خب بچه‌ها بیاید باهم درباره یکی از موضوعات داغ دنیای سلامت و هوش مصنوعی گپ بزنیم: چطور می‌تونیم با کمترین دردسر، فشار خون شریانی (که بهش ABP هم میگن) بیمارا رو موقع عمل جراحی و مراقبت ویژه به صورت لحظه‌ای پیش‌بینی کنیم؟ یعنی لازم نباشه همیشه دستگاه‌های گرون و دست‌وپاگیر وصل کنیم.
اصلاً ABP چیه؟
ABP یا “Arterial Blood Pressure” یعنی همون فشار خونی که توی شریان‌ها جریان داره و برای کنترل وضعیت بیمارا، مخصوصاً موقع عمل و تو بخش مراقبت‌های ویژه، فوق‌العاده مهمه. اما گرفتنش معمولاً یا درد داره، یا تجهیزات گرون و خاص لازم داره.
حالا چی شده که هوش مصنوعی وسط اومده؟
خیلی از بچه‌های دانشمند تا الان کلی مدل یادگیری عمیق ساختن تا با استفاده از سیگنال‌های ساده‌تر مثل نوار قلب (Electrocardiogram یا همون ECG) و فوتوپلتیسموگرام (Photoplethysmogram یا PPG، یه جور سیگناله که انگشت می‌گیرن برای اکسیژن و ضربان قلب) بتونن ABP رو خیلی راحت‌تر پیش‌بینی کنن. اما مشکل چی بوده؟ اکثر این مدل‌ها سنگینن و روی دستگاهای کوچیک و سیستم‌های توکار عمل جراحی (Embedded systems یعنی سخت‌افزارای کوچیک و سبک که تو وسایل پزشکی استفاده میشن) اجراشون سخته.
اینجا یه مدل خفن به اسم sInvResUNet معرفی شده
توی این تحقیق اومدن یه مدل سبک معرفی کردن به اسم sInvResUNet که فقط 0.89 میلیون پارامتر داره!
حالا این پارامترها چی‌ان؟ تعداد پارامترها، یعنی تعداد چیزایی که مدل برای یادگرفتن تنظیم می‌کنه—هرچی کمتر باشه، مدل سبک‌تره و واسه سخت‌افزارای ضعیف‌تر مناسب‌تره.
علاوه بر این، بار پردازشی مدل فقط 0.02 GFLOPS بوده. (GFLOPS یعنی چند میلیارد محاسبه در هر ثانیه—عدد پایین‌تر دوست‌تر!)
یه خبر هیجان‌انگیز: این مدل می‌تونه در کمتر از ۸.۵ میلی‌ثانیه برای هر ۱۰ ثانیه سیگنال، خروجی بده! یعنی تقریباً زنده و بی‌وقفه میشه فشار خون رو پیش‌بینی کرد!
بذار یه نکته خفن‌تر هم بگم:
اونها یه شیوه یادگیری همکاری‌ای تازه هم پیاده کردن به اسم KDCL_sInvResUNet. این روش یه جور بازی گروهیه که مدلای قوی و سبک باهم همکاری می‌کنن تا بهترین نتیجه رو بدن (Collaborative Learning یعنی مدل‌ها از همدیگه یاد می‌گیرن که بهتر پیش‌بینی کنن).
روی چه دیتاستی تست شد؟
این پژوهش روی یه دیتاست عظیم در اتاق عمل تست شده: 1,257,141 بازه داده از 2,154 نفر بیمار با فشارهای مختلف (نوسان فشار سیستولیک بین 41 تا 257 و دیاستولیک بین 31 تا 234 میلی‌متر جیوه!). یعنی کلی آدم با شرایط و سن‌های مختلف! اینطوری می‌تونیم امیدوار باشیم مدل فقط روی یه گروه خاص درست کار نمی‌کنه.
نتایج چطور بود؟
مدل جدیدشون (KDCL_sInvResUNet) تونسته حتی نسبت به مدل‌های خیلی بزرگ‌تر هم یه ذره بهتر عمل کنه! مثلاً میانگین خطاش فقط 10.06 میلی‌متر جیوه بود و همبستگی Pearsonش (که یه جور معیار خوب بودن مدل توی تعقیب تغییرات فشار خونه) 0.88 شد. حالا Pearson Correlation یعنی چقدر مدل مثل واقعیت بالا و پایین میره—هر چی به ۱ نزدیک‌تر باشه، یعنی مدل عالی حرکت فشار خون واقعی رو دنبال می‌کنه.
اما همه چیز گل و بلبل نیست!
نکته مهمی که گفتن اینه که حتی بهترین مدل‌ها وقتی شرایط بیمارا یا سن و نژاد فرق داره، کارایی‌شون فرق می‌کنه. یعنی هنوز هم توی جمعیت‌های خیلی متنوع مدل‌ها چالش دارن و ممکنه برای همه جواب نده. پس کلی کار هست که بتونیم این مدل‌ها رو واقعاً جهانی و استاندارد کنیم.
در آخر…
این تحقیق یه قدم بزرگ رو نشون می‌ده برای اینکه بتونیم تو کاربردهای واقعی و در لحظه (Real-time یعنی دقیقاً همون موقع) فشار خون را بی‌دردسر و دقیق پایش کنیم. این فقط یه نقطه شروعه—قطعاً کلی پیشرفت و مسیر باحال جلوی پای هوش مصنوعیه تا جای دستگاهای دست و پاگیر قدیمی رو بگیره!
اگه دوست داری درباره مدل‌های عمیق هوش مصنوعی تو پزشکی و سخت‌افزارای سبک بیشتر بدونی، حتماً این حوزه رو زیر نظر داشته باش! خفن‌ترین پیشرفت‌ها از همین‌جا میان.
منبع: +
