داستان ازین‌جا شروع میشه که ساخت سوکت پروتز زیرزانو (یعنی همون قطعه‌ای که بقای بدن کسی که پای قطع شده داره رو با پروتز وصل می‌کنه) کلی تخصص و مهارت می‌خواد. یعنی واقعاً بستگی به مهارت و تجربه و حتی سلیقه خود پروتزسازه داره. هر پروتزی هر سوکتی رو یه جور درمیاره! به خاطر همین، ایده‌هایی مثل استانداردسازی و استفاده از هوش مصنوعی حسابی وسوسه‌کننده شدن. چون خب، اگه بشه این کار رو با یه رویکرد علمی و ثابت انجام بدیم، کیفیت زندگی خیلی‌ها بهتر میشه.
حالا پژوهشگرها اومدن سراغ این سوال: «میشه با هوش مصنوعی کاری کنیم که طراحی سوکت این پروتزها استانداردتر و پیش‌بینی‌پذیرتر بشه؟»
برای این‌کار، اطلاعات ۱۱۸ تا بیمار رو جمع کردن که توسط پروتزسازهای تو سیستم درمانی هلند ساخته شده بودن. داده‌هایی که از این بیمارا داشتن، شامل اسکن سه‌بعدی از اون قسمتی از پا که مونده (بهش می‌گن residual limb، یعنی همون بقای بدن بعد قطع عضو)، و مدل سه‌بعدی از سوکتی که اون پروتزساز طراحی کرده بوده. خلاصه، کلی دیتا داشتن که بتونن مقایسه و پیش‌بینی کنن.
اول اومدن سراغ تمیز کردن داده‌ها یا همون preprocessing که شامل مرتب‌سازی، هم‌تراز کردن مدل‌ها، و استانداردسازی داده‌ها بود. حتی برای فشرده‌سازیِ داده‌ها از چیزی استفاده کردن به اسم Morphable Models و Principal Component Analysis یا همون PCA. (Morphable Model یعنی یه مدل ریاضی که می‌تونه شکل یه چیزی مثل بدن یا صورت رو تو حالت‌های مختلف نشون بده؛ PCA هم یه روش ریاضی معروف برای فشرده‌سازی داده‌هاست که اطلاعات مهم‌تر رو جدا می‌کنه تا حجم داده کم بشه.)
بعدش سه مدل مختلف هوش مصنوعی رو روی این داده‌ها امتحان کردن:
- یه شبکه عصبی سه‌بعدی (3D Neural Network، یعنی یه مدل هوش مصنوعی پیچیده که داده‌های سه‌بعـدی رو مثل انسان می‌فهمه)
- یه شبکه عصبی پیشخور ساده‌تر (Feedforward Neural Network، یعنی مدل‌هایی که اطلاعات رو مرحله به مرحله جلو می‌برن و پیچیدگی کمتری دارن)
- مدل جنگل تصادفی (Random Forest، که یه مدل هوش مصنوعی قدیمی و خیلی کاربردیه که از ترکیب کلی درخت تصمیم‌گیری ساده درست میشه)
هدف هرکدوم از این الگوریتم‌ها این بود که یا به طور مستقیم شکل نهایی سوکت رو پیش‌بینی کنن، یا تغییراتی که پروتزساز داده تا از مدل پایه به سوکت نهایی رسیده (یعنی Adaptation) رو حساب کنن. خلاصه می‌خواستن ببینن اگه ما فقط اسکن سه‌بعدی بقای بدن رو به AI بدیم، آیا می‌تونه درست حدس بزنه سوکت باید چطوری باشه.
برای اینکه بدونن کارشون چقدر خوبه، اومدن سوکت طراحی‌شده توسط پروتزساز واقعی رو با سوکت تولیدی هوش مصنوعی مقایسه کردن. این کار رو با دو تا معیار انجام دادن:
- اندازه‌گیری فاصله سطح تا سطح (Surface-to-surface distance)، یعنی کل سوکت واقعی و سوکت AI رو روهم گذاشتن ببینن در کل چقدر اختلاف شکل دارن.
- تحلیل نقشه فاصله (Distance map)، یعنی بفهمن خطاها بیشتر تو کدوم نقطه‌ها هست و سوکت دقیقا کجاها با هم فرق دارن.
خب نتایج چی شد؟ دقیق‌ترین پیش‌بینی نه وقتی بود که شکل نهایی سوکت رو مستقیماً حدس بزنن، بلکه وقتی بود که اون تغییرات آقای پروتزساز (Adaptations) رو با AI پیش‌بینی می‌کردن! یعنی اگر AI یاد بگیره چه جوری یه پروتزساز حرفه‌ای یه مدل پایه رو دستکاری می‌کنه، بهتر می‌تونه سوکت درست رو بسازه.
بین سه تا مدل هوش مصنوعی، «جنگل تصادفی» یا همون Random Forest رو Adaptation Prediction (پیش‌بینی تغییرات) پایین‌ترین میزان خطا رو داشت. فاصله خطای سطح تا سطحش هم در میانه ۱٫۲۴ میلی‌متر بود (میانه یعنی نصف نتایجا بزرگ‌تر، نصفشون کوچیک‌تر از این عدد بودن)، و همین فاصله واسه یک‌چهارم کوچیکترترین نتایج ۱٫۰۳ میلی‌متر و واسه یک‌چهارم بزرگترین‌ها ۱٫۵۴ میلی‌متر بود. یعنی دقیقیتش واقعا خوب بود!
در نهایت، چیزی که جالب بود اینکه اگر AI رو تربیت کنیم که عادت‌ها و تغییرات یه پروتزساز واقعی رو یاد بگیره، می‌تونه واقعا موفق بشه و حتی شاید در آینده سوکت‌های پروتز خیلی دقیق‌تری بسازه. شاید با این روش دیگه نیاز نباشه اگه پروتزسازهای ماهر کم شدن، کیفیت زندگی کسایی که به این پروتزها نیاز دارن پایین بیاد.
در کل، این کار نشون میده هوش مصنوعی‌هایی که الان تو حوزه پزشکی دارن کار می‌کنن، می‌تونن به تنظیم و بهتر شدن کلی کارها کمک کنن. مخصوصاً تو کارای ظریفی مثل طراحی سوکت پروتزها. یه قدم مهم واسه اینکه تکنولوژی دست به دست آدمای متخصص بیاد و زندگی خیلیا رو آسون‌تر کنه!
منبع: +
