سنجش بینایی به سنجش هوش مصنوعی

بیش از 2.2 میلیارد نفر از از دست دادن دید نزدیک یا دور رنج می برند و تنها حدود 1 میلیارد از این شرایط قابل پیشگیری یا درمان هستند. این بدان معناست که میلیون ها نفر هنوز بینایی خود را از دست می دهند. در حالی که می توانند از پس آن برآیند. در NHS، چشم پزشکی اکنون شلوغ ترین تخصص سرپایی است و فشار برای مراجعه به پزشک اغلب منجر به هفته ها تاخیر برای بیماران می شود.

دژنراسیون ماکولا وابسته به سن، علت اصلی از دست دادن بینایی در افراد مسن است. این بیماری به ماکولا، بخشی از شبکیه برای دید حاد و مرکزی آسیب می رساند. بنابراین افراد مبتلا به این مشکل معمولا در خواندن، رانندگی یا تشخیص چهره دچار مشکل می شوند. نوع “مرطوب” AMD می تواند به سرعت پیشرفت کند و اغلب قابل درمان است، اما نیاز به بازدیدهای گسترده دارد. در حالی که نوع “خشک” این بیماری آهسته تر اما پیوسته ایجاد می شود.

دژنراسیون ماکولا وابسته به سن، علت اصلی از دست دادن بینایی در افراد مسن است.این گزارش از مصاحبه اخیر CM Rubin خبرنگار فوربس با پروفسور پیر کین، پروفسور هوش مصنوعی پزشکی در دانشگاه کالج لندن (UCL) گرفته شده است، که در آن او به بررسی چگونگی حرکت هوش مصنوعی از کد به کلینیک و معنای این موضوع برای بیماران در حال حاضر و در چند سال آینده می پردازد.

چرا یک بیمار چشم باید به این موضوع اهمیت دهد؟ زیرا هوش مصنوعی مراقبت از چشم را سریع‌تر، آسان‌تر و نزدیک‌تر می‌کند. هوش مصنوعی می‌تواند پاسخ‌های بله/خیر را در طول یک ویزیت منظم ارائه دهد، که به معنای قرار ملاقات‌های اضافی کمتر است، به پزشک شما کمک می‌کند تغییرات را زود تشخیص دهد، که به معنای درمان به موقع است، و در برخی موارد، نظارت در خانه را فعال می‌کند، که به معنای تزریق یا سفر کمتر بدون به خطر انداختن بینایی است.

هدف جایگزینی متخصص خود نیست، بلکه ارائه مراقبت صحیح در لحظه و با کمترین دردسر است.

وقتی کد با کلینیک ملاقات می کند

کین گفت: “واقعیت غم انگیز این است که مردم بینایی خود را به دلیل تاخیر از دست می دهند.”

کن به راه‌اندازی برنامه Moorfields-DeepMind کمک کرد، که نشان می‌دهد یک سیستم هوش مصنوعی می‌تواند تجزیه و تحلیل سطح متخصص اسکن‌های توموگرافی انسجام نوری (OCT) را در یک مسیر بالینی واقعی ارائه دهد و یک پیشرفت تحقیقاتی را به یک طرح بالینی تبدیل کند. کن بعداً پروژه INSIGHT را کارگردانی کرد که در حال حاضر بزرگترین منبع بیولوژیکی چشم پزشکی با بیش از 35 میلیون تصویر چشم مرتبط با نتایج است.

واضح‌ترین نمایش «کد به کلینیک» در حال حاضر، هوش مصنوعی خودکار برای غربالگری «رتینوپاتی دیابتی» است. در سال 2018، مایکل دی آبراموف، محقق دانشگاه آیووا (UIowa) و بنیانگذار Digital Diagnostics، اولین هوش مصنوعی پزشکی خودکار را که با مجوز De Novo توسط سازمان غذا و داروی ایالات متحده (FDA) تایید شده است، توسعه داده است.

مهمتر از همه، این هوش مصنوعی تشخیص فوری و مراقبت های اولیه را امکان پذیر می کند. به زبان ساده، هوش مصنوعی خودکار تصمیم بالینی را می گیرد و مسئولیت را بر عهده می گیرد. بنابراین می تواند در کنار بیمار باشد و از پزشک مسئول حمایت کند. مدت زمان بین معاینه و پیگیری تخصصی در برنامه های واقعی از یک تا دو ماه به سه تا پنج روز کاهش یافته است و کلینیک ها به استانداردهای کیفی بالایی در سطح ملی رسیده اند.

محدوده دموگرافیک دستورالعمل ملی معاینه چشم در سنگاپور

دانیل تینگ، دانشیار مرکز ملی چشم سنگاپور (SNEC)، با نگاهی به برنامه ملی رتینوپاتی دیابتی کشور، فرمولی مقیاس پذیر را تشریح کرد.

1. مسیرهای ارجاع به طور مشترک توسط مراقبت های اولیه و چشم پزشکی طراحی شدند و بیماران پرچمدار توسط هوش مصنوعی به سطح مناسب مراقبت هدایت شدند. به این ترتیب از ارجاع غیر ضروری به مراکز مراقبت عالی جلوگیری شد و پزشکان خط مقدم در دسترس ماندند.

2. یک پلت فرم ملی پزشکی از راه دور که دوربین های فوندوس و سوابق پزشکی الکترونیکی را به هم مرتبط می کند. به این ترتیب، یک تصویر گرفته شده در یک کلینیک محلی را می توان در عرض چند دقیقه آپلود، تجزیه و تحلیل و گزارش کرد.

3. سنگاپور مدل عملیاتی «اول AI، بعد تخصص» را پذیرفته است. در این مدل، الگوریتم‌ها هر تصویر را اسکن می‌کنند و تنها تصاویر تار یا مثبت را به ارزیابی انسانی ارجاع می‌دهند.

حفظ امنیت نظام ملی فراتر از نیت صرف می خواهد. تینگ به استانداردهای گزارش‌دهی STARD-AI و DECIDE-AI اشاره کرد که به توسعه آنها کمک کرد، به‌عنوان پادمانی که عمل امیدوارکننده را به عمل بالینی اثبات شده تبدیل می‌کند. در عمل، این به معنای گزارش شفاف مجموعه داده‌ها، نتایج عملکرد شفاف برای زیر گروه‌ها، ارزیابی‌های اولیه در کلینیک و نظارت مستمر بر تغییرات دستگاه‌ها و جمعیت‌ها با تنظیم مجدد قبل از افزایش مقیاس در صورت بدتر شدن عملکرد است.

استدلال تینگ این است که معیار کلیدی بعدی برای وزارتخانه های بهداشت اصلا دقت آزمایشگاهی نیست، بلکه صرفه جویی در هزینه است. شواهدی وجود دارد که غربالگری هوش مصنوعی زمان آزمایش تا آزمایش را کاهش می دهد، دقت ارجاع را بهبود می بخشد و بازدیدهای قابل اجتناب را کاهش می دهد.

ترکیب درمان و دقت هوش مصنوعی

دکتر تونگالپ تزل، محققی در دانشگاه کلمبیا، شکل مرطوب دژنراسیون ماکولا وابسته به سن را درمان می کند و آزمایشگاهی را اداره می کند که ژن درمانی و سلول درمانی را توسعه می دهد. چشم انداز کوتاه مدت او، که ممکن به نظر می رسد، استفاده از توموگرافی انسجام نوری یکپارچه با هوش مصنوعی برای شخصی سازی برنامه تزریق و جفت کردن توموگرافی انسجام نوری خانگی با تریاژ هوش مصنوعی است تا کلینیک ها بتوانند بهتر ویزیت ها و تزریق ها را برنامه ریزی کنند.

قانون مراقبت این است که هوش مصنوعی تغییر را تشخیص می دهد و متخصص شبکیه چشم تصمیم می گیرد.در گزارش‌های اولیه، نشان داده شد که برنامه‌های نظارت خانگی در تقریباً 42 درصد موارد از تزریق‌های غیرضروری جلوگیری می‌کند و در حدود 35 درصد موارد منجر به مداخله زودهنگام می‌شود. این نشان می دهد که نظارت دقیق تر می تواند بار بیماری را بدون آسیب رساندن به بینایی کاهش دهد.

تیزل تاکید می‌کند که شواهد به‌دست‌آمده بالینی هستند و کارآزمایی‌های فاز سوم تصادفی‌شده احتمالاً نتایج بینایی بهتری را نشان خواهند داد. با نگاهی به آینده دو تا پنج سال آینده، او انتظار دارد که هوش مصنوعی با استفاده از ویژگی‌های توموگرافی انسجام نوری به بهبود نتایج کمک کند.

قانون مراقبت این است که هوش مصنوعی تغییر را تشخیص می دهد و متخصص شبکیه چشم تصمیم می گیرد. برای حفظ ایمنی و انصاف در این مورد، آموزش/اعتبار باید شامل جمعیت‌ها و دستگاه‌های متنوع باشد و با افزایش پذیرش، خطای دنیای واقعی و عملکرد زیر مجموعه نیز باید مورد بررسی قرار گیرد.

از آموزش اولیه تا ایمنی بیمار

دکتر آلن کارتیکسالینگام از شرکت DeepMind، یکی از زیرمجموعه‌های گوگل، گفت: مدل‌های بنیادی و چندوجهی راه‌های جدیدی را باز می‌کنند. این مسیرها شامل مواردی مانند کمک به پزشکان در استدلال بالینی، ارائه اطلاعات واضح تر به بیماران، و فعال کردن تعامل زبان طبیعی با پیش بینی های مدل است. تطبیق این قابلیت‌ها با مراقبت‌های بالینی پرخطر و اطمینان از ایمنی و انتشار آن‌ها هنوز در حال انجام است.

در تحقیقات، یک مدل پایه به نام RETFound که بر روی حدود 1.6 میلیون تصویر شبکه آموزش داده شده و برای تحقیقات غیرتجاری منتشر شده است، اهمیت شعار “یک بار پیش آموزش، چندین بار تطبیق” را نشان می دهد. این رویکرد به معنی برچسب‌های کمتری است که نیاز به تنظیم دقیق، قدرت ابزار بیشتر و حساسیت بالقوه به سیگنال‌های بیماری نادری دارند که اغلب توسط مجموعه‌های داده کوچک نادیده گرفته می‌شوند. همانطور که سیستم های مراقبت های بهداشتی فراتر از طرح های آزمایشی حرکت می کنند، قابلیت همکاری دستگاه همراه با نظارت بر عملکرد زنده الزامات کلیدی خواهد بود.