به گزارش حیات به نقل از ایرنا، سرطان سینه همچنان یکی از شایع‌ترین سرطان‌ها در میان زنان است و تشخیص زودهنگام و انتخاب مسیر درمان مناسب، نقشی تعیین‌کننده در افزایش شانس بهبودی بیماران دارد و در این میان، بررسی وضعیت غدد لنفاوی به‌ویژه در ناحیه زیر بغل، یکی از مهم‌ترین مراحل تشخیص میزان پیشرفت بیماری و تصمیم‌گیری درباره روش درمان است.

در سال‌های اخیر، هوش مصنوعی به یکی از مهم‌ترین فناوری‌های تحول‌آفرین در حوزه سلامت تبدیل شده و اکنون پژوهشگران دانشگاه علوم پزشکی اصفهان موفق شده‌اند با طراحی یک سامانه مبتنی بر هوش مصنوعی، گامی تازه در مسیر کمک به پزشکان برای تشخیص دقیق‌تر درگیری غدد لنفاوی بیماران مبتلا به سرطان سینه بردارند.

این طرح توسط یک تیم تحقیقاتی۶ نفره متشکل از شکوفه یراقی به عنوان مجری طرح و آراییک طهماسیان، نازه آسادوریان، مریم رضازادگان، رسول فاتحی فرد و نرجس متقی در سال ۱۴۰۳ شروع شد و در سال ۱۴۰۴ به‌عنوان طرح پژوهشی مصوب دانشکده مدیریت اقتصاد سلامت به تصویب رسید.

این دستیار هوشمند پزشکان برای تشخیص سرطان سینه چگونه عمل می‌کند؟

یکی از محققان این طرح در گفت‌و گو با خبرنگار ایرنا گفت: این سامانه بر پایه تصاویر سونوگرافی آموزش دیده و در آزمایش‌های انجام‌شده توانسته است با دقت حدود ۹۶ درصد، درگیری یا عدم درگیری غدد لنفاوی را تشخیص دهد و به عنوان یک دستیار هوشمند در کنار پزشکان قرار گیرد.

آراییک طهماسیان افزود: طراحی سامانه پس از بررسی انواع مدل‌های هوش مصنوعی و انتخاب مناسب‌ترین الگوریتم متناسب با داده‌ها انجام شد و در حال حاضر نتایج این پژوهش در قالب یک مقاله علمی در نشریه ISI-Q1 منتشر شده و هدف نهایی تیم تحقیقاتی، توسعه آن به یک نرم‌افزار کاربردی برای استفاده در مراکز درمانی است.

وی گفت: در این پژوهش از ۵۰۲ تصویر سونوگرافی استفاده شد که شامل ۲۸۳ تصویر مربوط به بیماران بدون درگیری غدد لنفاوی و ۲۱۹ تصویر مربوط به بیماران دارای درگیری بود و برای بهبود عملکرد مدل، تصاویر با روش‌های متداول پردازش داده از جمله تغییر جهت و چرخش، افزایش داده شدند.

طهماسیان تأکید کرد: هدف این پروژه جایگزینی پزشک نیست، بلکه هوش مصنوعی باید به عنوان یک ابزار کمکی در کنار متخصصان عمل کند و با افزایش حجم داده‌ها و توسعه مدل، دقت آن نیز ارتقا یابد.

چالش «جعبه سیاه» در هوش مصنوعی پزشکی

این پژوهشگر یکی از چالش‌های مهم استفاده از هوش مصنوعی در پزشکی را ماهیت «جعبه سیاه» بسیاری از مدل‌ها دانست و گفت: یکی از مشکلاتی که نه تنها در ایران بلکه در سراسر جهان وجود دارد این است که بسیاری از نرم‌افزارهای هوش مصنوعی به‌ویژه در حوزه پزشکی، روش تصمیم‌گیری خود را به‌طور شفاف نشان نمی‌دهند و مشخص نیست که مدل به‌طور دقیق چگونه تصمیم گرفته است و این موضوع را به عنوان "جعبه سیاه" یا Black Box هوش مصنوعی می‌شناسند اما زمانی که پزشک یک تصویر رادیولوژی، سونوگرافی یا سایر تصاویر پزشکی را بررسی می‌کند بر اساس دانش و تجربه خود توضیح می‌دهد که چرا به یک تشخیص رسیده است.

وی افزود: ترکیب قضاوت پزشک با خروجی سامانه‌های هوشمند می‌تواند به تصمیم‌گیری دقیق‌تر منجر شود و هرچه داده‌های معتبر بیشتری در اختیار مدل قرار گیرد، عملکرد آن نیز بهبود خواهد یافت.

طهماسیان افزود: اگر این فناوری در قالب یک نرم‌افزار در کنار پزشک قرار گیرد، بهترین نتیجه حاصل می‌شود و پزشک تشخیص خود را ارائه می‌دهد. هرچه داده‌های بیشتری جمع‌آوری شود و تشخیص‌های پزشکان بیشتری در کنار سیستم ثبت شود، امکان توسعه مدل فراهم‌تر خواهد شد و نرم‌افزار به مرحله‌ای می‌رسد که می‌تواند کمک مؤثرتری در روند تشخیص و درمان بیماران داشته باشد.

هوش مصنوعی مسیر تشخیص و درمان سرطان سینه را تسهیل می‌کند

مجری این طرح پژوهشی نیز گفت: بهره‌گیری از هوش مصنوعی در حوزه سلامت می‌تواند مسیر تشخیص و درمان سرطان سینه را تسهیل کند و با کمک به تصمیم‌گیری پزشکان، ضمن کاهش جراجی‌های غیرضروری از تحمیل هزینه‌های اضافی به بیماران و نظام سلامت جلوگیری کند.

شکوفه یراقی با اشاره به اهمیت بررسی غدد لنفاوی زیر بغل در تعیین میزان پیشرفت بیماری افزود: سامانه‌های هوشمند هرگز جایگزین پزشک نیستند و تصمیم نهایی همواره بر عهده متخصص خواهد بود اما می‌توانند به عنوان یک سیستم پشتیبان تصمیم‌گیری (DSS) اطلاعات ارزشمندی در اختیار پزشکان قرار دهند.

وی با بیان اینکه نخستین گام در هر پژوهش مبتنی بر هوش مصنوعی، تعریف دقیق مساله و محدود کردن دامنه مطالعه است، گفت: زمانی که نام هوش مصنوعی مطرح می‌شود، بسیاری تصور می‌کنند تنها کافی است حجم زیادی از داده‌ها در اختیار سیستم قرار گیرد تا نتیجه مطلوب حاصل شود، در حالی که این تصور کامل نیست و در بسیاری از پروژه‌ها ما علاوه بر داده، دانش تخصصی پزشکان و متخصصان آن حوزه را نیز به سیستم منتقل می‌کنیم.

یراقی ادامه داد: در ابتدای اجرای چنین طرح‌هایی با متخصصان حوزه مربوطه مصاحبه و دانش علمی موجود درباره بیماری جمع‌آوری می‌شود و این اطلاعات به ما کمک می‌کند تا اولویت‌ها، عوامل خطر و شاخص‌های مهم تشخیصی را مشخص کنیم و سپس بر اساس آن‌ها مدل هوش مصنوعی را توسعه دهیم.

مجری طرح این پژوهش افزود: ممکن است در رویکرد مرحله‌ای، بیماری فرصت گسترش پیدا کند و از سوی دیگر در رویکرد تهاجمی‌تر، بیمار تحت آزمایش‌ها و اقدامات بیشتری قرار گیرد که هزینه‌ها و عوارض خاص خود را دارد و به همین دلیل استفاده از سیستم‌های هوشمند پشتیبان تصمیم‌گیری می‌تواند به پزشکان کمک کند تا مسیر مناسب‌تری را انتخاب کنند.

یراقی گفت: البته هیچ پزشک و هیچ مرکز درمانی نباید تنها بر اساس خروجی هوش مصنوعی اقدام درمانی انجام دهد اما این فناوری می‌تواند در کنار دانش و تجربه متخصصان، روند تصمیم‌گیری را دقیق‌تر کند.

هوش مصنوعی درحال تبدیل شدن به ابزار استاندارد تشخیص در پزشکی است

یکی دیگر از اعضای این طرح پژوهشی با اشاره به تجربه‌های جهانی استفاده از هوش مصنوعی در پزشکی اظهار داشت: سال‌هاست که این فناوری در کشورهای مختلف مورد استفاده قرار می‌گیرد و حتی در برخی مطالعات، سامانه‌های هوش مصنوعی توانسته‌اند دقتی بالاتر از پزشکان متخصص داشته باشند اما همچنان موضوع مسوولیت‌پذیری و اعتماد به سیستم‌های هوشمند یکی از مباحث مهم در حوزه سلامت است.

نرجس متقی افزود: این سامانه با بهره‌گیری از الگوریتم‌های بینایی ماشین، الگوهای موجود در تصاویر سونوگرافی را شناسایی می‌کند و می‌تواند تغییرات ظریفی را که ممکن است از دید انسان پنهان بماند، به پزشک هشدار دهد.

وی مهم‌ترین چالش توسعه چنین فناوری‌هایی را دسترسی به داده‌های استاندارد و باکیفیت دانست و گفت: هرچه داده‌های معتبر بیشتری در اختیار سامانه قرار گیرد، دقت و کارایی آن نیز افزایش خواهد یافت.

متقی تأکید کرد: هوش مصنوعی در پزشکی به عنوان دستیار تشخیصی عمل می‌کند، نه جایگزین پزشک و این فناوری با کاهش احتمال خطاهای انسانی و جلب توجه پزشک به موارد مشکوک، می‌تواند کیفیت خدمات درمانی و روند مراقبت از بیماران را ارتقا دهد و به حذف جراحی‌های غیرضروری، صرفه جویی در هزینه و کاهش استرس بیماران و برنامه ریزی دقیقتر برای درمان منجر شود.

این پژوهشگر افزود: در این روش تعداد زیادی تصویر به سیستم داده می‌شود و برای آن مشخص می‌شود که کدام تصاویر مربوط به وضعیت طبیعی و کدام تصاویر مربوط به وضعیت غیرطبیعی است، سپس نرم‌افزار با استفاده از این داده‌ها آموزش می‌بیند و می‌تواند در تصاویر جدید نیز الگوهای مشابه را شناسایی کند.

وی بیان کرد: هر جا که داده‌های مناسب وجود داشته باشد، می‌توان مدل‌های مختلف هوش مصنوعی را آزمایش و بهترین الگوریتم را انتخاب کرد و از همین رو توسعه این فناوری نیازمند همکاری گسترده مراکز درمانی، پزشکان و پژوهشگران برای جمع‌آوری و به‌اشتراک‌گذاری داده‌های معتبر است.

متقی خاطرنشان کرد: در هیچ یک از قوانین و استانداردهای پزشکی، هوش مصنوعی به عنوان تصمیم‌گیرنده نهایی شناخته نمی‌شود و مسوولیت تشخیص و انتخاب روش درمان همواره بر عهده پزشک است و سامانه‌های هوشمند تنها اطلاعات و تحلیل‌های تکمیلی را در اختیار متخصص قرار می‌دهند، موضوعی که در نهایت به ارتقای کیفیت خدمات درمانی و بهبود مراقبت از بیماران منجر خواهد شد.