سنجش بینایی به سنجش هوش مصنوعی تبدیل می شود

سئو مئو: هوش مصنوعی، مراقبت از چشم را سریع تر، ساده تر و نزدیک تر می کند. هوش مصنوعی می تواند در طول یک ویزیت منظم، پاسخ بله/خیر ارائه کند که به مفهوم کاهش ملاقات های اضافی است، به پزشک شما کمک نماید تا تغییرات را زودتر تشخیص دهد که به مفهوم درمان بموقع است و در تعدادی موارد، امکان نظارت از خانه را فراهم آورد که به مفهوم کاهش تزریق ها یا سفرها بدون به خطر انداختن بینایی است.
به گزارش سئو مئو به نقل از ایسنا، بیشتر از ۲.۲ میلیارد نفر با اختلال بینایی نزدیک یا دور زندگی می کنند و تنها حدود یک میلیارد از این موارد تابحال قابل پیشگیری یا درمان بوده اند. این یعنی میلیونها نفر هنوز بینایی خویش را از دست می دهند؛ در صورتیکه می توانستند از آن نجات یابند. در سرویس سلامت انگلستان، چشم پزشکی حالا شلوغ ترین تخصص سرپایی است و فشار بر ملاقات با پزشک اغلب به هفته ها تأخیر برای بیماران منجر می شود.
به نقل از فوربس، «دژنراسیون ماکولا در رابطه با سن»(Macular degeneration)، علت اصلی از دست دادن بینایی در بزرگسالان مسن است. این بیماری به «لکه زرد» یا «ماکولا»(Macula) که بخشی از شبکیه برای دید دقیق و مرکزی است، صدمه می رساند. بنابراین، مبتلایان به این مشکل معمولاً در خواندن، رانندگی یا تشخیص چهره ها گرفتار مشکل می شوند. نوع «مرطوب» دژنراسیون ماکولا در رابطه با سن می تواند به سرعت بدتر شود و اغلب قابل درمان اما نیازمند ویزیت های فشرده است؛ در صورتیکه نوع «خشک» این بیماری، کندتر اما پیوسته پیشروی می کند.
«دژنراسیون ماکولا در رابطه با سن»، علت اصلی از دست دادن بینایی در بزرگسالان مسن است. این گزارش اقتباس شده از مصاحبه اخیر «سی. ام. روبین»(C.M. Rubin) گزارشگر فوربس با پروفسور «پیرس کین»(Pearse Keane) استاد هوش مصنوعی پزشکی «کالج دانشگاهی لندن»(UCL) است که در آن بررسی شده چطور هوش مصنوعی از کد به کلینیک منتقل می شود و این برای بیماران هم اکنون و طی چند سال آینده چه معنایی دارد.
چرا یک بیمار چشمی باید به این مورد اهمیت دهد؟ چونکه هوش مصنوعی، مراقبت از چشم را سریع تر، ساده تر و نزدیک تر می کند. هوش مصنوعی می تواند در طول یک ویزیت منظم، پاسخ بله/خیر عرضه نماید که به معنای کاهش ملاقات های اضافی است، به پزشک شما کمک نماید تا تغییرات را زودتر تشخیص دهد که به معنای درمان بموقع است و در تعدادی موارد، امکان نظارت از خانه را فراهم آورد که به معنای کاهش تزریق ها یا سفرها بدون به خطر انداختن بینایی است.
هدف این نیست که جایگزین متخصص خود شوید، بلکه این است که مراقبت مناسب در لحظه و با دردسر کمتر عرضه شود.

وقتی کد با کلینیک ملاقات می کند

کین اظهار داشت: حقیقت تلخ این است که مردم به علت تأخیرها درحال از دست دادن بینایی خود هستند.
کین به راه اندازی برنامه «مورفیلدز-دیپ مایند»(Moorfields–DeepMind) کمک کرد که نشان داد یک سیستم هوش مصنوعی می تواند تحلیل هایی را از اسکن های «مقطع نگاری همدوسی اپتیکی»(OCT) در سطح تخصصی ظرف یک مسیر بالینی واقعی عرضه نماید و یک نقطه عطف پژوهشی را به یک طرح بالینی تبدیل کند. کین بعداً به صورت مشترک به سرپرستی پروژه «اینسایت»(INSIGHT) پرداخت که حالا بزرگترین منبع زیستی چشم پزشکی جهان با بیشتر از ۳۵ میلیون تصویر چشم در رابطه با نتایج است.
واضح ترین اثبات «کد به کلینیک» هم اکنون هوش مصنوعی خودکار برای غربالگری «رتینوپاتی دیابتی»(Diabetic retinopathy) است. دکتر «مایکل دی. آبراموف»(Michael D. Abràmoff) پژوهشگر «دانشگاه آیووا»(UIowa) و بنیان گذار شرکت «دیجیتال دیاگنوستیگس»(Digital Diagnostics) در سال ۲۰۱۸ نخستین هوش مصنوعی پزشکی خودکار مورد تایید مجوز «De Novo» صادره از «سازمان غذا و داروی آمریکا»(FDA) را سرپرستی کرد.
نکته مهم این است که این هوش مصنوعی، تشخیص در محل و مراقبت های اولیه را امکانپذیر می کند. به زبان ساده، هوش مصنوعی خودکار تصمیم بالینی را می گیرد و مسئولیت را بر عهده دارد. بنابراین، می تواند در کنار بیمار حضور یابد و از پزشک مسئول پشتیبانی کند. زمان غربالگری تا پیگیری تخصصی در برنامه های واقعی از یک تا دو ماه به سه تا پنج روز کم شده است و کلینیک ها به معیارهای کیفیت برتر در سطح ملی رسیده اند.

مقیاس جمعیتی؛ راهنمای ملی غربالگری چشم در سنگاپور

«دنیل تینگ»(Daniel Ting) دانشیار «مرکز ملی چشم سنگاپور»(SNEC) با نگاهی به برنامه ملی این کشور برای رتینوپاتی دیابتی، فرمولی را توصیف کرد که مقیاس پذیر است.
۱. مسیرهای ارجاع توسط مراقبت های اولیه و چشم پزشکی به صورت مشترک طراحی شدند و بیمارانی که توسط هوش مصنوعی علامت گذاری شده بودند، به سطح مراقبت مناسب هدایت شدند. بدین ترتیب، از ارجاعات غیرضروری به مراکز درمانی سطح سوم جلوگیری شد و پزشکان خط مقدم در دسترس ماندند.
۲. یک پلت فرم ملی چشم پزشکی از راه دور، دوربین های فوندوس و سوابق پزشکی الکترونیکی را به هم متصل کرد. بدین ترتیب، عکس گرفته شده در یک کلینیک محلی در عرض چند دقیقه قابل آپلود، تحلیل و گزارش شد.
۳. سنگاپور یک مدل عملیاتی «اول هوش مصنوعی، دوم متخصص» را به کار گرفت. در این مدل، الگوریتم ها هر عکس را بررسی می کنند و فقط موارد نامشخص یا مثبت را به ارزیابی انسانی ارجاع می دهند.
حفظ امنیت یک سیستم سراسری به چیزی بیشتر از نیت نیاز داشت. تینگ به معیارهای گزارش دهی STARD-AI و DECIDE-AI که وی در پیشبرد آنها نقش داشت، بعنوان محافظ هایی اشاره نمود که عملکرد امیدوارکننده را به عملکرد بالینی اثبات شده تبدیل می کنند. در حقیقت، این به معنای گزارش دهی شفاف مجموعه داده ها، نتایج عملکرد شفاف زیرگروه ها، ارزیابی های اولیه در کلینیک و نظارت مداوم بر تغییرات در دستگاه ها و جمعیت ها با تنظیم مجدد قبل از افزایش مقیاس در صورت افت عملکرد است.
استدلال تینگ این است که معیار اصلی بعدی برای وزارتخانه های بهداشت اصلاً امتیاز دقت لابراتوار نیست، بلکه صرفه جویی در هزینه است. شواهدی وجود دارد که نشان میدهد غربالگری با هوش مصنوعی، زمان انجام دادن آزمایش را کوتاه می کند، دقت ارجاع را بهبود می بخشد و ویزیت های قابل اجتناب را می کاهد.

ترکیب درمان ها با دقت هوش مصنوعی

دکتر «تونگالپ تزل»(Tongalp Tezel) پژوهشگر «دانشگاه کلمبیا»(Columbia University) نوع مرطوب دژنراسیون ماکولا در رابطه با سن را درمان می کند و مدیریت آزمایشگاهی را بر عهده دارد که درمان های مبتنی بر ژن و سلول را پیش می برد. دیدگاه کوتاه مدت او که عملی به نظر می آید، استفاده از مقطع نگاری همدوسی اپتیکی یکپارچه سازی شده با هوش مصنوعی برای شخصی سازی برنامه های تزریق و جفت کردن نوع خانگی مقطع نگاری همدوسی اپتیکی با تریاژ هوش مصنوعی است تا کلینیک ها زمان بندی بهتری را برای ویزیت ها و تزریق ها داشته باشند.
قانون مراقبت این است که هوش مصنوعی، تغییر را تشخیص می دهد و متخصص شبکیه تصمیم می گیرد. در گزارش های اولیه مشخص شد برنامه های نظارت خانگی در حدود ۴۲ درصد موارد از تزریق های غیر ضروری جلوگیری کرده اند و در حدود ۳۵ درصد موارد به مداخله سریع انجامیده اند. این نشان میدهد که نظارت هوشمندانه تر می تواند بدون صدمه رساندن به بینایی، بار بیماری را کم کند.
تزل تاکید دارد که شواهد به دست آمده، بالینی هستند و آزمایش های تصادفی فاز ۳ احیانا نتایج بهتری را برای بینایی نشان خواهند داد. او با نگاهی به دو تا پنج سال آینده انتظار دارد هوش مصنوعی با استفاده از خصوصیت های مقطع نگاری همدوسی اپتیکی به بهبود نتایج کمک نماید.
قانون مراقبت این است که هوش مصنوعی، تغییر را تشخیص می دهد و متخصص شبکیه تصمیم می گیرد. برای حفظ ایمنی و عدالت در این امر، آموزش/اعتبارسنجی باید جمعیت ها و دستگاههای متنوعی را در بر بگیرد و با افزایش پذیرش، خطای دنیای واقعی و عملکرد زیرگروه ها نیز بررسی شود.

از آموزش مقدماتی تا ایمنی بیمار

دکتر «آلن کارتیکسالینگام»(Alan Karthikesalingam) از شرکت «دیپ مایند»(DeepMind) زیرمجموعه «گوگل»(Google) اظهار داشت: مدلهای بنیادین و چندوجهی، مسیرهای جدیدی را می گشایند. این مسیرها شامل مواردی مانند کمک به پزشکان در استدلال بالینی، عرضه اطلاعات واضح تر به بیماران و فعال کردن تعامل زبان طبیعی با پیشبینی های مدل است. تطبیق این توانایی ها با مراقبت های بالینی پرخطر و تضمین ایمنی و تعمیم آنها همچنان در دست اقدام است.
در عرصه پژوهش، یک مدل بنیادین به نام «RETFound» که روی حدود ۱.۶ میلیون تصویر شبکیه آموزش دیده و برای پژوهش های غیرتجاری انتشار یافته است، نشان میدهد که چرا شعار «یک بار پیش آموزش، چندین بار تطبیق» اهمیت دارد. این رویکرد به معنای برچسب های کمتر برای تنظیم دقیق، استقامت بیشتر در دستگاه ها و حساسیت بالقوه نسبت به سیگنال های بیماری های نادر است که مجموعه داده های کوچکتر معمولاً آنها را از دست می دهند. با فراتر رفتن سیستم های بهداشتی از طرح های آزمایشی، دوام متقابل سخت افزاری بهمراه نظارت بر عملکرد زنده از الزامات اولیه خواهد بود.

منبع: سئو مئو