بیش از ۲۸۵ میلیون نفر در سراسر دنیا با انواع عارضه‌های چشمی زندگی می کنند. زمانی که Pearse Keane می‌خواست سال‌ها پیش در لس آنجلس با استفاده از اسکنر‌های مقطع نگاری همدوسی اپتیکی (OCT:Optical coherence tomography) پشت چشم افراد را نگاه کند، دستگاه‌ها بسیار مبتدی بودند. OCT روش تصویربرداری مبتنی بر امواج نوری مادون‌قرمز است. Keanse جراح چشم و محقق دانشگاه لندن می‌گوید:
دستگاه‌ها وضوح کم‌تری داشتند و سرعت تهیه‌ی تصویر در آن‌ها بسیار پایین بود.
این جراح دو سال را به مطالعه‌ی اسکن‌های دستگاه OCT اختصاص داد. او تشخیص وضعیت چشم بیمار و جزئیات دقیقی از انواع عارضه‌های چشمی را آموخت. طبق گفته ی او، این کار بسیار وقت‌گیر و دشوار بود. اسکن‌های OCT از نور برای تهیه‌ی سریع عکس‌های سه بعدی از پشت چشم با وضوح بالا استفاده می‌کنند. اسکنر‌های جدیدOCT در هر بار استفاده، حدود ۶۵ میلیون اطلاعات جمع آوری می‌کنند. (از هر قسمت لایه ی شبکیه) استفاده از تصاویر سه بعدی برای تشخیص انواع عارضه‌های چشمی در میان پزشکان مرسوم شده است. در NHS هر روزه هزاران اسکن کامل می شوند.
Keane می‌گوید:
مشکلی که در حال حاضر داریم، سروکار داشتن با این تعداد اسکن می‌باشد.
الگوریتم جدید برای تشخیص انواع عارضه‌های چشمی
یک الگوریتم خودکار از واحد هوش مصنوعی گوگل (Deep Mind) و بیمارستان مورفیلد لندن، ممکن است بتواند زمان تشخیص پزشکان را کاهش دهد. براساس تحقیقات منتشر شده در مجله‌ی Nature Medicine؛ هوش مصنوعی Deep Mind برای تشخیص ۵۰ مورد از انواع عارضه‌های چشمی، آموزش داده شده است. سه مورد از بیماری‌های مهمی که توسط هوش مصنوعی قابل تشخیص اند:
- گلوکوما ( آب سیاه: افزایش شدید فشار مایع درون چشم و از بین رفتن دید)
- رتینوپاتی دیابتی (خونریزی در پرده‌ی چشم و نشت مواد داخل رگ روی شبکیه)
- تخریب لکه‌ی زرد یا دژنراسیون ماکولا ( ظاهر شدن لکه‌های تیره در مرکز دید)
در ۹۴.۵ درصد موارد، هوش مصنوعی توانسته انواع عارضه‌های چشمی را از اسکن‌های OCT تشخیص دهد. Keanse می‌گوید:
عملکرد این الگوریتم در مقایسه با عملکرد متخصص در تشخیص اسکن OCT در حال ارزیابی است. این الگوریتم در حد یک چشم پزشک بیمارستان مورفیلد یا کمی بهتر، می‌تواند اشکالات اسکن‌های OCT را بیان کند.
تعداد کمی از دستگاه‌های هوش مصنوعی، می‌توانند چگونگی تشخیص را بیان کنند. همچنین تعداد کمی، در بیش از یک نوع دستگاه OCT استفاده می‌شوند. مصطفی سلیمان، موسس Deep Mind می‌گوید:
این شرکت به همراه بیمارستان مورفیلد برای کاربرد روشی در کارآزمایی بالینی، برنامه‌ریزی می‌کنند. همچنین برای دستیابی به تولید نهایی، در تلاش‌اند. هدف از این کار، کاهش زمان تشخیص و درمان بیماری توسط پزشکان می‌باشد.
شبکه‌های عصبی
محققان برای فهم اسکن‌های OCT و تخمین این که چه اشتباهی ممکن است در مورد چشم رخ دهد، از دو شبکه‌ی عصبی _ الگوریتمی که در مغز مدل‌سازی شده، استفاده کردند. هر دو شبکه با استفاده از آموزش‌های عمیقی روی اسکن‌ها، تعلیم دیده بودند. اولین شبکه‌ی عصبی، ویژگی‌های مختلفی از بیماری را در اسکن‌های OCT آشکار می‌کنند. گروهی متشکل از ده متخصص چشم و اپترومتریست ساعت‌ها صرف مشخص کردن انواع عارضه‌های چشمی از روی اسکن‌ها کردند. طبق گفته‌ی Keane:
این اسکن‌ها برای تعلیم به شبکه‌ی عصبی فرستاده شدند.
در مجموع حدود ۱۴,۸۸۴ اسکن به سیستم هوش مصنوعی آموزش داده شده بود. اگر چه Deep Mind به یک میلیون اسکن OCT دسترسی داشت! دومین شبکه‌ی عصبی، خروجی شبکه‌ی عصبی اول را آنالیز می‌کند. همچنین قادر است با تشخیص بیماری، توصیه‌های لازم را به پزشکان ارائه دهد. این سیستم‌ها می‌توانند در مورد میزان اعتماد به نفس، درصد تعیین کنند. مصطفی سلیمان می‌گوید:
این سیستم‌ها تنها توانایی این را ندارند که بگویند، به عنوان مثال فلان بیماری به دژنراسیون ماکولا شبیه است. الگوریتم‌ها ابعاد مشخصی از اسکن‌ها را بیان می‌کند که به تشخیص اشاره دارد. این الگوریتم‌ها، اسکن‌ها را علامت‌گذاری می‌کنند.
این سیستم روی ۹۹۷ نمونه‌ی اسکن‌های OCT تست شده است. همچنین با تشخیص ۸ پزشک، مورد مقایسه قرار گرفته است. این الگوریتم‌ها در ۹۴.۵ درصد موارد درست تشخیص داده بودند. این درصد با متخصص چشمی که از اسکن‌های OCT و گزارش‌های بسیاری استفاده کرده است، برابری دارد. (طبق گفته‌ی محققان؛ در بعضی موارد پزشکان برای تصمیم‌گیری، اطلاعات بیشتری از گزارش‌های بیمار در اختیار دارند.) مطالب بیان شده در این مقاله، آخرین کاربرد هوش مصنوعی در پزشکی را بیان می‌کند.
دستگاه‌های دیگر
در تحقیق دیگری از دانشگاه استنفورد، دانشمندان کامپیوتر، دستگاه آموزشی برای تشخیص انواع سرطان پوست طراحی کرده اند.سرطان سینه بر روی اسلاید های دیجیتالی تشخیص داده می شود.دستگاه پزشکی دیگری که اخیر توسط USFDA تایید شده، به تشخیص مشکلات پزشکی کمک می کند. همچنین دولت انگلیس در زمینه ی مراقبت های پزشکی، به دنبال طرحی بزرگ برای هوش مصنوعی می باشد.همکاری اخیر Deep Mind با NHS، به دلیل رویکرد پنهانی آن، با انتقاد های زیادی روبه رو شد. Deep Mind همراه بیمارستان مورفیلد هزینه ی بعضی تحقیقات را پرداخت کرده است. البته شرکت گوگل نیز۱۱۰,۰۰۰ یورو کمک کرده، که این هزینه ها در شخصی سازی اطلاعات و دسته بندی اسکن های چشم صرف شده است. اگر کار اسکن چشم به مرحله ای برسد که برای تشخیص و درمان بیماران سراسر جهان استفاده شود، بیمارستان مورفیلد می تواند به مدت ۵ سال از سی سایت انگلیس به طور رایگان استفاده کند. برای اثبات کارایی هوش مصنوعی، مسیر زیادی را باید پیمود. پزشکانی که با سیستم IBM واتسون کار کرده اند، آن را به عنوان مثالی روش درمانی نادرست بیان کرده اند. این در حالی است که شرکت واتسون، خود را این گونه توصیف می کند:
در زمینه ی سرطان شناسی، این سیستم در ۲۳۰ بیمارستان در سراسر دنیا، از بیش از۸۴,۰۰۰ بیمار حمایت می کند.
استفاده از الگوریتم های دیگر
در همین حین، انگلستان Babylon health را ایجاد کرد. (این سیستم از پزشکان مجازی برای کمک به بیماران کمک می کند.) این سیستم در همکاری با سامسونگ و NHS و تنست(Tencent) با انتقاد هایی مواجه شده است. زیرا کنترل کننده های هوش مصنوعی، شرایطی را از دست دادند که باید شناسایی می کردند.ممکن با انتخاب علایم مختلف بیماری ها، Babylon بیماری های متفاوتی را تشخیص دهد. سیستمDeep Mind و مورفیلد هنوز کامل نیستند.با بررسی۹۹۷ تشخیصی که توسط سیستم صورت گرفته بود،۵,۵ درصد خطا وجود داشت. Keane می گوید:
هیچ بیماری نبود که توسط هوش مصنوعی نرمال تشخیص داده شود.
علاوه بر این، در صورت نرمال بودن چشم، براساس توصیه های این الگوریتم مراقبت های اورژانسی و نیمه اورژانسی لازم است. میزان خطای این الگوریتم نسبت به کارشناسان کمتر بود. (به جز در متخصصانی که با دسترسی به اطلاعات بیشتر، تصمیم می گرفتند.) برای بررسی تفاوت های هر لایه از شبکه ی عصبی، لایه به لایه به سمت پایین حرکت می کنیم. این کار در تمام عملیات یادگیری دستگاه، اولویت دارد.
تحقیقات زیادی که در این زمینه روی سلامت و هوش مصنوعی صورت گرفته، نتوانسته تقش کاربردی ایفا کند.اگرچه مهندسان این الگوریتم ها را بسیار دقیق ساخته اند، اما در دنیای واقعی مورد استفاده قرار نمی گیرند.
Deep Mind و بیمارستان مورفیلد سیستم هوش مصنوعی را روی دو اسکنر OCT آزمایش کردند. (یکی از اسکنر ها از شرکت Topcon ژاپن و دیگری از کمپانی Heidelberg Engineering) موسس Deep Mind می‌گوید:
طبق نظر ما و افراد دیگر،قطعات یک سخت افزار برای تفسیر یک الگوریتم، سیگنال های خام متفاوتی را تولید می کنند.
هدف نهایی
مصطفی سلمان الگوریتمی را برای کار روی دو دستگاه مختلف افزوده است. این کار، کمپانی را به هدف خود، یعنی خلق هوش مصنوعی چند منظوره نزدیک تر کرد. اگرچه ممکن است در دهه های آینده به این هدف دست یافت! هدف بعدی Deep Mind و بیمارستان مورفیلد برنامه ریزی برای کنترل کارآزمایی بالینی سیستم OCT خواهد بود. پزشکانی فرصت تست این کار را خواهند داشت که بیماران آن ها به اسکن چشم نیاز دارند. همان طور که مصطفی سلیمان می گوید:
چیزی که امیدواریم این است که در سال های آینده، با گسترش این سیستم، حدود۳۰۰,۰۰۰ بیمار هر ساله بهبود یابند.
