پژوهشگران و متخصصان بالینی اکنون با استفاده از الگوریتم‌های پیشرفته و ماشین‌های هوشمند اکنون می‌توانند چشم‌اندازهایی جدید را نشان دهند، مقدار زیادی از داده‌ها را تجزیه و تحلیل کند و تصمیم‌هایی دقیق‌تر بگیرند.
بر اساس گزارش سازمان جهانی بهداشت در سال ۲۰۲۰ حدود ۱۰ میلیون مورد مرگ ناشی از سرطان در جهان رخ داد (یعنی حدود یک ششم کل مرگ‌ها)، شایع‌ترین انواع سرطان شامل سرطان پستان، سرطان ریه، سرطان روده بزرگ و راست‌روده، سرطان پروستات، سرطان پوست و سرطان معده هستند و در این میان سرطان ریه مرگبارترین آنها است. با این حال، حتی این سرطان نیز اگر در مراحل اولیه تشخیص داده شده و درمان شود، در بسیاری از موارد قابل‌علاج است.
روش‌های سنتی تشخیص سرطان بر تست‌های آزمایشگاهی (خون، ادرار و سایر مایعات بدنی)، تست‌های تصویربرداری (سی‌تی‌اسکن، رادیوگرافی ایکس، پت اسکن و نمونه‌برداری یا بیوپسی از بافت غیرطبیعی خارج‌شده متکی هستند. هنگامی که سرطان شناسایی می‌شود، شایع‌ترین انواع درمانی که به کار می‌روند شامل جراحی، شیمی‌درمانی، هورمون‌درمانی و پیوند مغز استخوان هستند.
اما این روش‌های تشخیصی و درمانی با چالش‌های متعدی روبرو هستند، از جمله خطای انسانی، تجزیه‌و تحلیل‌های زمان‌بر و تفسیرهای شخصی که ممکن است بر کارآمدی یا دقت درمان اثر بگذارند.
کارشناسان می‌گویند در حالیکه نیازی فزاینده وجود دارد که تشخیص و درمان سرطان به شکلی کارآمدتر، ارزان‌تر و شخصی‌شده‌تر برای بیمار انجام شود، هوش مصنوعی در آستانه ایفای نقش مهمی در حوزه سرطان‌شناسی است.
کاربردهای هوش مصنوعی در سرطان
کاربردهای بر مبنای یادگیری ماشین با طراحی سیستم‌هایی برای پردازش تصویر (رادیوگرافی اشعه ایکس، سی‌تی‌اسکن و ماموگرافی) در حوزه تشخیص سرطان به طور گسترده استفاده می‌شوند. هوش مصنوعی همچنین برای طراحی داروها، تعیین پیش‌آگهی درمان یا مراقبت‌های شخصی‌شده به کار می‌رود.
از جمله موارد کاربردهای هوش مصنوعی در سرطان‌شناسی می‌توان به اینها اشاره کرد:
- تصویربرداری و شناسایی سرطان: هوش مصنوعی می‌توان تصاویر پزشکی مانند ماموگرام‌ها یا اسکن‌های رادیولوژی را تجزیه‌وتحلیل کند، به طور دقیق ضایعه‌ها یا تومورهای مشکوک را که در غیر این صورت نایده گرفته می‌شوند، شناسایی کند. تصویربرداری‌های با کمک هوش مصنوعی برای مثال برای تشخیص سرطان پستان× سرطان ریه و سرطان ریه به کار می‌روند.
- - درمان شخصی‌شده: الگوریتم‌های هوش مصنوعی با تجزیه و تحلیل مقادیر عظیم داده‌های مربوط به بیمار از جمله اطلاعات ژنتیکی، سوابق پزشکی و نتایج درمانی می‌توان به پیش‌بینی پاسخ بیمار به درمان‌های معین کمک کنند.
- کشف داروها: با توجه به حجم گسترده مقالات زیستی- پزشکی، داده‌های ژنومی و ساختارهای مولکولی الگوریتم‌های هوش مصنوعی می‌تواند اهداف درمانی بالرقوه را شناسایی کنند، کارآمدی دارو را پیش‌بینی کنند و طراحی دارو را بهبود بخشند.
البته باید توجه داشت که بسیاری از کاربردهای فناوری‌های مبتنی بر هوش مصنوعی هنوز در مرحله آزمون‌های اولیه هستند و هنوز باید منتظر ماند تا مراحل بعدی آزمایشی را بگذرانند تا برای کاربردهای واقعی آماده شوند.
جالب‌توجه‌ترین پیشرفت در این زمینه که به طور عملی آزمایش شده است، بهبود در شناسایی میزان‌های سرطان میان پزشکان با مقدار تجربه‌های متفاوت است. یک بررسی اخیر که در کنگره رادیولوژی اروپا در وین ارائه شد، میزان شناسایی سرطان ریه را در بیماران را میان هوش مصنوعی و پنج رادیولوژیست مقایسه کرده بود. در رادیولوژیست‌های کم‌تجربه‌تر میزان موفقیت فقط ۲۹ درصد بود، در حالیکه رادیولوژیست‌های باتجربه‌تر این میزان ۸۱ درصد بود و هوش مصنوعی توانسته بود، ۹۱ درصد موارد سرطان ریه را تشخیص دهد.
بررسی‌های اخیر دیگر نشان داده‌اند که هوش مصنوعی می‌تواند به طور دقیق خطر سرطان پستان، ریه و لوزالعمده را سال‌ها پیش از تشخیص آنها پیش‌بینی کند.
پژوهشگران همچنین از این فناوری برای کمک به بهبود درمان تومور مغزی و بررسی ضایعات پوستی از لحاظ وجود سرطان در مدت کوتاهی در حد چند ثانیه استفاده کرده‌اند.
چالش‌های استفاده از هوش مصنوعی در سرطان
اما استفاده از هوش مصنوعی در حوزه سرطان با چالش‌هایی هم روبرو است، یکی از چالش‌های عمده مدل‌های هوش مصنوعی نبود داده‌های بهداشتی ساخت‌دار مربوط به سرطان و استاندارد شدن داده‌ها در نظام‌های مراقبت بهداشتی است. یک محدودیت دیگر مسئله مشکلات انجام بررسی‌های مربوط هوش مصنوعی و به همین خاطر است دانشگاه‌ها و مراکز پزشکی دانشگاهی بیشتری دارند تدریس درباره هوش مصنوعی را به برنامه‌های اصلی آموزشی‌شان می‌افزایند.
مشکلات دیگری هم در زمینه استاندارد کردن داده‌ها، قابل‌تکرار بودن، سوگیری و حفظ دقت در طول زمان وجود دارد. نمونه‌گیری همراه با سوگیری و بیان نشدن داده‌های مربوط به گروه‌های گوناگون جمعیت‌های متنوع در داده‌های تعلیمی برای هوش مصنوعی می‌تواند به کارکرد پایین‌تر از حد انتظار مدل به کار رفته بینجامد. انتخاب دقیق اهداف نهایی بالینی نیز برای پرهیز از سوگیری‌های اجتماعی و اقتصادی ضروری است.
رانش یا گذار داده‌ها (data drift) و امنیت داده‌ها (data security) نیز می‌توانند بر تکرارپذیری و حفظ حریم خصوصی در مدل‌های هوش مصنوعی تاثیر بگذارند.
در نتیجه برای ایجاد مقرراتی فراگیری که تعادلی میان ابداع از یک سو و حفاظت از بیمار از سوی دیگر ایجاد کنند، نیاز به همکاری میان قانونگذاران، دانشمندان هوش مصنوعی، مهندسان و پزشکان بالینی وجود دارد.
منبع: Healthday.com