خب بذارید یه موضوع مهم رو با هم مرور کنیم: وزن کم نوزاد موقع تولد (Low Birth Weight یا به اختصار LBW) یعنی نوزادی که زیر ۲۵۰۰ گرم وزن داره. این قضیه می‌تونه واسه سلامت بچه و البته مامانش دردسر درست کنه، حتی اگه همیشه هم به درمان نیاز نداشته باشه. مثلاً بچه‌هایی که LBW دارن، بیشتر در معرض مشکلات سلامتی هستن.
حالا چی میشه اگه بتونیم خیلی زودتر بفهمیم کدوم مامانا و بچه‌ها در خطر این موضوع هستن؟ دقیقاً همینجا پای هوش مصنوعی و یادگیری عمیق (Deep Learning) وسط میاد! مثلاً یادگیری عمیق یعنی الگوریتم‌هایی که مثل مغز ما، یه جورایی خودشون یاد می‌گیرن الگوها رو تشخیص بدن. تو این مطالعه تو منطقه شمال شوا در اتیوپی، اومدن با کمک مدل‌های هوش مصنوعی بررسی کردن ببینن مراقبت‌های پیوسته توسط ماماها (Midwife-Led Continuity Care یا MLCC که یه روشه که ماماها پی‌درپی مراقبت و مشاوره میدن) چقدر رو LBW تاثیر داره یا نه.
چی کار کردن؟
داستان از این قراره که ۱۱۶۶ خانم باردار رو بین دو گروه تقسیم کردن: یه عده زیر نظر ماماها (MLCC) بودن، بقیه هم مثل بقیه معمول تو سیستم درمانی مراقبت می‌شدن. بعد داده‌هاشون رو ریختن تو مدل‌های یادگیری عمیق (مثل Deep Neural Network یا DNN یعنی شبکه‌های عصبی با لایه‌های زیاد) و چندتا روش هوش مصنوعی خاص مثل:
- Counterfactual Convolutional Neural Networks (شبکه‌های عصبی کانولوشنی ویژه که مثلاً کارشون تحیل الگوهای زمانی تو داده‌هاست)
- Bayesian Ridge Regression (یه مدل آماری که اومده خطا و انحراف داده‌ها رو بهتر درک می‌کنه)
همچنین دو تا مدل خیلی باحال به نام CFR-WASS و CFR-MMD رو امتحان کردن:
- CFR یعنی Counterfactual Regression، یعنی مدلی که سعی می‌کنه پیش‌بینی کنه اگر شرایط متفاوت بود (مثلاً یه نفر تو گروه مراقبت ماماها یا گروه دیگه بود) نتیجه چی می‌شد.
- CFR-WASS مدل همونCFR هست منتها Wasserstein Distance رو برای مقایسه داده‌ها استفاده می‌کنه (یعنی به کمک یه جور معیار ریاضی باحال، می‌سنجه چقدر توزیع داده‌های دو گروه فرق داره)
- CFR-MMD هم مشابه همه ولی معیار دیگه‌ای به اسم Maximum Mean Discrepancy داره (یه روش برای فهمیدن شباهت یا تفاوت آماری بین گروه‌ها).
نتیجه‌ها چی شد؟
مدل شبکه عصبی DNN تونست خیلی خوب پیش‌بینی کنه کدوم مادرها در معرض LBW هستن: دقت مدل تو مرحله تمرین ۸۱.۳٪ بوده و توی تست هم ۸۱.۴٪! حتی شاخص AUC که بیانگر قدرت مدل توی تفکیک ریسک‌هاست، شد ۰.۸۸ که عالیه.
یه کشف جالب دیگه این بود که یه رابطه معنی‌دار آماری بین سندروم مکونیوم (Meconium Aspiration Syndrome یا MAS، یعنی وقتی نوزاد قبل یا حین زایمان مدفوع رو تو ریّه‌هاش می‌کشه) و وزن کم نوزاد وجود داره. اما اینطور نیست که برعکس MAS مستقیماً باعث LBW شه. معمولاً MAS نتیجه یه جور استرس تو زمان بارداری یا زایمانه که خودش ممکنه وزن نوزاد رو، غیرمستقیم، تحت تاثیر بذاره.
توی آنالیزهای دقیق‌تر، مدل CFR-WASS تونست با دقت ۸۴٪ حساب کنه و شاخص‌هایی مثل PEHE=1.006 و ATE=0.24 رو ارائه بده (PEHE یعنی خطای تخمین تاثیر درمانِ متفاوت برای افراد مختلف، و ATE یعنی اثر متوسط مداخله روی همه). CFR-MMD هم دقت خوبی داشت (PEHE=1.02 و ATE=0.45).
این اعداد نشون میدن مدل‌ها می‌تونن برای هر مادر به صورت شخصی‌شده پیش‌بینی کنن کدوم مراقبت‌ها واسش بهترن.
نتیجه کلی چی بود؟
خلاصه ماجرا اینه که اون مدل‌های یادگیری عمیق بتونن کمک کنن مامان‌هایی که بچه‌شون در خطر LBW هست زودتر شناسایی بشن و با کمک مراقبت‌های هوشمندانه توسط ماماها، ریسک رو پایین بیارن. حتی مدل‌ها نشون دادن عواملی مثل MAS و دسترسی به خدمات سلامتی خیلی مهمن و باید روی اون‌ها تمرکز کرد.
در نهایت، این جور تحقیقات و مدل‌های هوش مصنوعی می‌تونن دست راست پزشکا بشن واسه تصمیم‌گیری دقیق‌تر و طراحی مراقبت‌هایی که حسابی شخصی و هوشمند باشن تا هم سلامت مادر و هم نوزاد تضمین باشه!
منبع: +
