وقتی صحبت از اثربخشی ماشین لرنینگ یا همان یادگیری ماشین می‌شود، تقریبا همیشه داده‌های بیشتر نتایج بهتری می‌دهند. بخش مراقبت‌های بهداشتی هم از لحاظ میزان داده بر روی معدن طلا نشسته است. مک کینزی تخمین می‌زند که داده های بزرگ و ماشین لرنینگ در داروسازی و پزشکی می توانند سالانه تا ۱۰۰ میلیارد دلار ارزش ایجاد کنند. آن هم بر اساس تصمیم‌گیری‌های بهتر، نوآوری‌های بهینه شده، بهبود کارآیی تحقیقات/کارآزمایی‌های بالینی و ایجاد ابزار جدید برای پزشکان، مصرف کنندگان، بیمه گذاران و… .

این داده ها از کجا می‌آیند؟

اگر به جریان داده‌های این صنعت نگاه کنیم، شاهد تحقیق و توسعه بر اساس داده‌های جمع‌آوری شده از پزشکان و کلینیک ها؛ بیماران و… می‌شویم. در واقع این داده‌ها از مجموعه منشاء متفاوتی به دست می‌آیند. 

بخشی از این اطلاعات برای بهبود زیرساخت‌ها و شیوه‌های درمانی به کار می‌رود. از این رو، در حال حاضر موضوع اصلی پیدا کردن نقطه‌ی اتصالی بین یادگیری ماشین و مراقبت‌های بهداشتی است: یعنی یافتن راه‌هایی برای جمع آوری و استفاده موثر از انواع مختلف داده‌ برای تجزیه و تحلیل بهتر، پیشگیری و درمان افراد.

این روزها روند استفاده از ماشین لرنینگ در داروسازی و پزشکی، نشان‌گر آینده‌ی درخشان آن است. ما تعدادی از برنامه‌های کاربردی پیشگام در این صنعت را تقسیم کرده‌ایم تا به شما معرفی کنیم.

پیشنهاد می‌کنیم یادداشت «تفاوت‌های ماشین لرنینگ، هوش مصنوعی و یادگیری عمیق» را هم بخوانید.

کاربردهای یادگیری ماشین در داروسازی و پزشکی

۱ – شناسایی/تشخیص بیماری

شناسایی بیماری و تشخیص بیماری‌ها در تحقیقات ماشین لرنینگ در پزشکی در اولویت هستند. براساس گزارشی که در سال ۲۰۱۵ توسط تحقیقات داروسازی آمریکا منتشر شد، در آن زمان بیش از ۸۰۰ دارو و واکسن برای درمان سرطان در حال آزمایش بودند. در مصاحبه ای با بلومبرگ فناوری، جف تینر محقق موسسه نایت اظهار داشت که اگرچه این موضوع هیجان‌انگیزی است، اما چالش یافتن راه‌هایی برای کار با تمام داده‌ها را نیز مطرح می‌کند. تینر گفت: “اینجا جایی است که ایده‌ی بیولوژیست‌ها با دانشمندان در کنار هم کار می‌کند و محاسبات اطلاعات بسیار مهم است.”

 جای تعجب نیست که بازیگران زیادی به عنوان اولین گروه‌ها وارد این صنعت شدند، به خصوص در مناطقی که نیاز به شناسایی سرطان و درمان وجود داشت. در اکتبر سال ۲۰۱۶ ، IBM Watson Health IBM Watson Genomics معرفی شد، که هدف آن ایجاد گام‌هایی استوار در پزشکی دقیق به‌ وسیله‌ی تلفیق محاسبات شناختی و توالی تومورهای ژنومی بود.

از سوی دیگر، شرکت بیوفارما مستقر در بوستون، از هوش مصنوعی استفاده می‌کند تا در زمینه‌های مختلف، تحقیقات و تشخیص‌های درمانی را انجام دهد. پروژه‌های تحقیقاتی که این موسسه در حال حاضر انجام می‌دهد، شامل آزمایشات لازم برای درمان تومور داخل وریدی و تشخیص و مدیریت سرطان پروستات است.

از دیگر مثال‌های مهم می‌توان به Google DeepMind Health اشاره کرد. Google DeepMind Health  در سال گذشته چند مورد از شرکای خود که در انگلیس مستقر بودند را معرفی کرد، از جمله بیمارستان Eye Moorfields در لندن، که در حال توسعه‌ی فناوری برای رفع تخریب ماکولا در پیر‌چشمی است.

در زمینه‌ی بیماری‌های مبتنی بر مغز مانند افسردگی، می‌توان پروژه‌ی P1vital® را نام برد که توسط آکسفورد انجام می‌شود. در این پروژه با استفاده از تجزیه‌و‌تحلیل‌های قدرتمند بر روی پیش‌بینی واکنش‌های افراد به درمان افسردگی کار می‌شود. 

۲ – درمان شخصی / اصلاح رفتاری

پزشکی شخصی، که می‌توان آن را درمان مؤثرتر بر اساس داده‌های بهداشتی فردی نامید، فرایندی است که در آن می‌توان با تجزیه‌و‌تحلیل داده‌های قبلی وضعیت سلامت افراد را پیش‌بینی کند. در حال حاضر این حوزه در سلامت بسیار مورد‌توجه قرار گرفته است و ارتباط نزدیکی با ارزیابی بهتر بیماری افراد دارد. پزشکان با استفاده از اطلاعات دریافتی می‌توانند خطر ابتلا به بیماری افراد را بر اساس علائم و اطلاعات ژنتیکی تخمین بزنند.

نهادهایی پیشرو مثل IBM Watson Oncology در خط مقدم تغییر در تصمیمات درمانی وجود دارند که با استفاده از اطلاعات پزشکی و تاریخچه‌ی بیمار انتخاب گزینه‌های درمانی را برای او بهینه می‌کند. همچنین اصلاح رفتار افراد مستعد بیماری یا بیمار امری ضروری در دستگاه پیشگیری است. در این رابطه نهاد‌هایی نیز در فضای شناسایی، پیشگیری و درمان سرطان وجود دارد، برای مثال:

Somatix – یک شرکت پلتفرم نرم‌افزاری آنالیزور داده است که از “تشخیص حرکات دست به سمت دهان” استفاده می‌کند تا به مردم کمک کند، رفتار خود را بهتر درک کنند و تغییرات مثبتی در خود ایجاد کنند، این پلتفرم به طور ویژه در ترک سیگار مورد استقبال قرار گرفته است.

۳ – کشف و ساخت دارو

استفاده از یادگیری ماشینی در کشف دارو پتانسیل‌های زیادی دارد؛ از غربالگری اولیه ترکیبات دارویی گرفته تا میزان موفقیت پیش‌بینی شده بر اساس فاکتورهای بیولوژیکی. 

بازیکنان اصلی این حوزه، اعضای گروه یادگیری بالینی MIT می باشد. آن‌ها اکنون تحقیقات دقیق پزشکی را روی توسعه الگوریتم‌ها برای درک بهتر فرایندهای بیماری و طراحی برای درمان موثر بیماری‌هایی مانند دیابت نوع ۲متمرکز شده‌اند. پروژه‌ی هانوفر مایکروسافت نیز با استفاده از فناوری‌های یادگیری ماشین و همکاری با موسسه سرطان نایت بر روی توسعه‌ی فناوری هوش مصنوعی بر روی درمان دقیق سرطان و با تمرکز بر رویکرد شخصی‌سازی ترکیبات دارویی برای لوسمی حاد میلوئید (AML) فعالیت می‌کند.

همچنین انجمن سلطنتی انگلستان در رابطه با پروژه هانوفر یادآور می‌شود که یادگیری ماشین در تولید bio-manufacturing برای داروسازی آماده بهره‌برداری است. داده‌های حاصل از آزمایشات این پتانسیل را دارند که به تولید کنندگان داروسازی کمک کنند زمان مورد نیاز برای تولید دارو را کاهش دهند.

۴ – تحقیقات کارآزمایی بالینی

یادگیری ماشین چندین برنامه‌ی مفید در کمک به تحقیقات مستقیم بالینی دارد. استفاده از تجزیه‌و‌‌تحلیل پیش‌بینی پیشرفته در شناسایی نامزدها برای کارآزمایی های بالینی می تواند دامنه وسیع تری از داده ها را از جمله در حال حاضر از جمله رسانه های اجتماعی و ویزیت پزشکان به دست آورد ، به عنوان مثال ، و همچنین اطلاعات ژنتیکی در هنگام هدف قرار دادن جمعیت های خاص؛ این امر به طور کلی آزمایش های کوچکتر ، سریعتر و ارزانتری را در پی خواهد داشت.

ماشین لرنینگ همچنین می تواند برای نظارت از راه دور و دسترسی به داده های زمان واقعی برای افزایش ایمنی مورد استفاده قرار گیرد. به عنوان مثال ، نظارت بر سیگنالهای بیولوژیکی و دیگر برای هرگونه نشانی از آسیب یا مرگ برای شرکت کنندگان. به گفته مک کینزی، بسیاری از برنامه‌های کاربردی ماشین لرنینگ برای کمک به افزایش کارآیی کارآزمایی بالینی وجود دارد، از جمله یافتن بهترین نمونه‌ها برای افزایش راندمان. پرداختن و تطبیق با اختلاف در سایتهای استخدام بیمار؛ و استفاده از سوابق پزشکی الکترونیکی برای کاهش خطاهای داده (مثلاً ورود تکراری).

۵- رادیولوژی و رادیوتراپی

در اکتبر سال ۲۰۱۶ دکتر ضیاء ابر‌برایر، استادیار دانشکده پزشکی هاروارد در مصاحبه ای با Stat News اظهار داشت: “در ۲۰ سال آینده، رادیولوژیستی شبیه به رادیولوژیست‌های کنونی، وجود نخواهد داشت. آن‌ها ممکن است، بیشتر شبیه سایبورگ‌ها باشند: کسانی که توانایی الگوریتم‌خوانی هزاران دانش آموز در دقیقه را دارند.

تا آن زمان برسد، DeepMind Health از گوگل با همکاری کالج دانشگاه پزشکی لندن ( UCLH ) در حال توسعه‌ی الگوریتم‌های هوش مصنوعی ای با قابلیت تشخیص تفاوت بین بافت‌های سالم با سرطانی هستند تا به بهبود روش پرتو‌درمانی کمک کنند.

DeepMind و UCLH در تلاش هستند تا با افزودن یادگیری ماشین، به افزایش سرعت روند جداسازی( طمینان از نبود آسیب در ساختارهای سالم) و افزایش دقت در برنامه های رادیوتراپی کمک کنند.

DeepMind و UCLH نیز برای کمک به سرعت بخشیدن به روند تقسیم‌بندی (اطمینان از آسیب دیدن ساختارهای سالم) و افزایش دقت در برنامه‌ریزی رادیوتراپی در حال استفاده از یادگیری ماشین هستند.

۶ – سوابق الکترونیکی سلامت هوشمند

 طبقه‌بندی اسناد (به عنوان مثال، بر مرتب‌سازی اطلاعات بیماران بر اساس آدرس ایمیل) با استفاده از ماشین‌های پشتیبان بردار، و تشخیص کاراکتر بصری (انتقال هر نوع دست‌خط روی کاغذ به کاراکتر‌های دیجیتالی)، از الزامات یک سیستم سلامت هوشمند است که بر پایه‌ی تکنولوژی‌های یادگیری ماشین قابل اجرا هستند. تکنولوژی‌های MATLAB’s ML handwriting recognition و Google’s Cloud Vision API برای تشخیص کاراکتر بصری تنها دو مثال از نوآوری‌هایی قابل دسترس هستند.

شبکه‌ی عصبی مصنوعی با استفاده از MATLAB – تشخیص شخصیت دست نوشته: گروه کلینیکال یادگیری ماشین دانشگاه MIT وظیفه هدایت توسعه‌ی نسل بعدی سوابق الکترونیکی هوشمند درمانی را به عهده دارد که از ترکیب یادگیری ماشین و هوش مصنوعی برای کمک به مواردی مثل تشخیص دادن ساخته خواهد شد. دانشگاه MIT در سایت تحقیقاتی خود نکته‌ای را به شرح زیر بیان می‌کند: قدرتمند کردن الگوریتم‌های یادگیری ماشین که در محیط‌های و موسسات درمانی عمومیت پیدا کرده الزامیست. این الگوریتم‌ها باید امن، قابل تفسیر و قادر به فهم زبان طبیعی باشند.

۷ – پیش بینی شیوع اپیدمی

فن آوری‌های یادگیری ماشین و هوش مصنوعی بر اساس داده‌های جمع‌آوری شده از ماهواره‌ها، اطلاعات موجود در وب، به‌روزرسانی های رسانه های اجتماعی، برای نظارت و پیش بینی شیوع بیماری‌های اپیدمیک در جهان استفاده می شود. اپیدمی اپیوئید نمونه‌ای مستقیم از فناوری هوش مصنوعی است که امروزه مورد استفاده قرار می‌گیرد. برای مثال برای پیش‌بینی شیوع بیماری مالاریا، از داده‌هایی از قبیل دما، میانگین بارندگی ماهانه، تعداد کل موارد مثبت و… استفاده شده است.

پیش بینی شدت شیوع بیماری به ویژه در کشورهای جهان سوم که اغلب فاقد زیرساخت‌های پزشکی، راه‌های آموزشی و دسترسی به درمان هستند بسیار چشم‌گیر است. ProMED-mail یک برنامه‌ی گزارش‌گیری مبتنی بر اینترنت است که برای نظارت بر بیماریهای نوظهور و ارائه گزارش شیوع در زمان واقعی مورد استفاده قرار می‌گیرد:

با استفاده از گزارشات ProMED و سایر داده‌ها، سازمان HealthMap از طبقه‌بندی و تجسم خودکار برای کمک به نظارت و هشدار برای شیوع بیماری در کشور‌های مختلف استفاده می‌کند.

در بازار رقابتی استفاده از فن‌آوری های ماشین لرنینگ در حوزه‌ی داروسازی و پزشکی، هنوز چالش‌هایی اساسی وجود دارد که باید برطرف شود:

• اختصاصی بودن داده‌ها یکی از مهمترین موضوعاتی است که در حال حاضر به آن پرداخته شده می‌شود. داده‌های پزشکی هنوز شخصی هستند و دسترسی به آن‌ها کار آسانی نیست و منطقی به نظر می‌رسد که اکثر مردم به دلیل نگرانی از حریم خصوصی داده‌های خود، در انتشار اطلاعات‌شان احتیاط کنند. جالب اینجاست که در نظرسنجی صورت‌گرفته در بنیاد Wellcome در مارس ۲۰۱۶ در مورد نگرش عمومی مردم انگلستان درباره‌ی دسترسی تجاری به داده‌های پزشکی افراد، مشخص شد که تنها ۱۷ درصد از پاسخ‌دهندگان رضایت نداشتند که داده‌های خود را حتی به صورت ناشناس با اشخاص ثالث به اشتراک بگذارند، حتی برای تحقیقات علمی!

• استخدام افراد مستعد در علوم داده در صنعت داروسازی و ایجاد بستری برای تقویت افراد در این علوم ضرورتی اساسی است.
• خراب کردن “سیلوهای داده” و نشان دادن “محور‌های داده” در بخش‌های مختلف از اهمیت ویژه‌ای برخوردار است چرا که این کار باعث تغییر ذهنیت صنعت می‌شود و باعث می‌شود پذیرش یادگیری ماشین در تمام سطوح و در دراز‌مدت آسان‌تر شود. متاسفانه همواره شرکت‌های داروسازی در طول تاریخ از ایجاد تغییرات یا حمایت از طرحٰ‌های تحقیقاتی دریغ کرده اند، مگر اینکه ارزش پولی فوری و قابل توجهی برای آن‌ها داشته باشد.

• ساده کردن سوابق الکترونیکی که در حال حاضر هنوز به صورت پراکنده در پایگاه‌های داده هستند ، گام اولیه اساسی در تقویت راه حل‌های درمانی شخصی خواهد بود.