های زیستی وجود دارد،» این گفته استیفن ونگ، ایمنی شناسی در دانشگاه ناتینگهام در بریتانیا است. بعضی از این تعاملات بر خلاف شهود است: بسیاری از چربی‌های بدن می‌توانند در بسیاری از موارد علیه بیماری‌های قلب باشد. «این واقعیت بدن انسان است»، ونگ گفت. «علم کامپیوتر به ما اجازه می‌دهد تا به درستی این رابطه‌ها را کشف کنیم.»

در مطالعه‌ای جدید، ونگ و همکارانش استفاده از راهنمای انجمن قلب و عروق با چهار الگوریتم یادگیری ماشین مقایسه کردند: جنگل تصادفی، رگرسیون لجستیک، افزایش تدریجی، و شبکه عصبی. همه این چهار تکنیک برای به دست آوردن ابزار پیش‌بینی بدون دریافت هیچ آزمایشی از انسان، داده‌های فراوانی را تحلیل کردند. در این مورد داده‌ها از رکوردهای پزشکی الکترونیکی ثبت شده از ۳۷۸ هزار ۲۵۶ بیمار در بریتانیا گرفته شد. هدف یافتن‌ الگوهایی در رکوردها بود که با حوادث قلبی عروقی در ارتباط بودند.

ابتدا، این الگوریتم‌های هوش مصنوعی خودشان را آموزش دادند. آنها از حدود ۷۸ درصد داده‌ها -۲۹۵ هزار ۲۶۷ رکورد – برای جستجوی الگوها و ساخت «راهنمای» درونیشان استفاده کردند. آن سپس خودشان را برای رکوردهای باقی مانده آزمودند. با استفاده از داده‌های رکوردی موجود در ۲۰۰۵، آنها پیش‌بینی که که کدام بیماران در ۱۰ سال آینده دچار بیماری‌های قلبی عروقی می‌شوند، و حدسیاتشان را دوباره با رکوردهای ۲۰۱۵ بررسی کردند. برخلاف راهنمای انجمن قلب و عروق، این روش یادگیری توانست از ۲۲ نقطه داده بیشتر از جمله قومیت، ورم مفاصل و بیماری‌های کلیوی استفاده کند.

همه چهار روش هوش مصنوعی اجرا شده بهتر از راهنماهای انجمن قلب و عروق بود. با استفاده از آماری به نام AUC (که در آن نمره ۱ به معنای دقت ۱۰۰ درصد است)، راهنماهای انجمن قلب عروق نمره ۰.۷۲۸ دریافت کرد. چهار روش جدید نمره‌های بین ۰.۷۴۵ تا ۰.۷۶۴ گرفتند، تیم ونگ در این ماه در ژورنال PLOS ONE گزارش داد. بهترین روش شبکه‌های عصبی با دقت ۷.۶% بیشتر از روش راهنمای انجمن قلب و عروق بود که ۱.۶% هشدارهای غلط دریافت کرد. در این نمونه آزمون از حدود ۸۳ هزار رکورد، جان ۳۵۵ بیمار می‌تواند نجات یابد. این دلیلی است که چرا پیش‌بینی اغلب منجر به پیشگیری می‌شود.، ونگ گفت، از طریق درمان کلسترول خون و تغیر رژیم‌های غذایی می‌توان از بیماری پیشگری کرد.

«این کاری بسیار با کیفیت است،» این را اوانگلوس کنتوپانتلیس، دانشمند داده در دانشگاه منچستر گفت که روی پیشگیری از بیماری‌ها کار می‌کند. او گفت که به کارگیری قدرت محاسباتی بیشتر یا داده آموزش دیده بیشتر برای این مشکل «می‌تواند منجر به دستاوردهای حتی بزرگتری شود.»

چندین عوامل خطر که الگوریتم‌های یادیگری ماشین به عنوان پیش‌بینی کننده‌های قوی شناسایی کردند در راهنماهای انجمن قلب و عروق وجود نداشت، از جمله آن می‌توان به بیماری‌های شدید روانی و مصرف کورتیکواستروییدهای خوراکی اشاره کرد. در همین حال، هیچ یک از الگوریتم‌ها بیماری دیابت که در لیست ۱۰ پیش‌بینی کننده برتر راهنمای انجمن قلب و عروق بود برای پیش‌بینی شناسایی نکردند. ونگ امیدوار است با کار کردن بیشتر روی این الگوریتم‌ها دیگر عوامل ژنتیکی و سبک زندگی را در الگوریتم‌های کامپیوتری جهت بهبود دقت‌شان در آینده اضافه کند.

کنتوپانتلیس به یکی از محدودیت‌های این کار اشاره کرد: الگوریتم‌های یادگیری ماشین مانند جعبه‌های سیاه هستند، شما می‌توانید داده‌هایی را ببینید که به آن وارد می‌شوند و تصمیمی را می‌گیرند، اما نمی‌توانید ببینید چه اتفاقی در این بین می‌افتد. این باعث می‌شود که دستکاری این الگوریتم‌ها برای آسان سخت باشد و پیش‌بینی‌ها برای سناریو جدید بی‌نتیجه می‌ماند.

آیا پزشکان به زودی استفاده از روش‌های یادگیری ماشین برای پیش‌بینی را می‌پذیرند؟ دکترها واقعا به تخصصشان افتخار می‌کنند، راس گفت. «اما من، بخشی از یک نسل جدیدتر هسم، می‌بینم که می توانیم از کامپیوترها استفاده کنیم.

دیدگاه‌تان را بنویسید: