جدیدترین کاربردهای هوش مصنوعی در پزشکی و مهندسی پزشکی

مجله علمی گیلادمیا / رضا اکبری موحد / هوش مصنوعی (AI) به شبیه‌سازی هوش انسان در ماشین‌هایی گفته می‌شود که طوری برنامه‌ریزی شدن که مثل انسان‌ها فکر و از اعمال اون‌ها تقلید کنن. این اصطلاح همچنین ممکنه برای هر دستگاهی که دارای ویژگی‌های مرتبط با ذهن انسان مثل یادگیری و حل مسئله باشه، به کار بره. این روزها با پیشرفت‌های چشمگیر هوش مصنوعی، بسیاری از مراکز تحقیقاتی و صنایع تجهیزات پزشکی سعی دارن که از این شاخه در فرآیندهای پزشکی بالینی و مهندسی پزشکی استفاده کنن. در این مقاله قصد داریم به چهار کاربرد جدید و جذاب هوش مصنوعی تو پزشکی و مهندسی پزشکی اشاره کنیم!

1. تشخیص بیماری ها
تشخیص صحیح بیماری‌ها سال‌ها به آموزش پزشکی نیاز داره. علاوه بر این، تشخیص بسیاری از بیماری‌ها اغلب یک فرایند سخت و زمانبره و همچنین در بسیاری از زمینه‌ها، تقاضا برای متخصصان بسیار بیشتر از عرضه موجوده. این امر پزشکانو تحت فشار قرار می‌ده و اغلب، تشخیص صحیح بیماری بیمارانو به تأخیر می‌اندازه. امروزه هوش مصنوعی باعث پیشرفت‌های عظیمی در تشخیص اتوماتیک بیماری‌ها شده، به طوری که هم‌اکنون سیستم‌های تشخیص بیماری به کمک کامپیوتر (CAD) نقش پررنگی را در مراکز بیمارستانی و درمانی ایفا می‌کنند. این سیستم‌ها با دریافت داده‌های پزشکی مثل تصاویر پزشکی اعم از تصاویر MRI، CT Scan، سونوگرافی و غیره و سیگنال‌های بیولوژیکی مثل سیگنال ECG، EEG، EMG و غیره، قادر هستند این داده‌هارو تحلیل و بر اساس این تحلیل‌ها بیماری‌های مختلفو تشخیص بدن.

2. تسریع روند تولید داروها
تولید داروها یک فرایند پرهزینه و زمان‌بره. بسیاری از فرآیندهای تحلیلی مربوط به تولید دارو رو میشه با هوش مصنوعی کارآمدتر کرد. این موضوع می‌تونه سال‌ها کار و صدها میلیون سرمایه‌گذاری رو از بین ببره. عموما روند تولید داروها در چهار مرحله متوالی خلاصه می‌شه که این چهار مرحله شامل: شناسایی اهداف مداخله، کشف کاندیداهای دارو، تسریع در آزمایشات بالینی و یافتن نشانگرهای زیستی برای تشخیص بیماری هستند. در مرحله اول اهداف مناسب (معمولاً پروتئین‌ها) برای درمان بیماری باید مشخص بشن. برای این مرحله، الگوریتم های هوش مصنوعی می‌تونن به راحتی همه داده‌های موجودو تجزیه و تحلیل کنند و حتی می‌تونن به طور خودکار اهداف مناسبو شناسایی کنند. در دومین مرحله تولید دارو، باید ترکیبی یافت بشه که بتونه به روش دلخواه با مولکول هدف تعامل داشته باشه. الگوریتم‌های هوش مصنوعی در اینجا هم می‌تونن مفید باشند. آن‌ها می‌تونن پیش‌بینی مناسب بودن یک مولکولو بر اساس اثر ساختاری و توصیف‌کننده‌های مولکولی یاد بگیرند. سپس آنها میلیون‌ها مولکول کاندید در تعاملو آنالیز و همشون رو به بهترین گزینه‌ها فیلتر می‌کنن. این امر موجب صرفه جویی در زمان زیادی در طراحی دارو میشه. هوش مصنوعی همچنین می‌تونه در مرحله سوم نیز نقش بسیار حیاتی داشته باشه، بدین صورت که این الگوریتم‌ها می‌تونن با تعیین خودکار کاندیداهای مناسب و همچنین اطمینان از توزیع صحیح گروه‌های شرکت کننده در آزمایش، طراحی آزمایش‌های بالینی را سریع‌تر کنند. در مرحله چهارم باید بهترین نشانگرهای زیستی برای بیماری مورد نظر شناسایی بشه. نشانگرهای زیستی مولکول‌هایی هستند که در مایعات بدن (معمولاً خون انسان) یافت می‌شن و اطمینان کامل در مورد بیماری یا عدم وجود بیماری در بیمار را ارائه میدن. هوش مصنوعی می‌تونه به صورت خودکار بهترین نشانگرهای زیستی برای تشخیص بیماری‌های مختلفو شناسایی کنه.

3. شخصی‌سازی درمان
بدن بیماران مختلف به داروها و برنامه‌های درمانی به شکل متفاوتی پاسخ میدن. بنابراین، شخصی‌سازی درمان، پتانسیل عظیمی برای افزایش طول عمر بیماران داره اما تشخیص اینکه چه عواملی باید روی انتخاب درمان تأثیر بذارن بسیار دشواره. هوش مصنوعی می‌تونه این تحلیل پیچیده‌رو به صورت خودکار انجام بده و به کشف ویژگی‌هایی که نشون میده بدن بیمار پاسخ خاصی به برنامه درمانی خواهد داد، کمک میکنه. بنابراین هوش مصنوعی می‌تونه پاسخ احتمالی بیمار را به یک برنامه درمانی خاصو پیش‌بینی کنه.

4. بهبود ویرایش ژن
سیستم خوشه‌بندی منظم تکرارهای کوتاه پالیندرومیک (CRISPR) یک سیستم کلی برای اصلاح و تغییر ژنه. این تکنیک به RNAهای کوتاه راهنما (sgRNA) برای هدف قرار دادن و ویرایش یک مکان خاص در DNA متکیه. با این حال، RNA راهنما می‌تونه چندین مکان DNA در خودش جای بده و این می‌تونه منجر به عوارض جانبی ناخواسته (عوارض خارج از هدف) بشه. انتخاب دقیق RNA راهنما با کمترین عوارض، معضل مهمی درسیستم خوشه‌بندی منظم تکرارهای کوتاه پالیندرومیکه. الگوریتم‌های هوش مصنوعی می‌تونن انتخاب دقیق RNA راهنمارو با کمترین عوارض انجام بدن. این موضوع می‌تونه به طور قابل توجهی توسعه RNA راهنما را برای هر منطقه از DNA انسان سریع‌تر و بهینه‌تر کنه.

نتیجه‌گیری
هوش مصنوعی در حال حاضر در تشخیص بیماری‌ها، تولید داروها، شخصی‌سازی فرآیندهای درمانی و حتی سیستم ویرایش‌های ژن کاربرد داره. با این حال، این کاربردها هنوز به عنوان گام اول ورود هوش مصنوعی به دنیای پزشکی و مهندسی پزشکی محسوب میشه. با پیشرفت الگوریتم‌های هوش مصنوعی، بیشتر شدن اطلاعات و داده‌های پزشکی و تحقیقات در حال انجام روی کاربردهای هوش مصنوعی در فرآیندهای پزشکی، میشه انتظار نقش‌آفرینی هرچه بیشتر و پیشرفت روزافزون هوش مصنوعی در دنیای پزشکی و مهندسی پزشکیو داشت.