هوش مصنوعی جان تازه‌ای به درمان می‌دهد: انقلاب در مراقبت‌های بهداشتی

پیشرفت‌های یادگیریِ تقویتی توی حوزه‌ی مراقبت‌های بهداشتی

یادگیری تقویتی، یه رویکرد از هوش مصنوعی، این توانایی رو داره که به پزشکا کمک کنه تا استراتژی‌های درمانیِ پی‌در‌پی رو طراحی کنن و نتایجِ بهتری برای بیمارا رقم بزنن. اما، قبل از اینکه بشه ازش توی محیط‌های بالینی استفاده کرد، نیاز به بهبودهای اساسی داره. این نتیجه‌گیری توی یه مطالعه‌ی جدید توسط محققای دانشگاه وایل کرنل و دانشگاه راکفلر به دست اومده.

یادگیری تقویتی (RL) یه نوع از الگوریتم‌های یادگیری ماشینیه که می‌تونه تصمیمای متوالی رو توی طول زمان بگیره. این رویکرد، مسئول پیشرفت‌های اخیر توی هوش مصنوعی بوده، از جمله عملکردِ فراتر از انسان توی بازی‌های شطرنج و گو. RL می‌تونه با استفاده از شرایطِ در حال تغییرِ بیمارا، نتایجِ آزمایش‌ها و پاسخ‌های درمانیِ قبلی، بهترین قدم بعدی رو توی مراقبتِ شخصی از بیمارا پیشنهاد بده. این روش، به‌ویژه برای تصمیم‌گیری توی مدیریت بیماری‌های مزمن یا روان‌پزشکی، امیدبخش به نظر میرسه.

این تحقیق که توی مجموعه‌ی مقالات کنفرانس سیستم‌های پردازش اطلاعات عصبی (NeurIPS) منتشر شده (و 13 دسامبر ارائه شد)، “اپیزودهای مراقبت” (EpiCare) رو معرفی می‌کنه که اولین معیارِ RL برای مراقبت‌های بهداشتی هست. دکتر لوگان گروسنیک، استادِ علوم اعصاب در روان‌پزشکی و رهبر این تحقیق، گفت: “معیارها به بهبودِ کاربردهای یادگیری ماشین، مثل بیناییِ کامپیوتر، پردازش زبان طبیعی، تشخیصِ گفتار و ماشین‌های خودران، کمک کردن. ما امیدواریم که این معیارها، الان پیشرفتِ RL رو توی حوزه‌ی بهداشت و درمان، سرعت ببخشن.”

عامل‌های RL، بر اساس بازخوردهایی که می‌گیرن، عملکردشون رو اصلاح می‌کنن و کم‌کم یه سیاستی رو یاد می‌گیرن که تصمیم‌گیری‌هاشون رو بهتر می‌کنه. دکتر گروسنیک اضافه کرد: “با این حال، یافته‌های ما نشون می‌ده که، با اینکه روش‌های فعلی امیدوارکننده هستن، ولی شدیداً به داده‌ها نیاز دارن.”

محقق‌ها اول عملکرد پنج مدلِ پیشرفته‌ی آنلاینِ RL رو روی EpiCare آزمایش کردن. هر پنج مدل، از یه خط پایه (baseline) استانداردِ مراقبت، بهتر عمل کردن، اما فقط بعد از آموزش روی هزاران یا ده‌ها هزار اپیزودِ درمانِ شبیه‌سازی‌شده‌ی واقعی. توی دنیایِ واقعی، روش‌های RL هیچ‌وقت مستقیماً روی بیمارا آموزش داده نمی‌شن. برای همین، محقق‌ها بعدش پنج روشِ رایج “ارزیابی خارج از سیاست” (OPE) رو ارزیابی کردن. اینا روش‌های محبوبی هستن که هدفشون اینه که از داده‌های تاریخی (مثل داده‌هایی که از آزمایش‌های بالینی به دست اومدن) استفاده کنن تا نیاز به جمع‌آوری داده‌های آنلاین رو دور بزنن. با استفاده از EpiCare، اونا فهمیدن که روش‌های OPE پیشرفته، به‌طور مداوم توی پیش‌بینی دقیقِ داده‌های بهداشتی شکست می‌خورن.

دکتر میسون هارگراو، نویسنده‌ی اصلی این تحقیق و پژوهشگرِ دانشگاه راکفلر، گفت: “یافته‌های ما نشون می‌ده که روش‌های OPE پیشرفته‌ی فعلی، نمی‌تونن به ‌درستی عملکرد یادگیری تقویتی رو توی سناریوهای طولیِ بهداشتی پیش‌بینی کنن.” با توجه به اینکه روش‌های OPE دارن بیشتر برای کاربردهای بهداشتی مطرح می‌شن، این یافته، نیاز به توسعه‌ی ابزارهای معیاریِ دقیق‌تر، مثل EpiCare، رو برای ارزیابیِ رویکردهای RL موجود و ارائه‌ی معیارهایی برای اندازه‌گیریِ بهبودها، برجسته می‌کنه.

آسون‌ کردن ارزیابیِ یادگیری تقویتی توی مراقبت‌های بهداشتی

دکتر گروسنیک گفت: “امیدواریم این کار، به ارزیابیِ قابل‌اعتمادتر یادگیری تقویتی توی محیط‌های مراقبت‌های بهداشتی کمک کنه و توسعه‌ی الگوریتم‌ها و پروتکل‌های آموزشیِ بهتری رو که برای کاربردهای پزشکی مناسب هستن، سرعت ببخشه.”

تطبیقِ شبکه‌های عصبی کانولوشنی برای تحلیلِ داده‌های گرافی

توی دومین انتشارِ NeurIPS که همون روز ارائه شد، دکتر گروسنیک تحقیقاتش رو درباره‌ی تطبیق شبکه‌های عصبی کانولوشنی (CNN)، که معمولاً برای پردازشِ تصاویر به‌کار میرن، برای کار با داده‌های ساختاریافته‌ی گرافیِ عمومی‌تر، مثل شبکه‌های مغزی، ژنی یا پروتئینی، به اشتراک گذاشت. موفقیتِ زیاد CNNها توی انجامِ وظایفِ شناساییِ تصویر، توی اوایل دهه‌ی 2010، باعثِ یادگیریِ عمیق با CNNها و عصرِ مدرنِ برنامه‌های کاربردیِ هوش مصنوعی مبتنی بر شبکه‌های عصبی شد. CNNها توی خیلی از کاربردها، از جمله تشخیصِ چهره، ماشین‌های خودران و تحلیلِ تصاویرِ پزشکی، استفاده میشن.

دکتر گروسنیک گفت: “ما معمولاً به تحلیلِ داده‌های تصویربرداری عصبی علاقه داریم که بیشتر شبیه گراف‌ها هستن، با راس‌ها و یال‌ها، تا تصاویر. اما فهمیدیم که هیچ چیزی واقعاً معادل CNNها و CNNهای عمیق برای داده‌های ساختاریافته‌ی گرافی وجود نداره.”

شبکه‌های مغزی معمولاً به صورت گراف‌هایی نشون داده میشن که توی اون‌ها نواحیِ مغز (که به شکل راس‌ها نشون داده میشن) اطلاعات رو به نواحیِ دیگهٔ مغز (همون راس‌ها) منتقل می‌کنن؛ از طریق “یال‌هایی” که به هم وصلشون میکنن و قدرت ارتباط بینشون رو نشون میدن. این موضوع درباره‌ی شبکه‌های ژنی و پروتئینی، داده‌های رفتاریِ انسان و حیوانات و هندسه‌ی ترکیبات شیمیایی، مثل داروها، هم صدق می‌کنه. با تحلیلِ مستقیمِ این گراف‌ها، می‌تونیم وابستگی‌ها و الگوها رو بین اتصالاتِ محلی و دورتر، با دقت بیشتری مدل‌سازی کنیم.

آیزاک اوسافو نکانسا، پژوهشگری که اون زمان توی آزمایشگاهِ گروسنیک بود و نویسنده‌ی اول مقاله است، به توسعه‌ی چارچوبِ شبکه‌های کانولوشنیِ گرافیِ کمی (QuantNets) کمک کرد که CNNها رو به گراف‌ها تعمیم می‌ده. دکتر گروسنیک گفت: “ما الان از اون برای مدل‌سازیِ داده‌های EEG (فعالیت الکتریکی مغز) توی بیمارا استفاده می‌کنیم. ما می‌تونیم شبکه‌ای از 256 حسگر روی پوستِ سر داشته باشیم که فعالیت‌های عصبی رو اندازه‌گیری می‌کنن – این یه گرافه.”

اون ادامه داد: “ما این گراف‌های بزرگ رو گرفتیم و به اجزای قابل‌فهم‌تری کاهش دادیم تا بهتر بفهمیم چه‌جوری اتصالاتِ دینامیکِ مغز، توی طولِ درمانِ بیمارای مبتلا به افسردگی یا اختلال وسواس فکری، تغییر می‌کنه.”

پژوهشگرا پیش‌بینی می‌کنن که QuantNets کاربردهای گسترده‌ای داشته باشه. مثلاً، اونا همچنین دارن دنبالِ مدل‌سازیِ داده‌های گرافیِ ساختاریافته از وضعیتِ بدن برای ردیابیِ رفتار توی مدل‌های موش و توی بیان‌های چهره‌ی انسان، که با استفاده از بیناییِ کامپیوتر استخراج شدن، هستن. دکتر گروسنیک توی آخرِ صحبتش گفت: “با اینکه هنوز داریم ایمنی و پیچیدگیِ به‌کارگیریِ روش‌های پیشرفته‌ی هوش مصنوعی توی مراقبت از بیمارا رو طی می‌کنیم، هر قدمی که رو به جلو برمی‌داریم – چه یه چارچوب ارزیابیِ جدید باشه، چه یه مدلِ دقیق‌تر – ما رو کم‌کم به استراتژی‌های درمانِ شخصی‌سازی‌شده‌ای نزدیک‌تر می‌کنه که پتانسیلِ بهبودِ عمیقِ نتایجِ سلامتی بیمارا رو دارن.”