راهکارهای نوین هوش مصنوعی برای تحول در بهداشت و درمان

پیشرفت‌های یادگیری تقویتی در مراقبت‌های بهداشتی

یادگیری تقویتی، یک رویکرد هوش مصنوعی، پتانسیل راهنمایی پزشکان در طراحی استراتژی‌های درمانی متوالی برای بهبود نتایج بیماران را دارد. اما قبل از اینکه بتواند در محیط‌های بالینی به کار گرفته شود، نیاز به بهبودهای قابل توجهی دارد. این نتیجه‌گیری در یک مطالعه جدید توسط محققان دانشگاه وایل کُرنیل و دانشگاه راکفلر به دست آمده است.

یادگیری تقویتی (RL) یک کلاس از الگوریتم‌های یادگیری ماشین است که قادر به اتخاذ تصمیمات متوالی در طول زمان می‌باشد. این رویکرد مسئول پیشرفت‌های اخیر در هوش مصنوعی، از جمله عملکرد فوق‌انسانی در بازی‌های شطرنج و گو است. RL می‌تواند با استفاده از شرایط در حال تغییر بیماران، نتایج آزمایش‌ها و پاسخ‌های درمانی قبلی، بهترین قدم بعدی را در مراقبت شخصی از بیماران پیشنهاد دهد. این روش به‌ویژه برای تصمیم‌گیری در مدیریت بیماری‌های مزمن یا روان‌پزشکی امیدوارکننده است.

این تحقیق که در مجموعه مقالات کنفرانس سیستم‌های پردازش اطلاعات عصبی (NeurIPS) منتشر شده و در تاریخ ۱۳ دسامبر ارائه گردید، “اپیزودهای مراقبت” (EpiCare) را معرفی می‌کند که اولین معیار RL برای مراقبت‌های بهداشتی است. دکتر لوگان گروسنیک، استاد کمکی علوم اعصاب در روان‌پزشکی و رهبر این تحقیق، گفت: “معیارها به بهبود کاربردهای یادگیری ماشین، از جمله بینایی کامپیوتری، پردازش زبان طبیعی، شناسایی گفتار و خودروهای خودران کمک کرده‌اند. ما امیدواریم که این معیارها اکنون پیشرفت RL را در حوزه بهداشت و درمان تسریع کنند.”

عامل‌های RL بر اساس بازخوردهایی که دریافت می‌کنند، اقدام‌های خود را اصلاح می‌کنند و به تدریج سیاستی را یاد می‌گیرند که تصمیم‌گیری آن‌ها را بهبود می‌بخشد. دکتر گروسنیک افزود: “با این حال، یافته‌های ما نشان می‌دهد که در حالی که روش‌های کنونی امیدوارکننده هستند، اما به شدت نیاز به داده دارند.”

محققان ابتدا عملکرد پنج مدل پیشرفته آنلاین RL را بر روی EpiCare آزمایش کردند. همه پنج مدل از یک خط پایه استاندارد مراقبت پیشی گرفتند، اما تنها پس از آموزش بر روی هزاران یا ده‌ها هزار اپیزود درمان شبیه‌سازی شده واقعی. در دنیای واقعی، روش‌های RL هرگز به طور مستقیم بر روی بیماران آموزش داده نمی‌شوند، بنابراین محققان سپس پنج روش رایج “ارزیابی خارج از سیاست” (OPE) را ارزیابی کردند: رویکردهای محبوبی که هدف آن‌ها استفاده از داده‌های تاریخی (مانند داده‌های حاصل از آزمایش‌های بالینی) برای دور زدن نیاز به جمع‌آوری داده‌های آنلاین است. با استفاده از EpiCare، آن‌ها دریافتند که روش‌های OPE پیشرفته به طور مداوم در پیش‌بینی دقیق داده‌های بهداشتی شکست می‌خورند.

دکتر میسون هارگراو، نویسنده اول این تحقیق و پژوهشگر در دانشگاه راکفلر، گفت: “یافته‌های ما نشان می‌دهد که روش‌های OPE پیشرفته کنونی نمی‌توانند به طور دقیق عملکرد یادگیری تقویتی را در سناریوهای طولی بهداشتی پیش‌بینی کنند.” با توجه به اینکه روش‌های OPE به طور فزاینده‌ای برای کاربردهای بهداشتی مورد بحث قرار گرفته‌اند، این یافته نیاز به توسعه ابزارهای معیار دقیق‌تر، مانند EpiCare، را برای ارزیابی رویکردهای RL موجود و ارائه معیارهایی برای اندازه‌گیری بهبودها برجسته می‌کند.

تسهیل ارزیابی یادگیری تقویتی در مراقبت‌های بهداشتی

دکتر گروسنیک گفت: “امیدواریم این کار به ارزیابی قابل اعتمادتر یادگیری تقویتی در محیط‌های مراقبت‌های بهداشتی کمک کند و توسعه الگوریتم‌ها و پروتکل‌های آموزشی بهتری را که برای کاربردهای پزشکی مناسب هستند، تسریع بخشد.”

تطبیق شبکه‌های عصبی کانولوشنی برای تفسیر داده‌های گرافی

در دومین انتشار NeurIPS که در همان روز ارائه شد، دکتر گروسنیک تحقیقات خود را در مورد تطبیق شبکه‌های عصبی کانولوشنی (CNN) که به طور گسترده‌ای برای پردازش تصاویر استفاده می‌شوند، برای کار با داده‌های ساختار یافته گرافی عمومی‌تر مانند شبکه‌های مغزی، ژنی یا پروتئینی به اشتراک گذاشت. موفقیت گسترده CNNها در وظایف شناسایی تصویر در اوایل دهه ۲۰۱۰، زمینه‌ساز یادگیری عمیق با CNNها و عصر مدرن برنامه‌های کاربردی هوش مصنوعی مبتنی بر شبکه‌های عصبی شد. CNNها در بسیاری از کاربردها، از جمله شناسایی چهره، خودروهای خودران و تحلیل تصاویر پزشکی استفاده می‌شوند.

دکتر گروسنیک گفت: “ما اغلب به تحلیل داده‌های تصویربرداری عصبی علاقه‌مند هستیم که بیشتر شبیه گراف‌ها با رئوس و لبه‌ها هستند تا تصاویر. اما متوجه شدیم که هیچ چیزی واقعاً معادل CNNها و CNNهای عمیق برای داده‌های ساختار یافته گرافی وجود ندارد.”

شبکه‌های مغزی معمولاً به صورت گراف‌هایی نمایش داده می‌شوند که در آن مناطق مغزی (که به عنوان رئوس نمایش داده می‌شوند) اطلاعات را به سایر مناطق مغزی (رئوس) از طریق “لبه‌ها” که آن‌ها را متصل کرده و قدرت ارتباط بین آن‌ها را نشان می‌دهند، منتقل می‌کنند. این موضوع در مورد شبکه‌های ژنی و پروتئینی، داده‌های رفتاری انسان و حیوان و هندسه ترکیبات شیمیایی مانند داروها نیز صادق است. با تحلیل مستقیم چنین گراف‌هایی، می‌توانیم وابستگی‌ها و الگوها را بین اتصالات محلی و دورتر به دقت بیشتری مدل‌سازی کنیم.

آیزاک اوسافو نکانسا، یک پژوهشگر که در زمان این مطالعه در آزمایشگاه گروسنیک بود و نویسنده اول مقاله است، به توسعه چارچوب شبکه‌های کانولوشنی گرافی کمی (QuantNets) کمک کرد که CNNها را به گراف‌ها تعمیم می‌دهد. دکتر گروسنیک گفت: “ما اکنون از آن برای مدل‌سازی داده‌های EEG (فعالیت الکتریکی مغز) در بیماران استفاده می‌کنیم. ما می‌توانیم شبکه‌ای از ۲۵۶ حسگر بر روی پوست سر داشته باشیم که فعالیت‌های عصبی را اندازه‌گیری می‌کنند – این یک گراف است.”

او ادامه داد: “ما این گراف‌های بزرگ را گرفته و به اجزای قابل تفسیرتری کاهش می‌دهیم تا بهتر بفهمیم چگونه اتصال‌های دینامیک مغز در حین درمان بیماران مبتلا به افسردگی یا اختلال وسواس فکری تغییر می‌کند.”

پژوهشگران پیش‌بینی می‌کنند که QuantNets کاربردهای گسترده‌ای داشته باشد. به عنوان مثال، آن‌ها همچنین به دنبال مدل‌سازی داده‌های گرافی ساختار یافته از وضعیت بدن برای ردیابی رفتار در مدل‌های موش و در بیان‌های چهره انسانی استخراج شده با استفاده از بینایی کامپیوتری هستند. دکتر گروسنیک در پایان گفت: “در حالی که هنوز در حال پیمایش ایمنی و پیچیدگی به کارگیری روش‌های پیشرفته هوش مصنوعی در مراقبت از بیماران هستیم، هر قدم به جلو – چه یک چارچوب جدید ارزیابی یا یک مدل دقیق‌تر – ما را به طور تدریجی به استراتژی‌های درمان شخصی‌سازی شده نزدیک‌تر می‌کند که پتانسیل بهبود عمیق نتایج سلامتی بیماران را دارند.”