در عصر حاضر گزارشات الکترونیکی نیازمند استانداردسازی برای حفاظت از اکوسیسمهاست. به همین دلیل در سراسر دنیا بهرهگیری از فناوریهای روز همچون هوش مصنوعی در هر سازمان و صنعتی حائز اهمیت میباشد. آزمایشگاههای بالینی نیز یکی از این صنایع مهم محسوب میشود. هر چند استفاده از هوش مصنوعی در آزمایشگاههای بالینی به نظر تخصصی و کمی پیچیده باشد. به منظور بهرهگیری درست از این تکنولوژی در شبکه بهداشت جهانی و پیوند جامعه آزمایشگاهیان با AI نیاز به سطوح گوناگونی از آموزشهای تخصصی دارد. در ادامه، به مناسبت روز آزمایشگاهیان (۳۰ فروردین) به کاربردهای هوش مصنوعی در آزمایشگاههای بالینی خواهیم پرداخت. با گسترش تکنولوژی در جهان تعداد علاقهمندان به این حوزه نیز افزایش مییابد پس اگر به این حوزه علاقهمندید تا انتهای مقاله همراه ما باشید.
هوش مصنوعی در آزمایشگاه های بالینی و ظهور ماشینها
در سالهای اخیر نفوذ قدرت AI در راهاندازی، کنترل و مدیریت سیستمهای درمان و مراقبتهای بهداشتی و هوش مصنوعی در علوم پزشکی مختلف به سرعت در حال پیشروی بوده است. طبق پیشبینیها آینده متعلق به سیستمها و صنایعی است که از این قدرت اجتناب ناپذیر به نحو احسن در ابعاد مختلف سازمانی خود استفاده میکنند. بد نیست نگاهی به تعاریف و مفهوم کلی انواع هوش مصنوعی داشته باشیم.
هوش مصنوعی مفهوم گستردهتری است که هدف آن شبیهسازی قابلیتهای انسانی در ماشینهاست.
هوش مصنوعی مولد (GenAI) چیست؟
هوش مصنوعی مولد (Generative AI) بهشاخهای از هوش مصنوعی اشاره دارد که قادر به تولید محتوای جدید مانند متن، تصویر، موسیقی، ویدیو و حتی کد بر اساس دادههای آموزشدیده است. این مدلها با استفاده از الگوریتمهای پیشرفته مانند شبکههای عصبی عمیق (Deep Neural Networks)، الگوها و ساختارهای موجود در دادهها را یاد میگیرند و سپس محتوای مشابه اما جدید خلق میکنند.
هوش مصنوعی عمومی (AGI) چیست؟
هوش مصنوعی عمومی (AGI) یا «اَبَرهوش مصنوعی» هوشی است که توانایی درک، یادگیری، و انجام هر کار فکری که یک انسان میتواند انجام دهد را دارد. در اعماق دنیای فناوری، جایی که کدها به هم میرسند و الگوریتمها رقصان میشوند، مفهومی وجود دارد که ذهنها را تسخیر کرده و آینده را به چالش میکشد: هوش مصنوعی عمومی (AGI). این نه یک دستیار دیجیتالی ساده است و نه یک سیستم متخصص در یک حوزه خاص. AGI، تجسم یک هوش است که میتواند هر کار فکری را که یک انسان قادر به انجام آن است، انجام دهد.
هوش مصنوعی محدود (ANI) چیست؟
هوش مصنوعی محدود (Narrow AI) Artificial Narrow Intelligence نوعی از هوش مصنوعی است که برای انجام یک وظیفه خاص یا مجموعهای محدود از وظایف طراحی شده است. این نوع هوش برخلاف هوش مصنوعی عمومی (AGI)، توانایی تفکر یا تصمیمگیری خارج از حوزه تخصصی خود را ندارد. Narrow AI امروز در زندگی روزمره ما حضور دارد و ستون فقرات فناوریهای فعلی است. در مقابل هوش مصنوعی عمومی هنوز یک چشمانداز آینده است که در صورت تحقق، میتواند انقلابی در آموزش، سلامت و صنعت ایجاد کند.
11 کاربرد هوش مصنوعی در تشخیص آزمایشــگاهی بالینی
استفاده از هوش مصنوعی در تشخیص آزمایشگاهی بالینی با افزایش دقت و کارایی تشخیصی، حــوزه مراقبتهــای بهداشــتی را متحول کرده اســت.
1- سیســتمهای مجهز بــه هوش مصنوعی این پتانســیل را دارند که از روشهای ســنتی بهتــر عمل کنند که منجر به تحول در رویکردهای تشــخیصی میشــود.
2- در زمینه آزمایشگاههای میکروبیولوژی بالینی، هوش مصنوعی امکان تجزیــه و تحلیل کارآمدتر و دقیقتــر دادهها و صفحات میکروبی را فراهم کرده اســت.
3- الگوریتــمهای یادگیری ماشــینی میتواننــد دادهها را برای شناســایی خطاها در آزمایشهای آزمایشگاهی تجزیه و تحلیل کنند که منجر به تشــخیصهای قابل اعتمادتر و دقیقتر میشود.
4- هوش مصنوعی میتواند الگوهای پنهان و خطرات بیماریهایی مانند ســرطانهای مختلــف و انفارکتوس میوکارد را با بررســی اجزای مختلف در یک مجموعه داده پیشبینی کند.
5- هوش مصنوعی این قدرت را دارد که تجزیه و تحلیل دادههای پزشکی را بهبود بخشد، نتایج تشــخیصی دقیقتر و قابــل اعتمادتری ارائه دهد و نتایج بیمار را بهبود بخشد.
6- هوش مصنوعــی به طور قابل توجهی بر حوزه آسیبشناســی، به ویژه در حوزه آسیبشناسی دیجیتال تأثیر گذاشته است.
7- الگوریتمهای هوش مصنوعی میتوانند تصاویــر دیجیتال را با وضوح بالا تجزیــه و تحلیل کنند و به تشــخیص بیماریهایــی مانند ســرطان روده بزرگ، سرطان پروستات و سرطان ســینه کمک کنند.
8- با استفاده از هــوش مصنوعی برای تجزیه و تحلیل تصویر، متخصصان مراقبتهای بهداشتی میتوانند اطلاعات پنهان را از تصاویر استخراج کنند و بیماریها را زود تشخیص دهند، که منجر به بهبود مدیریت بیماری و مراقبت از بیمار میشود.
9- در حــوزه بیمــاریهــای عفونی هــوش مصنوعی با پیشبینی و کنترل شــیوع بیماریهــای عفونی، نقش مهمی در تشــخیص بیماریهای عفونی ایفا میکند.
10- در میکروبیولــوژی، الگوریتمهای هوش مصنوعی میتوانند میکــروارگانیســمهای خاصی را بر اســاس رنگبندی کلونــی روی صفحات گار شناســایی کنند.
11- فناوریهای هوش مصنوعی با افزایش قابلیتهای تشخیصی، تجزیه و تحلیل نشانگرهای زیســتی مرتبط با ایمنی و شخصی ســازی اســتراتژیهای درمانی، ایمونولوژی را متحول کرده اســت.
با ادغــام هوش مصنوعــی در تکنیکهای ایمونولوژیک ســنتی، متخصصان مراقبتهای بهداشتی مــی توانند تصمیمــات آگاهانهتری بگیرنــد و به نتایج بهتری برای بیمار دست یابند.
آینده هوش مصنوعی در تشــخیصهای آزمایشگاهی بالینی
ادغــام هوش مصنوعی در تشــخیصهای آزمایشگاهی بالینی، پیشــرفتهای قابل توجهی در زمینه مراقبتهای بهداشــتی به همراه داشته است. سیستمهای هــوش مصنوعی توانایی تجزیه و تحلیل مجموعه دادههای پیچیــده و گســترده را دارند که منجر به تشــخیصهای دقیقتر، رویکردهای درمانی شــخصی شده و بهبود مراقبت از بیمار میشود.
آینده تشخیصهای آزمایشگاهی بالینی با توسعه و اجرای مداوم فناوریهای هوش مصنوعی امیدوارکننده به نظر میرسد.
کاربرد هوش مصنوعی در آزمایشگاه های بالینی
به طور کلی، هوش مصنوعی در پزشکی آزمایشگاهی برای اتوماسیون گردش کاری مبتنی بر انسان و تصمیمات عملیاتی مورد استفاده قرار میگیرد. مهمترین کاربردهای هوش مصنوعی در این حوزه عبارتند از:
- آزمایشات ژنومیک
- خودکارسازی انجام تست ها
- بررسی دقیق و خودکار نتایج آزمایشگاهی
- تفسیر تست های آزمایشگاهی
- تجزیه و تحلیل تصاویر میکروسکوپی
هوش مصنوعی در مراقبت های بهداشتی چه نقشی دارد؟
دقت انجام آزمایشهای بالینی و بدست آوردن نتایج درست همواره در تعیین انواع بیمایها و در نتیجه حفظ جان بیمار حائز اهمیت بوده است. دومین مورد مهم در حین انجام آزمایشات، تکرارپذیری نتایج و ارائه دیتای به هم پیوسته میباشد. (یعنی نتایج حدوداً مشابه یک تست در آزمایشگاههای نقاط گوناگون دنیا) استفاده از هوش مصنوعی در آزمایشگاههای بالینی به بهبود این دو فاکتور مهم کمک میکند.
بهرهمندی از این فناوری در کنار ارتقاء راندمان گردش کاری پرسنل آزمایشگاهی به تشخیص دقیقتر و بهبود دادهها کمک خواهد کرد. با کمک هش مصنوعی میتوان اطلاعات و دانش و آگاهی مناسبی را در مدت زمان کمتری در اختیار پزشکان و کادر آزمایشگاهی قرار داد که دیگر نیازی به استفاده از الگوریتمهای پیجیده توسط انسان نباشد. این فرآیند به بهینهسازی مرافبت از بیماران توسط هوش مصنوعی کمک میکند.
طبق مصاحبات صورت گرفته با مسئولین آزمایشگاهی حدود ۱۵. ۶% از مراکز آزمایشگاهی از AI استفاده میکنند و تقریباً ۶۶. ۴% مسئولین بر این باورند که در آینده نزدیک از AI استفاده میکنند.
زیرساخت مورد نیاز برای استفاده از هوش مصنوعی در آزمایشگاه
شناخت و تأمین زیرساخت مورد نیاز پیادهسازی هوش مصنوعی در فضای تشخیص آزمایشگاههای بالینی یکی از مهمترین چالش هاست. برای اجرای این چنین سیستمی در آزمایشگاهها به زیرساخت به هم پیوسته همراه با دادههای بسیار دقیق نیاز است تا سهولت استفاده از هوش مصنوعی برای هر کاربر و حتی بیماران و افراد عادی نیز در سازمان برقرار شود. همچنین اشتراکگذاری دادهها به شکل الکترونیکی میان چند سازمان نیز مسأله مهمی است. در ادامه مطلب به چگونگی تغییرات محتوایی، فنی و سازمانی در مراکز آزمایشگاه بالینی میپردازیم.
پیش نیازهای به کارگیری هوش مصنوعی در آزمایشگاه های بالینی
1- امکان تبادل اطلاعات پزشکی در سطح بینالمللی (بدون ابهام) و با استانداردسازی اطلاعات تخصصی
حتی در مناطق مختلف داخل یک کشور نیز، نامگذاری آزمایشات معمولاً متفاوت است. به عنوان مثال، ویتامین دی (vitamin D) میتواند با نامهای زیر نیز شناخته شود:
- 25-OH-vitamin D
- Vitamin D3
- calciol
- 25-hydroxycholecalciferol
- Calcidiol
- cholecalciferol
به علاوه، این ویتامین غالباً با دو واحد گوناگون ug/L و mmol/L اندازه گیری میگردد.
برای استفاده بهینه از قدرت هوش مصنوعی، آزمایشگاهها باید از اصطلاحات استاندارد بینالمللی استفاده کنند. این امر هرگونه سردرگمی در مورد نامهای آنالیتها را از بین میبرد و باعث میشود رایانهها بتوانند به طور مؤثرتر و سریعتر دادهها را شناسایی، پردازش و مبادله کنند.
۲. قابلیت ردیابی نتایج برای مقایسه
همانطور که گفته شده، تکرارپذیری یک آزمایش از اهمیت بسیار بالایی برخوردار است. در آزمایشگاههای بالینی، عوامل مختلفی میتوانند بر تکرارپذیری داده تاثیر بگذارند.
به عنوان مثال، روش انجام آزمایش منبعی از عدم قطعیت محسوب میشود. این امر میتواند بر ایمنی بیمار و نتایج بالینی تأثیر بگذارد. منظور از قابلیت ردیابی، در واقع استانداردسازی یک روش و کاهش تنوع است. واژگان بین المللی مترولوژی، قابلیت ردیابی (Traceability) را به عنوان یک استاندارد تعریف میکند که به موجب آن میتوان از طریق یک زنجیره ناگسستنی از استانداردهای ملی یا بین المللی، به نتیجهای تقریباً یکسان دست یافت. ISO 15189 استانداردی است که روش دستیابی به قابلیت ردیابی نتایج در آزمایشگاه را توضیح میدهد. به همین دلیل برای استفاده از هوش مصنوعی در آزمایشگاههای بالینی لازم است که آزمایشگاه از استانداردهای قابلیت ردیابی دادهها پیروی نماید.
۳. نظرات تفسیری به عنوان بخش مهمی از گزارشهای آزمایشگاهی الکترونیکی
در ارائه نتایج آزمایشگاهی، تنها نتیجه نهایی مهم نیست. بلکه گزارشات تفسیری نیز بخش مهمی از گزارش یک آزمایش را تشکیل میدهند. به عنوان مثال، میزان ایدهآل یا درمانهای بالینی میتوانند بر نتایج آزمایش تاثیر بگذارند. این موارد حتماً باید در تفسیر آزمایشها ذکر شوند. این نظرات برای تفسیر صحیح نتایج آزمایشگاهی، چه توسط متخصصان بالینی و چه هوش مصنوعی، بسیار مهم است و باید در گزارش الکترونیکی ادغام شود.
با این وجود، هیچ استانداردی برای ذخیره و انتقال این اطلاعات ایجاد نشده است. با ایجاد یک زیرساخت به هم پیوسته، میتوان اطلاعات بیمار، از جمله سوابق الکترونیکی، تصویربرداری پزشکی و نتایج آزمایشات را در یک پایگاه داده ثبت نمود. به این ترتیب نظارت بر سلامت بیمار نه تنها برای پزشک و کارکنان آزمایشگاه آسانتر میشود، بلکه از طریق هوش مصنوعی نیز بسیار راحتتر صورت میگیرد.
۴. امکان فیلتر کردن اطلاعات
یکی از نکات مهم در پیادهسازی هوش مصنوعی در آزمایشگاه های بالینی، توجه به میزان اطلاعات است. در سیستم یک آزمایشگاه ممکن است تعداد بسیار بالایی از گزارشات آزمایشگاهی برای یک بیمار ثبت شده باشد. اما برای بررسی یک بیماری خاص مانند آسیب کلیوی، ممکن است فقط لازم باشد میزان کراتینین در آزمایشات بررسی شود. به همین دلیل در حالت ایدهآل، یک گزارش الکترونیکی باید قابلیت فیلتر کردن داشته باشد. یعنی قادر باشد نتایج را در پیامهای کوچکتر و استراتژیکتر سازماندهی کند.
۵. توجه به تمام ذینفعان در حین استفاده از هوش مصنوعی در آزمایشگاههای بالینی
درگیر کردن ذینفعان و کارشناسان مختلف برای همکاری موفق در حوزه مراقبتهای سلامتی ضروری است. ذینفعان یک آزمایش، شامل آزمایشگاه، پزشک و بیمار میشوند. بنابراین آزمایشگاهها باید ارتباط نزدیک خود را با پزشک معالج و بیمار حفظ کنند. برای ارائه نظرات تفسیری با کیفیت بالا، آزمایشگاهها نیاز به حفظ و توسعه تخصص لازم و بهبود مهارتهای مرتبط با فناوری اطلاعات برای استخراج و پردازش دادههای بالینی دارند. با اشتراکگذاری سریع و آسان دادهها، پزشکان و برنامههای هوش مصنوعی میتوانند با چالش ترافیک انبوه دادهها به راحتی مواجه شوند. به این ترتیب خطر سوء تفسیر نتایج آزمایشگاهی کاهش خواهد یافت. به همین دلیل حین پیادهسازی هوش مصنوعی در آزمایشگاههای بالینی حتماً باید به چنین موردی توجه شود.
چالشهای دسترســی و گردآوری داده برای توسعه مدلهای یادگیری ماشین در کاربردهای پزشکی
توســعه مدلهای یادگیری ماشــین بــرای کاربردهای پزشــکی، نیازمند حجم عظیمی از دادههای بیمار اســت. بــا این وجود، این دادهها به دلیــل نگرانیهای مربوط به حفظ حریم خصوصی و فقدان قالبهای اســتاندارد، اغلب پراکندهاند و دسترسی به آنها دشوار است. دسترسی و گردآوری داده با موانع متعددی روبرو است:
- نگرانیهای مربوط به حفظ حریم خصوصی: استفاده از داده هــای بیمار برای تحقیقــات، نیازمند رضایت بیمار است که فرآیندی زمانبر به حساب میآید.
- پراکندگی دادهها: دادههای بالینی در ســامانههای مجــزای مراکــز مختلف مراقبــتهای بهداشــتی ذخیره میشوند و همین امر، ترکیب آنها برای تحلیل را با مشکل مواجه میکند.
- عدم قابلیت همــکاریپذیری: قالب هــای داده و استانداردهای ارتباطی بین تجهیزات پزشکی و نرمافزارها، ناسازگار بوده و مانع تبادل داده میشود.
- کیفیت دادهها: اســتانداردسازی محدود آزمایشهای آزمایشــگاهی و وجــود ســوگیریهای بالقــوه در فرآیند جمعآوری داده، بر دقت مدلهای یادگیری ماشــین تأثیر میگذارد.
تمامی این چالشها، توســعه مــدلهای مؤثر یادگیری ماشــین برای کاربردهای پزشــکی را با دشــواری مواجه میسازند.
جمع بندی
همانطور که در ابتدای مطلب اشاره شد، امروزه با توجه به پشرفت تکونولوژی، بسیاری از آزمایشگاهها نیز به استفاده از هوش مصنوعی ترغیب شدهاند. هوش مصنوعی، علاوه بر بهبود مراقبت از بیماران، میتواند فرآیند نظارت بر سلامت عمومی جامعه را ارتقا داده و پیشرفت علمی را نیز سرعت ببخشد.
پیاده سازی این نوع سیستم در ظاهر ساده به نظر میرسد و در گام نخست فقط به یک پشتیبانی نرم افزار و سخت افزار نیاز ددارد. ولی استفاده از هوش مصنوعی در آزمایشگاه های بالینی پیچیدهتر از چیزی است که تصور میکنیم.
دادههای طبقهبندی نشده، غیراستاندارد و ناقص از چاش های مهم پیاده سازی سیستم AI در آزمایشگاه هاست. غلبه بر این مشکلات نیازمند فراهم کردن زیرساخت هایی قوی برای ترکیب، تبادل، تجزیه و تحلیل دادهها در قالبهای قابل درک ماشین (کامپیوتر) است.
