انقلاب در چشم پزشکی با کمک هوش مصنوعی

سنجش هوش مصنوعی (AI Evaluation)، به خصوص در حوزه‌های حساس مانند مراقبت‌های بهداشتی، فرآیندی پیچیده است که فراتر از اندازه‌گیری صرف «دقت» در محیط‌های کنترل‌شده آزمایشگاهی است. در ابتدا، سنجش هوش مصنوعی بر معیارهای فنی مانند امتیاز دقت (Accuracy Score)، دقت (Precision) و فراخوانی (Recall) در برابر مجموعه‌داده‌های برچسب‌گذاری شده متمرکز بود. هدف اصلی، نشان دادن این بود که آیا مدل می‌تواند الگوهای موجود در داده‌ها (مانند تمایز بین تصویر چشم سالم و بیمار) را با موفقیت شناسایی کند یا خیر.

 

اما با بلوغ هوش مصنوعی، سنجش آن به سمت معیارهای دنیای واقعی (Real-World Impact) سوق پیدا کرده است. سوالات کلیدی این است: آیا این مدل هوش مصنوعی در محیط بالینی متنوع، در مواجهه با سخت‌افزارهای مختلف و جمعیت‌های گوناگون، همچنان عملکرد خود را حفظ می‌کند؟ این امر مستلزم توجه به قابلیت تعمیم (Generalizability) مدل و بررسی عملکرد زیرگروه‌ها (Subgroup Analysis) برای اطمینان از انصاف و عدالت (Fairness) در ارائه‌ مراقبت به گروه‌های جمعیتی مختلف است.

 

در نهایت، سنجش هوش مصنوعی در مرحله پیاده‌سازی، به معیارهای عملیاتی و اقتصادی تبدیل می‌شود. معیارهایی مانند صرفه‌جویی در هزینه، کاهش زمان انتظار بیمار، بهبود دقت ارجاع به متخصص و پایداری عملکرد در طول زمان (Live Monitoring)، اکنون مهم‌تر از امتیاز دقت صرفاً آزمایشگاهی تلقی می‌شوند. این تغییر پارادایم نشان می‌دهد که موفقیت یک سیستم هوش مصنوعی پزشکی، در گرو توانایی آن در تبدیل «کد» به «کلینیک» است.

 

هوش مصنوعی دیگر یک وعده در آینده نیست؛ در حال حاضر، این فناوری در حال دگرگون‌سازی سریع‌ترین و شلوغ‌ترین تخصص سرپایی، یعنی چشم‌پزشکی است. با وجود اینکه بیش از ۲.۲ میلیارد نفر در سراسر جهان با اختلال بینایی دست و پنجه نرم می‌کنند و میلیون‌ها مورد قابل درمان به دلیل تأخیر در تشخیص بینایی خود را از دست می‌دهند، هوش مصنوعی مسیر مراقبت را سریع‌تر، ساده‌تر و نزدیک‌تر به بیمار می‌کند.

 

پروفسور پیرس کین، استاد هوش مصنوعی پزشکی در کالج دانشگاهی لندن (UCL)، که از پیشگامان این حوزه است، تأکید می‌کند: "حقیقت تلخ این است که مردم به دلیل تأخیرها در حال از دست دادن بینایی خود هستند." هوش مصنوعی با هدف حذف این تأخیرهای خطرناک عمل می‌کند:

 

موفقیت هوش مصنوعی در چشم‌پزشکی با پروژه‌های تحقیقاتی بزرگی مانند Moorfields–DeepMind به اثبات رسیده است. این پروژه نشان داد که یک سیستم هوش مصنوعی می‌تواند اسکن‌های مقطع نگاری همدوسی اپتیکی (OCT) را در سطح تخصصی تحلیل کند.

دکتر مایکل دی. آبراموف در سال ۲۰۱۸ با تأسیس شرکت Digital Diagnostics، اولین هوش مصنوعی پزشکی خودکار مورد تأیید سازمان غذا و داروی آمریکا (FDA) برای غربالگری رتینوپاتی دیابتی را معرفی کرد. نکته مهم در اینجاست: این هوش مصنوعی، مسئولیت بالینی تصمیم‌گیری را بر عهده می‌گیرد و زمان غربالگری تا پیگیری تخصصی را از ماه‌ها به چند روز کاهش می‌دهد.

 

دانیل تینگ از مرکز ملی چشم سنگاپور (SNEC)، یک مدل عملیاتی ملی را برای غربالگری رتینوپاتی دیابتی ارائه داد که قابلیت مقیاس‌پذیری جهانی دارد. بیماران بر اساس علامت‌گذاری هوش مصنوعی به سطح مراقبت مناسب هدایت شدند، که از ارجاعات غیرضروری به مراکز تخصصی سطح سوم جلوگیری کرد. ایجاد یک پلتفرم ملی که دوربین‌های فوندوس و سوابق الکترونیکی را متصل می‌کرد، امکان آپلود، تحلیل و گزارش‌دهی عکس‌های چشم را در عرض چند دقیقه فراهم ساخت. مدل "اول هوش مصنوعی، دوم متخصص"، بدین ترتیب بود که الگوریتم‌ها هر عکس را بررسی می‌کنند و تنها موارد مشکوک یا نامشخص برای ارزیابی نهایی به انسان ارجاع داده می‌شوند. تینگ تأکید می‌کند که معیار اصلی بعدی، صرفاً دقت آزمایشگاهی نیست، بلکه صرفه‌جویی در هزینه و زمان سیستم بهداشت و درمان است که هوش مصنوعی به آن دست یافته است.

 

پژوهشگران اکنون به دنبال ادغام هوش مصنوعی با درمان‌ها هستند. دکتر تونگالپ تزل از دانشگاه کلمبیا در حال کار بر روی شخصی‌سازی برنامه‌های تزریق برای دژنراسیون ماکولا مرطوب با استفاده از OCT و هوش مصنوعی است. گزارش‌های اولیه نشان می‌دهند که نظارت خانگی با هوش مصنوعی توانسته است در حدود ۴۲٪ موارد از تزریق‌های غیرضروری جلوگیری کند و در عین حال، به مداخله سریع در موارد ضروری کمک نماید.

در حوزه تحقیقات، مدل‌هایی مانند RETFound که روی میلیون‌ها تصویر شبکیه آموزش داده شده‌اند، نشان می‌دهند که یک مدل بنیادین می‌تواند با حداقل برچسب‌گذاری، برای تشخیص بیماری‌های نادرتر نیز قوی و قابل اطمینان باشد.