آخرین وضعیت هوش مصنوعی در پژوهش، تشخیص و درمان سرطان

هوش مصنوعی (YZ)، یادگیری ماشین و یادگیری عمیق که نامشان را بسیار می‌شنویم، در پژوهش‌های زیست‌پزشکی و خدمات سلامتِ حوزه آنکولوژی نیز جای خود را باز می‌کنند؛ حوزه‌ای که کاربردهای بالقوه آن بسیار گسترده و مهم‌اند. پژوهش‌های هوش مصنوعی در آنکولوژی زمینه‌های بسیاری را در بر می‌گیرند؛ از تشخیص سرطان و تعیین زیرنوع‌های آن تا بهینه‌سازی درمان‌های سرطان و شناسایی نامزدهای دارویی جدید در فرایند کشف دارو. داده‌های پزشکی کلانی که مدل‌های یادگیری ماشین نیاز دارند، هم‌اکنون موجودند، اما برای تحقق همه توان هوش مصنوعی و بهره‌گیری از این فرصت در پژوهش سرطان و عرصه بالینی، موانع مهمی باید پشت سر گذاشته شوند.

اما چگونه می‌توانیم به‌کارگیری هوش مصنوعی را برای بهبود تشخیص سرطان، سیر سرطان در بیماران و درمان، و هدایت کشف داروهای جدید آغاز کنیم؟

چهار دانشمند متخصص در این حوزه به پرسش‌های مورد توجه پاسخ دادند: Olivier Elemento، استاد فیزیولوژی و بیوفیزیک دانشگاه Cornell؛ Christina Leslie، استاد فیزیولوژی، بیوفیزیک و زیست‌شناسی سامانه‌ها در مرکز سرطان Memorial Sloan Kettering؛ Johan Lundin، استاد فناوری پزشکی دانشگاه هلسینکی فنلاند و مؤسسه Karolinska سوئد؛ و Georgia Tourassi، استاد رادیولوژی دانشگاه Duke و دانشگاه Knoxville Tennese.

پیش از ورود به جزئیات موضوع، مفاهیم هوش مصنوعی, یادگیری ماشین و یادگیری عمیق را با اینفوگرافیک زیر خلاصه کنیم:

پژوهش‌های امیدبخش برای تشخیص و درمان سرطان

متخصصان می‌گویند مطالعات متمرکز بر روش‌های تصویربرداری در حوزه هوش مصنوعی و یادگیری عمیق، بی‌تردید امیدبخش‌اند. در دهه گذشته پیشرفت‌های بزرگی در به‌کارگیری هوش مصنوعی در پژوهش سرطان رخ داده است. این پیشرفت‌ها شامل یادگیری عمیق و افزایش توان محاسباتی‌اند. انتقال داده‌هایی که پزشکان متخصص آسیب‌شناسی برای تشخیص سرطان به کار می‌برند به محیط دیجیتال، و ادامه این انتقال، نیز از جمله این پیشرفت‌هاست. همان‌طور که AlphaGo22، یک الگوریتم شبکه عصبی، بازی Go را بر پایه نتایج بازی‌ها آموخت و با شکست دادن همه قهرمانان Go درستی خود را نشان داد، در آنکولوژی نیز می‌توان این داده‌های تصویریِ قابل‌ذخیره در فضای ابری را در یک شبکه عصبی آموزش‌دیده با الگوریتم‌های هوش مصنوعی (YZ) تحلیل کرد.

همچنین با مدل یادگیری عمیق می‌توان همگنی-ناهمگنی تومور را ارزیابی کرد. نمونه‌های فراوانی در این زمینه به‌سرعت پدید آمده‌اند. این نمونه‌ها مطرح می‌کنند که استفاده از هوش مصنوعی برای تحلیل ویدیوهای کولونوسکوپی نیز ممکن است.

علاوه بر شناسایی تومور، انتخاب و برنامه‌ریزی درمان و پیش‌بینی پیش‌آگهی (سیر بیماری) با کمک رایانه و بر پایه داده‌های بالینی، توسعه داروهای جدید و غربالگری سرطان در جامعه نیز حوزه‌های پژوهشی امیدبخش‌اند.

با افزایش تعداد و تنوع داروها و نیز اضافه شدن درمان‌های ترکیبی، انتخاب درمان در آنکولوژی به‌تدریج پیچیده‌تر شده است. پیشرفت‌های هوش مصنوعی خواهند توانست این مشکلات را حل کنند و پیش‌بینی کنند ترکیب کدام دارو با کدام داروی دیگر برای بیمار مؤثرتر است. به این ترتیب، درمان‌های شخصی‌سازی‌شده بر پایه تفاوت‌های ژنتیکی و اپی‌ژنتیکی بیماران نیز در آنکولوژی جای خود را خواهند یافت.

مدل‌های یادگیری عمیق که ساختار 3D پروتئین را از توالی اولیه اسیدهای آمینه پیش‌بینی می‌کنند نیز جهشی تازه در مهندسی‌اند. استفاده از هوش مصنوعی برای این کارها و دستیابی به نتایجی چنان دقیق که بتوانند جای داده‌های تجربی را بگیرند، ممکن است تولید دانش علمی تازه را نیز پشتیبانی کند.

بزرگ‌ترین دشواری استفاده از هوش مصنوعی در کاربردهای بالینی

میان ادبیات پژوهش زیست‌پزشکی و مدل‌های هوش مصنوعی مورد استفاده در کار بالینی، شکاف بزرگی وجود دارد. بیشتر مدل‌های هوش مصنوعی در بالین قابل‌اجرا نیستند. نخستین دلیل، مراحل سریعاً متغیر اخذ تأیید است. دلیل دیگر، لزوم ادغام هوش مصنوعی در جریان کار بالینی و آموزش کارکنان همراه با جریان کار جدید و به‌روزشده است؛ فرایندی که زمان و سرمایه‌گذاری چشمگیری می‌طلبد.

اساسی‌ترین مشکل این است که مدل‌های هوش مصنوعی معمولاً در کاربردهای بالینی به‌علت تنوع ورودی‌ها – مانند کیفیت داده، تفاوت افراد واردکننده و تحلیل‌کننده داده و تفاوت ویژگی‌های بیماران – دچار نوسان می‌شوند. در برابر این نوسان‌ها، یا مدل‌های هوش مصنوعی آزمایش نشده‌اند یا نتایج آزمایش به‌وضوح افت عملکرد را نشان داده است. برای موفقیت در بالین، ارزیابی واقع‌بینانه عملکرد مدل‌های موجود هوش مصنوعی قطعاً ضروری است.

دیجیتالی‌سازی یکی دیگر از پیش‌شرط‌های لازم برای به‌کارگیری هوش مصنوعی در محیط بالینی است. تحول دیجیتال در رادیولوژی از پیش رخ داده، اما در آسیب‌شناسی وضعیت چنین نیست. بیش از 20 سال است که ابزارهای دیجیتالی کردن داده‌های آسیب‌شناسی وجود دارند، ولی پیشرفت کند بوده است. برای ساده‌تر کردن این فناوری، کاهش هزینه و استفاده از آن در محیط‌های کم‌منبع، به نوآوری بیشتری نیاز است.

ارتباط نیز موضوع مهمی است. هنوز روشن نیست گزارش‌های هوش مصنوعی چگونه به پزشکان خواهند رسید، چه ظاهری خواهند داشت و پزشک چگونه اطلاعات این گزارش‌ها را در مدیریت بالینی بیمار به کار خواهد گرفت.

در نهایت، همکاری انسان‌ها با فناوری هوش مصنوعی ممکن است به اعتماد بیش از حد به آن بینجامد و این می‌تواند خطا ایجاد کند. هوشیار ماندن همیشگی کاربران در برابر هر خطا و آموزش دیدن آن‌ها در این زمینه نیز موضوع مهمی است.

اهمیت شفافیت، تکرارپذیری و اعتبارسنجی در هوش مصنوعی

برای اعتماد به مدل‌های هوش مصنوعی در بالین و پژوهش، شفافیت بیشتر، تکرارپذیری و اعتبارسنجی بسیار مهم‌اند.

اما اگر منظور از شفافیت، خواندن پارامترهای الگوریتم و فهمیدن کاری است که انجام می‌دهد، این امر در آینده برای بیشتر الگوریتم‌های هوش مصنوعی ممکن نخواهد بود. AlphaZero به‌تنهایی آن‌قدر خوب شطرنج، شوگی و Go را آموخت که حتی بهترین استادان را شکست داد. با این حال، دلیل ضروری‌ای وجود ندارد که باور کنیم می‌توانیم قواعدی را بفهمیم که با آن‌ها بازی را آموخته، یا حتی باید آن‌ها را بفهمیم.

اگر تکرارپذیری به این معناست که با آموزش دوباره یک الگوریتم روی همان مجموعه داده، به همان نتیجه برسیم، الگوریتم آموزش‌دیده باید پایداری مدل داشته باشد. الگوریتم‌های آموزش‌دیده هوش مصنوعی سپس باید آزمایش و اعتبارسنجی شوند. همه الگوریتم‌ها پس از آموزش روی «مجموعه آموزش»، روی «مجموعه آزمون» آزمایش می‌شوند. اما در این مراحل بحثی از تعمیم‌پذیری نیست؛ برای آن به مجموعه داده اعتبارسنجی نیاز داریم.

به‌طور خلاصه، برای تأمین شفافیت، تکرارپذیری و اعتبارسنجی در هوش مصنوعی، ممکن است لازم باشد رویکردی چندجانبه را در سراسر چرخه عمر آن در نظر بگیریم؛ از گردآوری داده و توسعه هوش مصنوعی تا استقرار بالینی و کنترل کیفیت مداوم.

آینده هوش مصنوعی در آنکولوژی در کوتاه‌مدت و بلندمدت

با توجه به سرعت رشد مدل‌های هوش مصنوعی، گستره کاربردها و دسترس‌پذیری داده‌ها و منابع محاسباتی، در چند سال آینده شاهد افزایش مداوم کاربرد این مدل‌ها برای مسائل مهم سرطان خواهیم بود. با افزایش نمایی سرعت دیجیتالی شدن آسیب‌شناسی و دسترس‌پذیرتر شدن داده‌ها برای آموزش مدل‌های هوش مصنوعی، مدل‌های پیش‌بینی پاسخ به درمان‌های معین به بلوغ و عملکرد کافی برای استفاده بالینی خواهند رسید. هم‌زمان، مدل‌های هوش مصنوعی بر نتایج پیش‌آگهی آموزش خواهند دید تا پیش‌بینی‌هایی برای هر بیمار و پیامدهای مختص بیماری او ارائه کنند.

همچنین مدل‌های توالی که نشانگرهای زیستی مهم (مانند سیگنال‌های اپی‌ژنومی و تماس‌های کروماتینی 3D) را پیش‌بینی می‌کنند، برای ارزیابی نظام‌مند عملکرد تغییرات سوماتیک غیرکدکننده در ژنوم سرطان به کار خواهند رفت. مدل‌های پیش‌بینی‌کننده مشابه برای پیرایش و پلی‌آدنیلاسیون جایگزین نیز برای غربالگری جهش‌های بیماران که پردازش RNA را تغییر می‌دهند استفاده خواهند شد. 

نتیجه‌گیری

در بلندمدت، هدف الگوریتم‌های هوش مصنوعی بهبود تشخیص، کمک به انتخاب درمان بهینه برای هر بیمار، بهبود پیامدهای بیماران و کاهش هزینه‌های سلامت خواهد بود. می‌توان از آن‌ها برای درک بهتر سازوکارهای زیستی زمینه‌ساز سرطان، تعیین درمان‌های ترکیبی و دوزها، و توسعه داروهای جدید ضدسرطان با سمیت کمتر استفاده کرد. حتی تمرکز پژوهش‌ها بر مدل‌هایی خواهد بود که با توسعه روش‌های تصویربرداری موجود مانند ماموگرافی، خطر ابتلا به سرطان را پیش‌بینی و به پیشگیری از آن کمک می‌کنند.