اگه دوست داری بدونی هوش مصنوعی و یادگیری عمیق چه کارایی می‌تونن تو درمان بیماری‌های چشم و جراحی گلوکوم بکنن، این مقاله دقیقاً همونه که باید بخونی! میخوام خیلی دوستانه برات توضیح بدم که چطور دانشمندا اومدن از روش‌های باحال هوش مصنوعی، مثل machine learning (یعنی یادگیری ماشین، همون الگوریتم‌هایی که از داده‌ها یاد می‌گیرن) و neural networks (شبکه‌های عصبی، مدل‌هایی که ساختارشون الهام گرفته از مغز انسانه)، استفاده کردن تا نتیجه‌ی جراحی‌های گلوکوم رو پیش‌بینی کنن.
داستان از این قراره که یه پژوهش حسابی بزرگ انجام شده، که کلی پزشک و متخصص از ۱۰ مرکز درمانی مختلف توش همکاری داشتن (یعنی یه پروژه واقعاً چندمرکزی بوده!). توی این پژوهش ۹۳۸۶ نفر بودن که عمل جراحی گلوکوم انجام دادن و حداقل یه سال بعد عمل، زیر نظر بودن و دو بار براشون فشار چشم (در واقع همون intraocular pressure یا IOP که معیار مهم سلامت چشمه) اندازه‌گیری شده. حالا هدف این بود که با استفاده از اطلاعات پرونده پزشکی الکترونیکی (EHR یعنی اطلاعات دیجیتالی همه ویزیت و آزمایشای قبلی فرد)، پیش‌بینی کنن که کی‌ها ممکنه جراحیشون موفقیت‌آمیز نباشه.
حالا اصلاً جراحی گلوکوم کی به حساب ناموفق میره؟ اگر فشار چشم بعد از عمل ۸۰٪ یا بیشتر مقدارش بمونه یا داروهای بیمار بعد از عمل زیاد بشه، یا اصلاً نیاز به عمل دیگه‌ای باشه، اون‌وقت میگیم جراحی شکست خورده.
الان سواله: این مدل‌های هوش مصنوعی واقعاً چقدر درست پیش‌بینی می‌کنن؟ تیم تحقیق برای این کار اومدن چند مدل مختلف ساختن و با هم مقایسه کردن. یکی از بهترین مدل‌ها یه مدل عصبی با ساختار خاص به اسم 1D-CNN (یعنی «شبکه عصبی کانولوشنی تک‌بعدی» که برای داده‌های ترتیبی مثل اطلاعات پزشکی قبل عمل خیلی کاربرد داره) بوده که تونست با دقت ۷۱/۶ درصد و AUROC 76.4٪ پیش‌بینی کنه. حالا AUROC رو اگه نمی‌دونی، یه سنجه است که نشون می‌ده مدل چقدر می‌تونه درست و غلط رو از هم جدا کنه؛ هرچی به ۱ نزدیک‌تر باشه یعنی بهتر.
یه مدل کلاسیک هم به اسم random forest (جنگل تصادفی، یکی از الگوریتم‌های خیلی محبوب یادگیری ماشینه که با ترکیب چندین درخت تصمیم کار می‌کنه) با AUROC حدود 76.2٪ و دقت 72.1٪ عملکرد خوبی داشت.
جالب اینجاست که دقت مدل‌ها برای پیش‌بینی شکست به خاطر فشار چشم بالا (همون IOP که گفتم) از همه بیشتر بود (AUROC 82 درصد). بعدش پیش‌بینی افزایش داروهای چشمی (80 درصد) و پایین‌ترین دقت مال زمانی بود که بیمار نیاز به عمل مجدد پیدا می‌کرد (68 درصد). وقتی این مدل‌ها رو روی داده‌های جدید و واقعی (یعنی از مرکزهایی که قبلاً تو آموزش مدل نبودن) امتحان کردن، دقت تقریباً ۲ تا ۴ درصد افت کرد که باز هم قابل قبوله.
در نهایت، این تحقیقات نشون داد که مدل‌های یادگیری ماشین و یادگیری عمیق واقعاً می‌تونن به پزشکا کمک کنن بفهمن احتمال داره کدوم بیمارا بعد از عمل به دردسر بخورن یا نیاز به مراقبت و دارو یا حتی جراحی اضافه داشته باشن. اینا یعنی تو آینده پزشکا ابزار بهتری دارن واسه تصمیم‌گیری و می‌تونن قبل عمل خیلی حساب‌شده‌تر با بیماراشون حرف بزنن و براشون برنامه‌ریزی کنن.
خلاصه ش: هوش مصنوعی داره کم‌کم وارد حوزه درمان بیماری‌های چشم هم میشه و می‌تونه تغییرات بزرگی تو مراقبت و مدیریت این بیماران ایجاد کنه. چه جالب!
منبع: +
