دکتر سجاد شایسته در گفت و گو با ایسنا اظهار کرد: آنالیز تصاویر پزشکی با استفاده از الگوریتم‌های یادگیری ماشین در راستای تشخیص، درمان و پیش بینی پاسخ به درمان سرطان‌ دارای اهمیت ویژه‌ای بوده و در کشور پژوهش‌های گسترده‌ای در این زمینه صورت گرفته است. این درحالی است که تعداد زیادی از تحقیقات به کارگیری هوش مصنوعی در پزشکی کشور به علت نبود زیرساخت  مناسب به مرحله اجرا و پیاده سازی نمی‌رسند.

وی افزود: استفاده از هوش مصنوعی در حوزه‌های مختلف بسیار گسترده بوده و فقط بخش سلامت را در بر نمی‌گیرد اما  در بخش پیش‌بینی پاسخ به درمان‌ به خصوص در بیماران سرطانی خروجی‌ مدل‌های هوش مصنوعی ارزشمند بوده و خوشبختانه در این زمینه  مطالعات زیادی هم صورت گرفته است. همچنین علاوه بر کاربرد هوش مصنوعی در حوزه پیش‌بینی پاسخ به درمان‌،  این مدل‌ها می‌تواند در جهت تشخیص اولیه بیماری نیز مورد استفاده قرار گیرند.

 عضو هیأت علمی دانشگاه علوم پزشکی البرز ادامه داد: از مهمترین فاکتورها در حوزه درمان سرعت و دقت تشخیص است که با استفاده از مدل‌های یادگیری ماشین تا حد قابل توجهی می‌تواند بهبود یابد. علاوه بر فاکتورهای فوق الذکر، تشخیص بیماری بدون استفاده از روش‌های تهاجمی نیز از قابلیت‌های مهم و حیاتی مدل‌های یادگیری ماشین است. به طور خلاصه سه ویژگی سرعت، دقت و غیر تهاجمی بودن از مزیت‌های غیر قابل انکار مدل های هوش مصنوعی در حوزه سلامت هستند.

وی در خصوص کاربرد هوش مصنوعی در تشخیص و درمان سرطان، افزود: حوزه‌ای که به صورت خاص مورد توجه محققین  قرار گرفته  و خوشبختانه  تحقیقات قابل توجهی هم در کشور  صورت گرفته است؛ حوزه تشخیص بدخیمی‌ها با استفاده از مدل های یادگیری ماشین است. چون در حوزه درمان سرطان سرعت و دقت تشخیص بسیار حائز اهمیت بوده و به کارگیری این مدل‌ها باعث تسریع در تشخیص، شروع به درمان سریعتر و در نهایت پاسخ به درمان بهتربرای بیماران می‌شود.

مدیر دفتر توسعه فناوری دانشگاه علوم پزشکی استان البرزگفت:  در حوزه کاربرد هوش مصنوعی در آنالیز تصاویر پزشکی، در دانشگاه علوم پزشکی البرز تحقیقات و اقدامات پژوهشی خوبی در حال اجرا است. از مهمترین این پروژه‌ها استفاده از تصاویر سی تی آنژیوگرافی بیماران در جهت تشخیص آمبولی ریه است که در صورت اجرا تا حد قابل توجهی باعث تسریع و افزایش دقت تشخیص می‌شود.  علاوه بر این پروژه تشخیص و تعیین بدخیمی پولیپ‌های روده با استفاده از تصاویر کلونوسکوپی نیز به عنوان پایان نامه دانشجویی در حال اجرا است که در نهایت خروجی مدل باعث بهبود قابل توجهی در سرعت و دقت تشخیص و همچنین کاهش استفاده از روش‌های تهاجمی می‌شود. به طور کلی مطالعات فوق الذکر و بسیاری از مطالعات مشابه با هدف کمک به متخصصین پزشکی در راستای تسریع روند درمان بیماران صورت گرفته است.

دکتر شایسته درباره کاربرد هوش مصنوعی در بخش دارویی گفت: در بحث استفاده از هوش مصنوعی در زمینه علوم دارویی با وجود قابلیت‌های بالا مطالعات کمتری صورت گرفته است.  پروژه‌های هوش مصنوعی در زمینه تولید داروهای جدید، پیش بینی تداخل‌ها و عوارض دارویی بسیار می‌تواند به حوزه دارو و درمان  کمک کند.

عضو هیأت علمی دانشگاه علوم پزشکی ادامه داد: از مهمترین چالش‌های استفاده از قابلیت یادگیری ماشین در حوزه سلامت،  نبود راهکار برای اجرایی شدن پروژه های تحقیقاتی است. در گام اول باید راهکار و زیرساخت‌های مورد نیاز جهت استفاده حداقلی و اجرای آزمایشی پروژه‌ها فراهم شود.

وی گفت: در راستای فراهم سازی زیر ساخت و اجرای پروژه‌ها، در مرحله اول ایجاد کمیته تخصصی و کمیته اخلاق در زمینه استفاده از هوش مصنوعی در حوزه سلامت ضرورت دارد. از اختیارات مهم کمیته‌های مذکور علاوه بر بررسی مسائل اخلاقی، تخصصی و قابلیت اجرایی پروژه‌ها، صدور مجوز اجرای آزمایشی پروژه‌ها است. صرفا با اجرای آزمایشی پروژه‌ها می توان به سمت استفاده بهینه و در نهایت گسترده یادگیری ماشین در پزشکی حرکت کرد.

دکتر شایسته بیان کرد: از دیگر زیرساخت‌های مهم جهت پیشبرد اهداف درمانی در زمینه هوش مصنوعی، ایجاد ارتباط کاربردی و هدفمند با صنعت است. پیاده‌سازی پروژه‌های خاتمه یافته و دارای قابلیت ایجاد ارزش افزوده در تولیدات پزشکی مدرن نیز می‌تواند به عنوان راهکار استفاده از مدل‌های هوش مصنوعی در حوزه سلامت باشد . در واقع دانشگاه و صنعت می توانند به ترتیب به عنوان پایه‌های علمی و اجرایی پروژه‌های یادگیری ماشین ایفای نقش کنند.

وی پیشنهاد کرد:  در حوزه  هوش مصنوعی پزشکی و درمانی، مهمترین اقدام  این است که زیرساخت‌های عملیاتی کردن پروژه‌ها و ایده‌های تحقیقاتی  هوش مصنوعی فراهم وعملیاتی شوند. متاسفانه به دلیل نبود این بسترها پژوهش‌های هوش مصنوعی صرفا پلی برای مهاجرت جوانان و متخصصین هوش مصنوعی شده است.

عضو هیأت علمی دانشگاه علوم پزشکی‌ افزود: داده‌های پزشکی زیادی در دسترس داریم که در هیچ کشوری نظیر ندارد. تحقیقات کاربردی و حائز اهمیت نیز در کشور اجرا می‌شود،  اما به دلیل نبود زیرساخت‌ها تمایلی  در محققین به ایجاد استارت آپ و عملی کردن پروژه‌ها وجود ندارد و اکثر پروژها صرفا به مقاله ختم می‌شوند. راهکار کلیدی و اصلی ایجاد زیرساخت برای اجرا پروژه‌ها و بهرمندی از این قابیلت منحصر به فرد مدل های یادگیری ماشین است.

انتهای پیام