ابزارهای هوش مصنوعی: تحول در سلامت شما!

یادگیری تقویتی و پتانسیل آن در بهبود نتایج درمانی

یادگیری تقویتی، یک رویکرد هوش مصنوعی است که پتانسیل هدایت پزشکان در طراحی استراتژی‌های درمانی متوالی برای بهبود نتایج بیماران را دارد، اما برای کاربرد در محیط‌های بالینی به بهبودهای قابل توجهی نیاز دارد. این نتیجه‌گیری در یک مطالعه جدید توسط محققان دانشگاه ویل کرنل و دانشگاه راکفلر به دست آمده است.

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

معرفی “اپیزودهای مراقبت” (EpiCare)

این تحقیق که در مجموعه مقالات کنفرانس سیستم‌های پردازش اطلاعات عصبی (NeurIPS) منتشر شده و در تاریخ ۱۳ دسامبر ارائه شده است، “اپیزودهای مراقبت” (EpiCare) را به عنوان اولین معیار یادگیری تقویتی در حوزه بهداشت و درمان معرفی می‌کند. دکتر لوگان گروسنیک، استاد یاری در علوم اعصاب روانپزشکی و سرپرست این تحقیق، می‌گوید: “معیارها همواره به بهبود در 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 با توجه به بازخوردی که دریافت می‌کنند، اقدام‌های خود را اصلاح می‌کنند و به تدریج یک سیاست را یاد می‌گیرند که تصمیم‌گیری آن‌ها را بهبود می‌بخشد. دکتر گروسنیک اضافه می‌کند: “با این حال، یافته‌های ما نشان می‌دهد که در حالی که روش‌های کنونی امیدوارکننده هستند، اما به شدت نیاز به داده دارند.”

آزمایش مدل‌های RL و ارزیابی روش‌های OPE

محققان ابتدا عملکرد پنج مدل پیشرفته آنلاین RL را بر روی EpiCare آزمایش کردند. تمامی این 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 به ارزیابی پنج روش رایج “ارزیابی خارج از سیاست” (OPE) پرداختند: 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 ناکام بودند. دکتر میسون هارگراو، نویسنده اول این تحقیق و پژوهشگر دانشگاه راکفلر، می‌گوید: “یافته‌های ما نشان می‌دهد که روش‌های OPE کنونی نمی‌توانند به دقت عملکرد یادگیری تقویتی را در سناریوهای بهداشتی طولانی مدت 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، برای ارزیابی رویکردهای موجود RL و ارائه معیارهایی برای اندازه‌گیری بهبود را 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 که مناسب کاربردهای پزشکی هستند را 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، به کار برای داده‌های ساختار گرافی عمومی‌تر مانند شبکه‌های مغزی، ژنی یا پروتئینی معرفی کرد. 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 افزود: “ما معمولاً 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 گرافی وجود ندارد.”

شبکه‌های مغزی معمولاً به عنوان 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 همچنین در مورد شبکه‌های ژنی و پروتئینی، داده‌های رفتاری انسان و حیوان و همچنین هندسه ترکیبات شیمیایی مانند داروها نیز صدق می‌کند. 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 مطالعه در آزمایشگاه گروسنیک حضور داشت و نویسنده اول مقاله بود، 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 یک شبکه از ۲۵۶ حسگر بر روی پوست سر داشته باشیم که فعالیت‌های عصبی را اندازه‌گیری می‌کند – این یک گراف است.”

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

پژوهشگران برای QuantNets کاربردهای گسترده‌ای پیش‌بینی می‌کنند. به عنوان مثال، آن‌ها همچنین به دنبال مدل‌سازی داده‌های گرافی ساختار حرکتی برای پیگیری 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 تدریج به استراتژی‌های درمان شخصی‌سازی شده نزدیک‌تر می‌کند که پتانسیل بهبود عمیق نتایج سلامتی بیماران را دارند.”