ابداع یک مدل مبتنی بر هوش مصنوعی برای جلوگیری از نابینایی دوران کودکی

یک گروه بین المللی از پژوهشگران، از ابداع یک مدل مبتنی بر هوش مصنوعی خبر داده اند که می تواند بیماری عامل نابینایی دوران کودکی را تشخیص دهد.

به گزارش ایسنا به نقل از نوروساینس نیوز، شاید یک مدل یادگیری عمیق مبتنی بر هوش مصنوعی بتواند «رتینوپاتی نوزادان زودرس» (ROP) را که یکی از علل اصلی نابینایی دوران کودکی است، به صورت خودکار تشخیص دهد.

این مدل به اندازه متخصصان ارشد چشم پزشکی کودکان، در تشخیص دادن تصاویر طبیعی شبکیه افراد مبتلا به رتینوپاتی نوزادان زودرس موثر است. پژوهشگران امیدوارند که این مدل هوش مصنوعی بتواند دسترسی به مراقبت در مناطق محروم را بهبود ببخشد و از نابینایی هزاران نوزاد در سراسر جهان جلوگیری کند.

این پژوهش توسط یک گروه بین المللی از دانشمندان و پزشکان بریتانیا، برزیل، مصر و آمریکا، با حمایت مرکز تحقیقات بیومدیکال «مؤسسه ملی پژوهش و مراقبت بهداشتی» (NIHR) در «بیمارستان چشم مورفیلدز» (Moorfields Eye Hospital) و «موسسه چشم پزشکی کالج دانشگاهی لندن» (UCL Institute of Ophthalmology) انجام شد.

دکتر «کنستانتینوس بالاسکاس» (Konstantinos Balaskas)، مدیر مرکز بررسی چشم و آزمایشگاه هوش مصنوعی بالینی در بیمارستان چشم مورفیلدز و دانشیار موسسه چشم پزشکی کالج دانشگاهی لندن گفت:ابتلا به رتینوپاتی نوزادان زودرس به طور فزاینده ای در حال رایج شدن است زیرا میزان بقای نوزادان زودرس در سراسر جهان رو به افزایش گذاشته و اکنون علت اصلی نابینایی دوران کودکی در کشورهایی با درآمد متوسط و همین طور در آمریکا به شمار می رود.

بالاسکاس ادامه داد: حدود ۳۰ درصد از نوزادان ساکن در جنوب صحرای آفریقا، به درجاتی از رتینوپاتی نوزادان زودرس مبتلا هستند. اگرچه درمان ها در حال حاضر به راحتی دردسترس قرار دارند ولی اگر به سرعت تشخیص داده نشوند و تحت درمان قرار نگیرند، میتوانند به نابینایی (Blindness) بیانجامند. این مشکل اغلب از کمبود متخصصان چشم پزشکی نشات می گیرد ولی باتوجه به اینکه قابل تشخیص و درمان است، هیچ کودکی نباید به خاطر ابتلا به رتینوپاتی نوزادان زودرس نابینا شود.

وی افزود:با وجود این که رتینوپاتی نوزادان زودرس روزبه روز شایع تر می شود، بسیاری از مناطق به اندازه کافی چشم پزشک آموزش دیده برای غربالگری همه کودکان در معرض خطر ندارند. ما امیدواریم که مدل هوش مصنوعی ما با تشخیص خودکار رتینوپاتی نوزادان زودرس، دسترسی به مراقبت را در مناطق محروم بهبود ببخشد و از نابینایی هزاران نوزاد در سراسر جهان جلوگیری کند.

علائم رتینوپاتی نوزادان زودرس را نمی توان با چشم غیرمسلح مشاهده کرد. این بدان معناست که تنها راه تشخیص دادن این بیماری، نظارت بر نوزادان در معرض خطر با معاینه چشم است. بدون وجود زیرساخت مناسب برای مراقبت های جامع دوران بارداری و پس از زایمان، فرصت محدود غربال گری و درمان ممکن است از دست برود و به نابینایی منجر شود.

پژوهشگران در این پروژه، مدل هوش مصنوعی خود را با ۷۴۱۴ تصویر از چشم های ۱۳۷۰ نوزاد که در «بیمارستان هومرتون» (Homerton Hospital) لندن بستری شده بودند، آموزش دادند. این بیمارستان به جامعه ای خدمت می کند که از لحاظ قومیت، اقتصادی و اجتماعی متنوع است و به همین دلیل اهمیت دارد زیرا رتینوپاتی نوزادان زودرس می تواند بین گروه های قومیتی متفاوت باشد. بنابراین، مدل هوش مصنوعی برای کار کردن در میان گروه های قومی متفاوت آموزش داده شد و اطمینان حاصل کرد که همه میتوانند از آن بهره ببرند.

سپس، عملکرد این مدل روی ۲۰۰ تصویر دیگر ارزیابی شد و با ارزیابی های چشم پزشکان ارشد مورد مقایسه قرار گرفت. پژوهشگران در مرحله بعد، مدل هوش مصنوعی را با مجموعه داده هایی اعتبارسنجی کردند که از آمریکا، برزیل و مصر به دست آمده بودند.

عکس سمت چپ، شبکیه چشم چپ یک نوزاد مبتلا به رتینوپاتی نوزادان زودرس و عکس سمت راست، یک نقشه را نشان می دهد که توسط الگوریتم هوش مصنوعی ایجاد شده است. این عکس، بخش هایی را نشان می دهد که بیشترین تأثیر را در تصمیم گیری مدل هوش مصنوعی دارند.

اگرچه این مدل برای یک جمعیت بریتانیایی تنظیم شده بود اما پژوهشگران امیدوار هستند که در کشورهای دیگر نیز موثر عمل کند و برای محیط های دیگر تنظیم شود. این مدل هوش مصنوعی بعنوان یک پلتفرم یادگیری عمیق بدون رمز توسعه یافته است؛ به این معنا که افراد بدون تجربه قبلی نیز می توانند آنرا با رمزنویسی جدید تنظیم کنند.

دکتر «زیگفرید واگنر» (Siegfried Wagner)، پژوهشگر موسسه چشم پزشکی کالج دانشگاهی لندن و بیمارستان چشم مورفیلدز و پژوهشگر ارشد این پروژه گفت: یافته های ما، بررسی مداوم فناوری های هوش مصنوعی را برای تشخیص رتینوپاتی نوزادان زودرس توجیه می کند. ما اکنون مدل هوش مصنوعی خود را در چندین بیمارستان بریتانیا ارزیابی می کنیم و به دنبال یادگیری نحوه تعامل افراد با خروجی های هوش مصنوعی هستیم تا بفهمیم چگونه می توانیم این مدل را در تنظیمات بالینی دنیای واقعی بگنجانیم.

واگنر افزود: ما امیدواریم که این مدل به پرستاران آموزش دیده امکان بدهد تا تصاویری را تهیه کنند که هوش مصنوعی میتواند آن ها را مورد بررسی قرار دهد. بدین ترتیب، ارجاع برای درمان، بدون نیاز به چشم پزشک برای بررسی دستی اسکن ها انجام خواهد گرفت.

این پژوهش، در مجله «The Lancet Digital Health» به چاپ رسید.