14 ژوئن 2024 – توسط دانشگاه کمبریج-گردش کار برای ML علّی در پزشکی. اعتبار: طب طبیعت
ماشین‌ها نه تنها می‌توانند پیش‌بینی کنند، بلکه می‌توانند روابط علی را نیز مدیریت کنند. یک تیم تحقیقاتی بین المللی نشان می دهد که چگونه این امر می تواند درمان های پزشکی را ایمن تر، کارآمدتر و شخصی تر کند.
تکنیک‌های هوش مصنوعی می‌توانند برای کاربردهای پزشکی متعدد، مانند رادیولوژی یا انکولوژی، که در آنها توانایی تشخیص الگوها در حجم زیادی از داده‌ها حیاتی است، مفید باشد. برای این نوع کاربردها، هوش مصنوعی اطلاعات را با مثال های آموخته شده مقایسه می کند، نتیجه گیری می کند و برون یابی می کند.
اکنون، یک تیم بین المللی به رهبری محققانی از دانشگاه لودویگ-ماکسیمیلیان-دانشگاه مونیخ (LMU) و شامل محققان دانشگاه کمبریج، در حال بررسی پتانسیل یک شاخه نسبتاً جدید هوش مصنوعی برای تشخیص و درمان هستند.
محققان دریافتند که یادگیری ماشینی علّی (ML) می‌تواند نتایج درمان را تخمین بزند – و این کار را بهتر از روش‌های یادگیری ماشینی که به طور کلی تا به امروز مورد استفاده قرار می‌گرفت، انجام می‌دهد. یادگیری ماشین علّی، شخصی‌سازی استراتژی‌های درمانی را برای پزشکان آسان‌تر می‌کند، که به صورت جداگانه سلامت بیماران را بهبود می‌بخشد.
نتایجی که در مجله Nature Medicine گزارش شده است، نشان می دهد که چگونه یادگیری ماشینی علی می تواند اثربخشی و ایمنی انواع درمان های پزشکی را بهبود بخشد.
یادگیری ماشین کلاسیک الگوها را تشخیص می دهد و همبستگی ها را کشف می کند. با این حال، اصل علت و معلول به عنوان یک قاعده برای ماشین ها بسته باقی می ماند. آنها نمی توانند به این سوال بپردازند که چرا هنگام تصمیم گیری درمانی برای بیمار، «چرا» برای دستیابی به بهترین نتایج حیاتی است.
در حال توسعه ابزارهای یادگیری ماشینی برای پاسخ به “چرا؟” و “اگر چی؟” پروفسور Mihaela van der Schaar، نویسنده ارشد، مدیر مرکز هوش مصنوعی کمبریج در پزشکی، گفت: سؤالات برای پزشکان توانمند است، زیرا می تواند فرآیندهای تصمیم گیری آنها را تقویت کند. اما این نوع یادگیری ماشینی بسیار پیچیده تر از ارزیابی ریسک شخصی است.
به عنوان مثال، هنگام تلاش برای تعیین تصمیمات درمانی برای فردی که در معرض خطر ابتلا به دیابت است، هدف ML کلاسیک پیش بینی میزان احتمال ابتلا به این بیماری برای یک بیمار خاص با طیف وسیعی از عوامل خطر است.
با ML علّی، می توان پاسخ داد که اگر بیمار داروی ضد دیابت دریافت کند، خطر چگونه تغییر می کند. یعنی اثر یک علت را بسنجید. همچنین می توان تخمین زد که آیا متفورمین، دارویی که معمولاً تجویز می شود، بهترین درمان خواهد بود یا اینکه آیا برنامه درمانی دیگری بهتر است.
برای اینکه بتوانند اثر یک درمان فرضی را تخمین بزنند، مدل‌های هوش مصنوعی باید پاسخ «چه می‌شد اگر؟» را بیاموزند. سوالات پروفسور Stefan Feuerriegel از LMU، که رهبری این تحقیق را بر عهده داشت، گفت: “ما قوانین ماشین را برای تشخیص ساختار علی و رسمی کردن صحیح مشکل ارائه می دهیم.” سپس ماشین باید یاد بگیرد که اثرات مداخلات را بشناسد و بفهمد که چگونه پیامدهای واقعی زندگی در داده‌هایی که به رایانه‌ها وارد شده است منعکس می‌شوند.
حتی در شرایطی که هنوز استانداردهای درمانی قابل اعتمادی برای آنها وجود ندارد یا مطالعات تصادفی‌سازی شده به دلایل اخلاقی امکان‌پذیر نیست، زیرا آنها همیشه حاوی یک گروه دارونما هستند، دستگاه‌ها همچنان می‌توانند نتایج درمانی بالقوه را از داده‌های موجود بیمار بسنجند و فرضیه‌هایی را برای طرح‌های درمانی احتمالی تشکیل دهند. بنابراین محققان امیدوارند.
با چنین داده های دنیای واقعی، به طور کلی باید بتوان گروه های بیمار را با دقت بیشتری در تخمین ها توصیف کرد و تصمیمات درمانی فردی را بسیار نزدیک تر کرد. به طور طبیعی، همچنان چالش تضمین قابلیت اطمینان و استحکام روش ها وجود خواهد داشت.
پروفسور Feuerriegel می‌گوید: «نرم‌افزاری که ما برای روش‌های ML علّی در پزشکی نیاز داریم، خارج از جعبه وجود ندارد. “در عوض، مدل سازی پیچیده مشکل مربوطه مورد نیاز است که شامل همکاری نزدیک بین متخصصان هوش مصنوعی و پزشکان است.”
پروفسور فوئریگل توضیح می دهد که در زمینه های دیگر، مانند بازاریابی، کار با ML علّی چند سالی است که در مرحله آزمایش قرار دارد. او گفت: «هدف ما این است که روش ها را یک قدم به عمل نزدیک کنیم. این مقاله مسیری را که ممکن است در سال‌های آینده در آن حرکت کند، توضیح می‌دهد.»
پروفسور ون در شاار که وابسته به دپارتمان‌های مهندسی، ریاضیات کاربردی و فیزیک نظری و پزشکی است، گفت: «من تقریباً 10 سال در این زمینه کار کرده‌ام و بی‌وقفه در آزمایشگاه خود با نسل‌های دانش‌آموز کار می‌کنم تا این مشکل را برطرف کنم. این یک حوزه بسیار چالش برانگیز از یادگیری ماشین است، و نزدیک شدن آن به استفاده بالینی، جایی که پزشکان و بیماران را به طور یکسان توانمند می کند، بسیار رضایت بخش است.”
پروفسور ون در شاار به همکاری نزدیک با پزشکان برای تأیید اعتبار این ابزارها در محیط های بالینی مختلف، از جمله مزارع، سرطان و بیماری های قلبی عروقی ادامه می دهد.
