گزارش وضعیت هوش مصنوعی در پزشکی آزمایشگاهی

آزمایشگاه‌ها باید مشکلات مربوط به داده‌ها، قدرت محاسباتی و اعتماد را قبل از وقوع مشکل حل کنند.

مدل‌های هوش مصنوعی (AI) در مراقبت‌های بهداشتی پتانسیل بهبود دقت و سرعت پزشکی شخصی‌سازی شده برای بیماران را دارند و در برخی موارد به شناسایی بهترین درمان یا مراقبت‌های پیشگیرانه کمک می‌کنند. پزشکان در حال حاضر این مدل ها را در زمینه هایی مانند تشخیص زودهنگام sepsis و تجزیه و تحلیل تصاویر رادیولوژی برای تشخیص سرطان پروستات و سایر شرایط اجرا می کنند. این یک حوزه در حال رشد مورد علاقه است که متخصصان پزشکی آزمایشگاهی باید به آن توجه کنند، زیرا داده های تولید شده توسط آزمایش های آزمایشگاهی جزء اصلی است که در ابزارهای هوش مصنوعی برای ایجاد تصمیمات بالینی گنجانده شده است.

وید شولز، MD، PhD، استادیار پزشکی آزمایشگاهی و مراقبت های بهداشتی محاسباتی گفت: هوش مصنوعی بالینی و زیرمجموعه ای از هوش مصنوعی که به عنوان یادگیری ماشین (ML) شناخته می شود، می تواند برای وظایف در طیف گسترده ای از زمینه ها از پزشکی دقیق گرفته تا سلامت جمعیت استفاده شود. محقق در دانشکده پزشکی ییل در نیوهیون، کانکتیکات. مزیت اصلی سرعت است زیرا این ابزارها به جای کارهای دستی بر رایانه ای تکیه دارند. او گفت که علاقه زیادی به نحوه پیشرفته تر کردن الگوریتم های AI/ML وجود دارد تا بتوانند نتایج پیچیده تری مانند پاسخ به درمان سرطان یا خطر عوارض جانبی ناشی از جراحی را پیش بینی کنند.

تایلیس چانگ، MD، نایب رئیس انفورماتیک پاتولوژی برای Northwell Health، افسر ارشد اطلاعات پزشکی خط خدمات پاتولوژی سیستم بهداشتی و مدیر پزشکی آزمایشگاه‌های بیمارستان دانشگاه نورث شور در منهاست، توضیح داد که پزشکان بر درک بیماران فردی و مسیر حرکت آنها تمرکز می‌کنند. نیویورک. چانگ، یکی از اعضای کمیته راهبری تجزیه و تحلیل داده AACC، گفت: اما آزمایشگاه‌ها مهارت‌های زیادی در جمع‌آوری و پردازش داده‌ها دارند.

کاربردهای فعلی و بالقوه هوش مصنوعی در آزمایشگاه

برخی از تکنیک‌های هوش مصنوعی و ML در محیط آزمایشگاهی، عمدتاً در آسیب‌شناسی مولکولی (مانند طبقه‌بندی تومورهای سیستم عصبی مرکزی بر اساس پروفایل متیلاسیون DNA) و آسیب‌شناسی دیجیتال (مانند تجزیه و تحلیل تصویر) استفاده شده است، اما به کندی پیش می‌رود. کارلوس جی سوارز، MD، معاون مدیر آزمایشگاه آسیب شناسی مولکولی در مرکز پزشکی دانشگاه استنفورد در کالیفرنیا و مدیر مشترک سرویس بهینه سازی آزمایش ژنتیک و ژنومی. گفت: «اینجا بوده است، فقط به طور گسترده تبلیغ نشده است.»

یک مقاله مروری که او نویسندگی کرد (Clin Biochem 2022; doi:10.1016/j.clinbiochem.2022.02.011) نمونه هایی از AI/ML را که در آزمایشگاه مورد مطالعه قرار گرفته اند، مانند پیش بینی مقادیر تست آزمایشگاهی، بهبود استفاده از آزمایشگاه، خودکارسازی آزمایشگاه فرآیندها، ترویج تفسیر دقیق آزمایشات آزمایشگاهی، و بهبود سیستم‌های اطلاعات پزشکی آزمایشگاهی (برخی با دقت چشمگیر) برجسته کرد.

به عنوان مثال، مطالعه ای که در مقاله ذکر شد از یک مدل شبکه عصبی برای پیش بینی کم خونی ناشی از فقر آهن و سطح آهن سرم بر اساس ویژگی های یک شمارش کامل خون معمولی استفاده کرد. مطالعه دیگری که ذکر شد، توسعه یک مدل یادگیری ماشینی را مورد بحث قرار داد که می‌تواند آزمایش‌های آزمایشگاهی را که ارائه‌دهنده باید سفارش دهد، توصیه کند. به‌طورکلی، فناوری AI/ML نوید استفاده از مقادیر زیادی از داده‌های پزشکی را برای ایجاد تفاسیر شخصی‌تر از نتایج آزمایش می‌دهد، به طوری که این پارادایم می‌تواند از تعریف یک سطح هموگلوبین طبیعی به طور کلی به تعریف یک سطح هموگلوبین برای یک فرد خاص تغییر کند.

شولز و دیگران در یک مقاله مروری جداگانه نوشتند، آزمایشگاه‌های شیمی و ایمونولوژی به‌ویژه برای استفاده از یادگیری ماشینی مناسب هستند زیرا مجموعه‌های داده بزرگ و بسیار ساختار یافته را تولید می‌کنند (Clin Chem 2021؛ doi: 10.1093/clinchem/hvab165). به گفته آنها، فرآیندهای فشرده مورد استفاده برای تفسیر و کنترل کیفیت آثار الکتروفورز و طیف های جرمی می توانند از اتوماسیون با پیشرفت فناوری بهره ببرند. این مقاله خاطرنشان کرد: آزمایشگاه‌های شیمی بالینی همچنین تصاویر دیجیتالی مانند تجزیه و تحلیل رسوب ادرار تولید می‌کنند که ممکن است با توجه به پیشرفت‌هایی که در بینایی کامپیوتری صورت گرفته است، برای آنالیزهای نیمه خودکار بسیار مفید باشد.

چانگ دو دسته از مدل‌های هوش مصنوعی را می‌بیند: مدل‌هایی که با چالش‌های داخلی در آزمایشگاه مقابله می‌کنند، مانند نحوه ارائه نتایج دقیق‌تر به پزشکان. و آنهایی که به دنبال شناسایی گروه‌های بیماران و فرآیندهای مراقبتی برای بستن شکاف‌های کیفیت در سیستم‌های ارائه سلامت هستند.

میشل استوفل، MD، PhD، معاون ارشد اطلاعات پزشکی آزمایشگاهی پزشکی و آسیب‌شناسی در M Health Fairview و دانشگاه مینه‌سوتا در مینیاپولیس، گفت: با این حال، آزمایشگاه واقعاً یک جزیره نیست. هنگامی که سایر متخصصان مراقبت های بهداشتی با پرونده های الکترونیکی سلامت یا سایر برنامه ها کار می کنند، ممکن است ابزارهای مبتنی بر هوش مصنوعی یا الگوریتم هایی وجود داشته باشد که توسط سیستم های یک موسسه استفاده می شود که ممکن است از داده های آزمایشگاهی استفاده کند.

موانع اجرای معمول هوش مصنوعی

آزمایشگاه‌ها هنوز باید با چالش‌های مهمی روبرو شوند تا این فناوری به شیوه‌ای گسترده‌تر مورد استفاده قرار گیرد. اینها شامل نیاز به جمع آوری داده های با کیفیت بالا از جمعیت های مختلف و مدیریت هزینه های مرتبط با زیرساخت های محاسباتی و پرسنل برای توسعه و به روز رسانی الگوریتم ها و ابزارهای نرم افزاری است.

در این زمینه نسبتاً جدید، هیچ دستورالعملی در مورد بهترین شیوه‌ها برای اعتبارسنجی بالینی الگوریتم‌ها وجود ندارد. کالج آسیب شناسان آمریکایی در سال گذشته کمیته ای را برای کمک به ایجاد استانداردهای آزمایشگاهی برای کاربردهای هوش مصنوعی تشکیل داد. سوارز گفت، اگرچه هنوز مشخص نیست که تنظیم‌کننده‌های فدرال و ایالتی چه نقشی خواهند داشت، سازمان غذا و دارو کمیته‌ای را برای بررسی دستگاه‌های مبتنی بر هوش مصنوعی تشکیل داده است.

سوارز و استوفل گفتند، عدم آشنایی با این فناوری همچنین می‌تواند مانعی برای انتخاب برنامه‌های مناسب برای استفاده باشد، و خاطرنشان کردند که برخی از افراد به اطلاعات بازاریابی فروشنده تکیه می‌کنند که می‌تواند اغراق‌آمیز باشد. در آن صورت، متخصصان آزمایشگاه می‌توانند از شخص دیگری در مؤسسه خود که در مورد این زمینه آگاه است کمک بخواهند که بتواند در ارزیابی این مدل‌ها کمک کند.

استوفل گفت که درک وظایف مختلفی که هوش مصنوعی می تواند به آنها کمک کند، می تواند به نزدیک شدن به برخی از چالش ها کمک کند. استوفل گفت: برای افرادی که با هوش مصنوعی آشنایی ندارند، اعتماد به یک مدل هوش مصنوعی برای انجام یک کار تشخیصی که کارکنان بسیار متخصص یا زیست شناسان نیاز دارد، می تواند مانع اعتماد بزرگی شود، در مقابل ترکیب هوش مصنوعی برای چیزی که به نظر می رسد خطر کمتری دارد، مانند ارزیابی گردش کار قابل اعتمادتر است.

رویکرد دیگر پیاده سازی یک برنامه هوش مصنوعی در کنار یک فرآیند دستی، ارزیابی عملکرد آن در طول مسیر، به عنوان وسیله ای برای سهولت استفاده از برنامه است. من فکر می‌کنم یکی از تاثیرگذارترین کارهایی که آزمایشگاه‌ها می‌توانند انجام دهند این است که اطمینان حاصل کنند که داده‌های آزمایشگاهی که تولید می‌کنند تا حد امکان قوی است، زیرا این ابزارهای هوش مصنوعی به مجموعه‌های آموزشی جدید متکی هستند و استوفل گفت عملکرد آنها واقعاً فقط به اندازه مجموعه داده های آموزشی که داده می شود، خوب خواهد بود.

هنگام استفاده از هوش مصنوعی در پزشکی نیز ملاحظات اخلاقی وجود دارد. شولز گفت، یکی دسترسی به داده‌ها و دیگری نحوه دریافت رضایت مناسب از بیماران برای گنجاندن داده‌هایشان در دیتاسنترهای بزرگ‌تر است. و وقتی از داده ها استفاده می شود، پزشکان چگونه می توانند اطمینان حاصل کنند که سوگیری های اضافی را معرفی نمی کنند؟ شولز گفت: «مدل‌هایی که تولید می‌کنیم فقط به اندازه داده‌هایی هستند که جمع‌آوری می‌کنیم». بنابراین اگر سوگیری های اساسی در نحوه ارائه مراقبت های بالینی وجود داشته باشد، این موارد به طور بالقوه به مدل های ما نیز منتقل می شوند.

لوسیلا اوهنو-ماچادو، MD، PhD، MBA، معاون آینده انفورماتیک بیوپزشکی در دانشکده پزشکی ییل گفت: مدل‌های هوش مصنوعی نیز ممکن است اگر مجموعه داده‌های مورد استفاده جمعیتی را که توسط یک آزمایشگاه یا سیستم بهداشتی خاص ارائه می‌شود منعکس نکند، کمکی نکنند. او خاطرنشان کرد که درک و اعتبارسنجی مدل ها برای تنظیمات فردی کاری مهم است که باید انجام شود.

اوهنو-ماچادو: “وظیفه ما این است که اطمینان حاصل کنیم که هر زمان که برای یک بیمار خاص پیش‌بینی می‌کنیم که مسیر مراقبت را تغییر می‌دهد، بسیار متقاعد شده‌ایم که مدل مناسب است و بهترین کاری است که می‌توانیم در یک مقطع زمانی خاص انجام دهیم.” وی خاطرنشان کرد که با جمع‌آوری داده‌ها و نتایج جدید، مدل‌ها به مرور زمان باید به روز شوند.

ساختن یک پل به سوی آینده

در تلاش برای کمک به دسترسی به داده ها و مسائل مربوط به آن، مؤسسه ملی بهداشت برنامه Bridge2AI خود را برای تولید مجموعه های داده های زیست پزشکی و رفتاری پرچمدار جدید راه اندازی کرد. هدف این برنامه همچنین تعریف بهترین شیوه ها برای جمع آوری و آماده سازی داده های هوش مصنوعی برای تحقیقات زیست پزشکی و رفتاری است.

ماچادو گفت “این یک برنامه بسیار ویژه است” که هدف آن تولید مقادیر زیادی داده با ساختار رضایت مناسب است، “بنابراین از این داده ها می توان برای تولید مدل های هوش مصنوعی استفاده کرد که نوآوری هایی را در هوش مصنوعی معرفی می کند که می تواند منجر به سلامت بهتر افراد شود.”

دریافت مقادیر زیادی از داده ها به شیوه ای بسیار اصولی و بسیار استاندارد و سازماندهی شده به گونه ای که هوش مصنوعی بتواند از این مجموعه داده های بزرگ رشد کند، بودجه لازم است.

شولز در پروژه‌های Bridge2AI با تمرکز بر نقشه‌های سلولی و ادغام داده‌های سطح سلولی و بالینی در پایگاه‌های داده بزرگ مشارکت دارد. او گفت: «این یک حوزه بسیار جدید برای پزشکی بالینی است.

استوفل گفت که در آینده، هوش مصنوعی پزشکی آزمایشگاهی مستقیماً در دستگاه‌ها و ابزارهای بیشتری ادغام خواهد شد و مدیران آزمایشگاه‌ها ممکن است برنامه‌های هوش مصنوعی مستقل را انتخاب نکنند. در عوض، ویژگی‌های هوش مصنوعی ممکن است در بسته‌های نرم‌افزاری بزرگ‌تری که در نظر دارند گنجانده شوند. شولز گفت: «این به ما این امکان را می‌دهد تا با رویکردهای مبتنی بر پزشکی دقیق‌تر پیش برویم و از دانش زیست‌پزشکی زیادی استفاده کنیم که امروزه به مدل‌های بالینی هوش مصنوعی و ML تبدیل نمی‌شود.»

اوهنو-ماچادو گفت: «من فکر می‌کنم این امر تا حدی فراگیر خواهد بود که برای شما مهم نیست که هوش مصنوعی یا روش دیگری برای تولید نتایج باشد. «با داده‌های بیشتر و بیشتر، مدل‌ها بهتر می‌شوند. و قصد داشتن داده‌های آموزشی متنوع‌تر، برخی از مشکلات هوش مصنوعی را تا به امروز کاهش می‌دهد.»