Xərçəng araşdırmaları, diaqnostikası və müalicəsində süni intellektlə çatılan son nöqtə

Adını tez-tez eşitdiyimiz süni intellekt (YZ), maşın öyrənməsi və dərin öyrənmə üsulları potensial tətbiqləri çox geniş və vacib olan onkologiyada biotibbi tədqiqatlarda və səhiyyə xidmətlərində də yer alır. Onkologiyada süni intellekt işləri xərçəng diaqnostikası, alt növlərin müəyyənləşdirilməsi, müalicələrin optimallaşdırılması və dərman kəşfində yeni namizəd dərmanların müəyyən edilməsi kimi sahələri əhatə edir. Maşın öyrənməsi modellərinin tələb etdiyi böyük tibbi məlumatlar artıq mövcuddur, lakin süni intellektin həm xərçəng tədqiqatlarında, həm də klinikada tam gücünə çatması və bu fürsətdən yararlanmaq üçün aşılmalı vacib maneələr var.

Bəs xərçəng diaqnostikasını, xəstəliyin gedişini və müalicəni yaxşılaşdırmaq, yeni dərman kəşflərini istiqamətləndirmək üçün süni intellekti necə tətbiq etməyə başlaya bilərik?

Bu sahədə mütəxəssis dörd alim — Cornell Universitetindən fiziologiya və biofizika professoru Olivier Elemento, Memorial Sloan Kettering Xərçəng Mərkəzindən fiziologiya, biofizika və sistem biologiyası professoru Christina Leslie, Finlandiyanın Helsinki Universiteti və İsveçin Karolinska İnstitutundan tibbi texnologiya professoru Johan Lundin, Duke Universiteti və Knoxville Tennese Universitetindən radiologiya professoru Georgia Tourassi — maraq doğuran sualları cavablandırdı.

Təfərrüatlara keçməzdən əvvəl süni intellekt, maşın öyrənməsi və dərin öyrənmə anlayışlarını aşağıdakı infoqrafika ilə ümumiləşdirək:

Xərçəng diaqnostikası və müalicəsinə dair ümidverici tədqiqatlar

Mütəxəssislər süni intellekt və dərin öyrənmədə görüntüləmə üsullarına yönələn işlərin şübhəsiz ümidverici olduğunu deyirlər. Son on ildə xərçəng tədqiqatlarında süni intellektin tətbiqində böyük irəliləyişlər olub. Bunlara dərin öyrənmə və artan hesablama gücü daxildir. Patoloqların diaqnostikada istifadə etdiyi məlumatların rəqəmsal mühitə köçürülməsi və köçürülməyə davam etməsi də bu irəliləyişlərdəndir. Sinir şəbəkəsi alqoritmi AlphaGo22-nin nəticələrə əsaslanaraq Go oynamağı öyrənib bütün Go çempionlarını məğlub etməklə doğruluğunu sübut etməsi kimi, onkologiyada da buludda saxlanılan bu vizual məlumatların öyrədilmiş sinir şəbəkəsində süni intellekt (YZ) alqoritmləri ilə analizi mümkündür.

Həmçinin dərin öyrənmə modeli ilə şişin homogenliyi-heterogenliyi qiymətləndirilə bilər. Bu sahədə sürətlə meydana çıxan çoxlu nümunələr var. Bunlar kolonoskopiya videolarının analizində də YZ istifadəsinin mümkün olduğunu düşündürür.

Şiş aşkarlanması ilə yanaşı, klinik məlumatlardan yararlanan kompüter dəstəkli müalicə seçimi, planlaşdırılması və proqnoz (xəstəliyin gedişi) təxmini, yeni dərman hazırlanması və əhali arasında xərçəng skrininqləri də ümidverici tədqiqat sahələridir.

Dərman sayının və çeşidinin artması, kombinasiya müalicələrinin də əlavə olunması ilə onkologiyada müalicə seçimi getdikcə mürəkkəbləşdi. Bu problemlər süni intellektin inkişafı ilə həll edilə, hansı dərmanın hansı dərmanla kombinasiyasının xəstə üçün daha təsirli olacağı təxmin edilə bilər. Beləliklə xəstələrin genetik və epigenetik dəyişkənliyinə əsaslanan fərdiləşdirilmiş müalicələr onkologiyada yer alacaq.

İlkin amin turşusu ardıcıllığından zülalın 3D quruluşunu təxmin edən dərin öyrənmə modelləri də yeni mühəndislik sıçrayışıdır. Bunlar üçün süni intellektdən istifadə və nəticələrin eksperimental məlumatların yerini tutacaq qədər dəqiq olması yeni elmi biliklərin istehsalını dəstəkləyə bilər.

Süni intellektin klinik tətbiqlərdə istifadəsində ən böyük çətinlik

Biotibbi tədqiqat ədəbiyyatı ilə klinik praktikada istifadə edilən YZ modelləri arasında böyük boşluq var. Əksər YZ modelləri klinikada tətbiq edilə bilmir. İlk səbəb sürətlə dəyişən təsdiq mərhələləridir. Digər səbəb süni intellektin klinik iş axınına inteqrasiyası və yenilənən iş axını ilə birlikdə əməkdaşların təlimi zərurətidir; bu proses xeyli vaxt və sərmayə tələb edir.

Əsas problem YZ modellərinin klinik praktikada məlumat keyfiyyəti, məlumatı daxil edən və analiz edənlər, xəstə xüsusiyyətləri kimi girişlərdəki müxtəlifliyə görə dəyişkənlik göstərməsidir. Bu dəyişkənlik qarşısında YZ modelləri ya sınaqdan keçirilməyib, ya da sınaqlar açıq performans pisləşməsi göstərib. Klinik uğur üçün mövcud YZ modellərinin real performans qiymətləndirilməsinə mütləq ehtiyac var.

Rəqəmsallaşdırma süni intellekti klinik mühitdə tətbiqin başqa zəruri ilkin şərtidir. Radiologiyada rəqəmsal dönüşüm artıq baş verib, lakin patologiyada vəziyyət eyni deyil. Patoloji məlumatların rəqəmsallaşdırılması vasitələri 20 ildən çoxdur mövcuddur, lakin irəliləyiş yavaşdır. Texnologiyanı sadələşdirmək, xərci azaltmaq və məhdud resurslu mühitlərdə də istifadə etmək üçün daha çox yeniliyə ehtiyac var.

Ünsiyyət də vacibdir. YZ hesabatlarının həkimlərə necə çatacağı, necə görünəcəyi, həkimin bu məlumatları xəstənin klinik idarəsində necə istifadə edəcəyi hələ aydın deyil.

Nəhayət, insanların süni intellekt texnologiyası ilə əməkdaşlığı ona həddindən artıq etimada və səhvlərə səbəb ola bilər. İstifadəçilərin səhvlərə qarşı həmişə ayıq olması və bu barədə təlim alması da vacibdir.

Süni intellektdə şəffaflıq, təkrarlana bilmə və təsdiqləmənin əhəmiyyəti

Klinikada və tədqiqatlarda YZ modellərinə etimad üçün daha çox şəffaflıq, təkrarlana bilmə və təsdiqləmə çox vacibdir.

Lakin şəffaflıq alqoritm parametrlərinin oxunması və nə etdiyinin anlaşılması deməkdirsə, gələcəkdə bu, əksər süni intellekt alqoritmləri üçün mümkün olmayacaq. AlphaZero şahmat, shogi və Go oynamağı özü o qədər yaxşı öyrəndi ki, ən yaxşı ustaları belə məğlub etdi. Lakin onun oynamağı öyrəndiyi qaydaları anlaya biləcəyimizə, hətta anlamalı olduğumuza inanmaq üçün zəruri səbəb yoxdur.

Təkrarlana bilmə eyni məlumat dəstində alqoritmi yenidən öyrətdikdə eyni nəticəni almaqdırsa, öyrədilmiş alqoritm model sabitliyinə malik olmalıdır. Öyrədilmiş YZ alqoritmləri sonra sınaqdan keçirilməli və təsdiqlənməlidir. Bütün alqoritmlər “təlim dəstində” öyrədildikdən sonra “sınaq dəstində” yoxlanılır. Lakin bu mərhələlərdə ümumiləşdirilə bilmədən danışılmır. Bunun üçün təsdiqləmə məlumat dəsti lazımdır.

Beləliklə süni intellektdə şəffaflıq, təkrarlana bilmə və təsdiqləmə üçün məlumat toplamaqdan YZ inkişafına, klinik tətbiqdən davamlı keyfiyyət nəzarətinədək bütün həyat dövrü boyunca çoxşaxəli yanaşmanı nəzərə almalıyıq.

Qısa və uzun müddətdə onkologiyada süni intellektin gələcəyi

YZ modellərinin böyümə sürəti və tətbiq genişliyi, məlumat və hesablama resurslarının mövcudluğundan asılı olaraq yaxın illərdə xərçəngin vacib problemlərinə tətbiqlərinin artdığını görəcəyik. Patologiyanın rəqəmsallaşma sürəti eksponensial artdıqca və modelləri öyrətmək üçün məlumatlar əlçatan olduqca müəyyən müalicələrə cavabı proqnozlaşdıran YZ modelləri klinik istifadə üçün yetərli yetkinlik və performansa çatacaq. Eyni zamanda YZ modelləri fərdi xəstələr və onların xəstəliklərinə xas nəticələr barədə təxmin vermək üçün proqnostik nəticələr üzərində öyrədiləcək.

Həmçinin kritik bioloji markerləri (məsələn, epigenomik siqnallar və 3D xromatin təmasları) proqnozlaşdıran ardıcıllıq modelləri xərçəng genomlarındakı kodlaşdırmayan somatik variasiyanın funksiyasını sistematik qiymətləndirmək üçün istifadə ediləcək; xəstələrin RNT emalını dəyişən mutasiyalarını araşdırmaq üçün oxşar proqnozlaşdırıcı splaysinq və alternativ poliadenilləşmə modelləri də tətbiq olunacaq. 

Nəticə

Uzun müddətdə YZ alqoritmlərinin məqsədi diaqnozu yaxşılaşdırmaq, optimal fərdi xəstə müalicələrinin seçiminə kömək etmək, nəticələri yaxşılaşdırmaq və səhiyyə xərclərini azaltmaq olacaq. Xərçəngin əsas bioloji mexanizmlərinin daha yaxşı anlaşılmasında, kombinasiya müalicə və dozalarının müəyyənləşdirilməsində, daha az toksik yeni xərçəngəleyhinə dərmanların hazırlanmasında istifadə edilə bilər. Hətta hazırda istifadə olunan mammoqrafiya kimi görüntüləmə üsullarının təkmilləşdirilməsi ilə xərçəng yaranma riskini təxmin edən və qarşısını almağa kömək edən modellərə yönələn işlərə diqqət ayrılacaq.