به گزارش سلامت نیوز به نقل از مدیکال نیوز تودی، رتینوپاتی نارس یک بیماری چشمی است که نوزادان نارس را تحت تاثیر قرار می دهد و می تواند باعث اختلال بینایی یا نابینایی شود، مگر اینکه در مراحل اولیه بیماری شناسایی و درمان شود.
غربالگری منظم نوزادان نارس می تواند به جلوگیری از این پیامدهای نامطلوب کمک کند، اما کمبود چشم پزشک کودکان به ویژه در کشورهای کم درآمد و متوسط مانع آن می شود.
یک مطالعه اخیر نشان داد که یک مدل هوش مصنوعی (AI) می تواند تصاویر شبکیه را تجزیه و تحلیل کند و به طور دقیق رتینوپاتی نارس را در نوزادان نارس تشخیص دهد. مدل هوش مصنوعی مورد استفاده در این مطالعه به تجربه کدنویسی نیاز نداشت و میتوان آن را به طور بالقوه در تنظیمات محدود به منابع مستقر کرد.
رتینوپاتی شدید نارس می تواند باعث اختلال بینایی و نابینایی در کودکان شود. این عارضه یکی از علل اصلی نابینایی دوران کودکی است. اگرچه برنامه های غربالگری می تواند به جلوگیری از پیشرفت رتینوپاتی نوزادان نارس کمک کند، نگرانی هایی در مورد کمبود چشم پزشکان کودکان برای انجام این غربالگری ها، به ویژه در محیط های محدود به منابع وجود دارد.
مطالعات نشان داده است که برنامه های کاربردی هوش مصنوعی می توانند رتینوپاتی شدید نارسی را بر اساس تجزیه و تحلیل تصاویر شبکیه به دقت تشخیص دهند. با این حال، توسعه این برنامه های کاربردی هوش مصنوعی به تخصص دانشمندان داده و سخت افزار گران قیمت نیاز دارد.
بیشتر بخوانید: فردابانک، نئوبانک هوشمند
یک مطالعه اخیر منتشر شده در مجله Lancet Digital Health گزارش می دهد که یک برنامه هوش مصنوعی بدون کد که به تخصص کدنویسی یا سخت افزار گران نیاز ندارد می تواند با استفاده از تصاویر به دست آمده از مجموعه داده های قومی به طور دقیق رتینوپاتی شدید نارس را تشخیص دهد. محققان گفتند که این مدل هوش مصنوعی میتواند رتینوپاتی شدید نارس را با استفاده از تصاویر بهدستآمده با دستگاهی غیر از دستگاهی که برای توسعه مدل استفاده میشود، البته با کاهش دقت، تشخیص دهد.
اگرچه اعتبار سنجی بیشتری مورد نیاز است، اما محققان گفتند که یافتههای آنها نشان میدهد که مدلهای هوش مصنوعی بدون کد ممکن است پتانسیل تشخیص دقیق رتینوپاتی نارسی را در تنظیمات با منابع محدود داشته باشند.
دکتر کنستانتینوس بالاسکاس، نویسنده این مطالعه گفت: «حدود 30 درصد از نوزادان در جنوب صحرای آفریقا دارای درجاتی از رتینوپاتی نارس هستند و در حالی که درمانها در حال حاضر به راحتی در دسترس هستند، اگر به سرعت این بیماری تشخیص داده نشود و درمان نشود، میتواند باعث نابینایی شود.»
این اغلب به دلیل کمبود متخصصان مراقبت از چشم اتفاق می افتد، اما با توجه به اینکه قابل تشخیص و درمان است، هیچ کودکی نباید از رتینوپاتی نارس کور شود.
همانطور که این بیماری شایع تر می شود، بسیاری از مناطق به اندازه کافی چشم پزشک آموزش دیده برای غربالگری همه کودکان در معرض خطر ندارند.
غربالگری رتینوپاتی نوزادان نارس
رتینوپاتی نارس یک بیماری چشمی است که شبکیه را که لایه داخلی چشم را تشکیل می دهد و مسئول تبدیل نور به تکانه های عصبی است، تحت تاثیر قرار می دهد.
رتینوپاتی نارس معمولاً در نوزادانی که قبل از هفته 31 بارداری یا با وزن بدن کمتر از 3 پوند به دنیا می آیند مشاهده می شود.این عارضه چشمی به دلیل رشد غیرطبیعی رگ های خونی در شبکیه ایجاد می شود.
در رتینوپاتی خفیف نارس، تغییرات رگ های خونی شبکیه به خودی خود برطرف می شود. در مقابل، رشد غیر طبیعی عروق خونی در رتینوپاتی شدید نارس می تواند باعث جدا شدن شبکیه شود که در نهایت منجر به کوری می شود.
رتینوپاتی شدید نارس با تغییرات ساختاری شامل بزرگ شدن و پیچ خوردگی رگ های خونی در شبکیه مشخص می شود که به آن بیماری پلاس گفته می شود. وجود بیماری پلاس به عنوان نشانگر رتینوپاتی در نظر گرفته می شود که نیاز به درمان دارد.
دستورالعمل های فعلی غربالگری دوره ای نوزادان نارس یا کم وزن، توسط چشم پزشکان کودکان توصیه می شود. در حالی که پیشرفت های قابل توجهی در بقای نوزادان نارس به دلیل پیشرفت های تکنولوژیکی و افزایش غربالگری صورت گرفته است، فقدان تعداد کافی چشم پزشک اطفال مانعی بر سر راه پایداری این تلاش است.
کمبود چشم پزشکان کودکان در کشورهای با درآمد پایین و متوسط شدیدتر نیز می باشد. در طول دهه گذشته، برنامه های کاربردی هوش مصنوعی در پرداختن به این موضوع امیدوارکننده بوده اند، اما همچنان مموانعیبرای استفاده از این رویکرد نوآورانه برای غربالگری وجود دارد.
استفاده از مدل های هوش مصنوعی
چشم پزشکان از تصاویر شبکیه برای تجسم عروق خونی و تشخیص بیماری استفاده می کنند. در طول دهه گذشته، برنامه های کاربردی هوش مصنوعی توسعه یافته است که می تواند داده های تصویربرداری را تجزیه و تحلیل کند و رتینوپاتی نوزادان نارس را به همان دقت چشم پزشکان مجرب تشخیص دهد. به طور خاص، این برنامه ها مبتنی بر یادگیری عمیق هستند، نوعی از هوش مصنوعی که فرآیند یادگیری را که در مغز اتفاق می افتد شبیه سازی می کند.
قبل از به کارگیری برای تشخیص بیماریها، مدلهای یادگیری عمیق با استفاده از مجموعه دادههای تصویربرداری که توسط متخصصان پزشکی مشروح یا برچسبگذاری شده است، آموزش داده میشوند. برای رتینوپاتی نوزادان نارس، این شامل استفاده از تصاویری می شود که چشم پزشکان قبلاً سالم یا دارای بیماری مثبت بودن آن را به هوش مصنوعی آموزش داده اند. با این حال، موانع متعددی برای استقرار مستقیم این مدلها برای تشخیص بیماری پلاس در کلینیک، بهویژه در کشورهای با درآمد کم و متوسط وجود دارد. به عنوان مثال، بیشتر این مدل های یادگیری عمیق با استفاده از داده های آمریکای شمالی و آسیا بهینه شده اند. انتظار میرود که این دادهها گروههای قومی و آنهایی را که دارای پسزمینه اقتصادی-اجتماعی پایینتری هستند، را نیز نشان دهد.
ایجاد رتینوپاتی نارس تحت تأثیر قومیت است، که نشان می دهد این مدل ها ممکن است قابل تعمیم نباشند. علاوه بر این، گروههای تحقیقاتی بیشتر این مدلهای هوش مصنوعی را برای تشخیص بیماری به علاوه با استفاده از دادههای بهدستآمده با یک دستگاه تصویربرداری خاص به نام Retcam آموزش دادهاند.
دستگاه های تصویربرداری مانند Retcam معمولاً گران هستند و دستگاه های دیگری اغلب در کشورهای با درآمد پایین و متوسط استفاده می شوند. با این حال، دقت این مدلها هنوز روی مجموعه دادههای بهدستآمده با استفاده از دستگاههای تصویربرداری دیگر ارزیابی نشده است. الگوریتمهای هوش مصنوعی معمولاً هنگام استقرار برای تجزیه و تحلیل دادههای تصویربرداری بهدستآمده با استفاده از دستگاهی متفاوت از دستگاهی که برای توسعه مدل استفاده میشود، کاهش دقت دارند و در نتیجه نیاز به اعتبارسنجی این مدلها در مجموعه دادههای خارجی قبل از استقرار در دنیای واقعی را برجسته میکند.
استقرار این مدلهای هوش مصنوعی نیز به دلیل نیاز به سختافزار گرانقیمت رایانه و تخصص دانشمندان داده محدود شده است.
این منابع ممکن است برای پزشکان فردی و حتی گروه های تحقیقاتی، به ویژه در کشورهای کم درآمد و با درآمد متوسط، در دسترس نباشد. این موانع مرتبط با مدلهای یادگیری عمیق سفارشیشده را میتوان با استفاده از برنامههای یادگیری عمیق بدون کد که به تخصص کدنویسی نیاز ندارند و رابط کاربری آسانی دارند، پشت سر گذاشت.
علاوه بر این، برنامه های یادگیری عمیق بدون کد اغلب مبتنی بر فضای ابری هستند، بنابراین نیاز به سخت افزار پرهزینه را نفی می کنند. این پلتفرمهای یادگیری عمیق بدون کد همچنان به یک مجموعه داده مشروح نیاز دارند، اما میتوانند توسط پزشک بدون تجربه کدنویسی استفاده شوند.
دقت مدل یادگیری بدون کد
در مطالعه حاضر، محققان عملکرد یک مدل یادگیری عمیق سفارشی و بدون کد را با پزشکان با تجربه در تشخیص بیماری به علاوه بر اساس تجزیه و تحلیل داده های تصویربرداری از کشورهای مختلف به دست آمده با استفاده از Retcam مقایسه کردند.
علاوه بر این، آنها توانایی این مدلهای توسعهیافته با استفاده از Retcam را برای شناسایی دقیق بیماریهای مثبت با استفاده از تصاویر بهدستآمده با دستگاه دیگری بررسی کردند.
محققان ابتدا یک مدل یادگیری عمیق سفارشی و بدون کد را با استفاده از تصاویر Retcam که از نوزادان تازه متولد شده از پیشینههای قومی و اقتصادی-اجتماعی متنوع در بیمارستانی در انگلستان به دست آمده بود، توسعه دادند. به طور خاص، مدلهای یادگیری عمیق سفارشی و بدون کد ابتدا بر روی زیرمجموعهای از تصاویر این نوزادان آموزش داده شدند و سپس دقت آنها بر روی تصاویر باقیمانده از این مجموعه داده ارزیابی شد.
مدلهای یادگیری عمیق سفارشی و بدون کد دقت مشابهی را با چشمپزشکان ارشد در تشخیص نوزادان بدون یا با بیماری پلاس یا بیماری پیش پلاس نشان دادند. بیماری Pre-plus ناهنجاریهایی را در رگهای خونی توصیف میکند که مشابه مواردی است که در بیماری پلاس دیده میشود، اما به اندازه کافی شدید نیستند که به عنوان بیماری مثبت تشخیص داده شوند. تشخیص بیماری پیش پلاس می تواند به شروع درمان زودرس رتینوپاتی نارس کمک کند.
این دو مدل همچنین هنگام تجزیه و تحلیل مجموعه دادههای تصویر Retcam از ایالات متحده و دو کشور با درآمد پایین و متوسط - برزیل و مصر، دقت تشخیصی بالایی را نشان دادند.
با این حال، مدل یادگیری عمیق بدون کد دقت کمتری را در تشخیص موارد با بیماری پیش پلاس نسبت به مدل سفارشی نشان داد. محققان همچنین عملکرد مدل ها را با استفاده از یک مجموعه داده جداگانه از مصر که با یک دستگاه تصویربرداری متفاوت به نام 3nethra به دست آمده بود، ارزیابی کردند.
هر دو مدل کاهش دقت تشخیصی را در طول تجزیه و تحلیل این مجموعه داده بهدستآمده با استفاده از 3nethra نسبت به مجموعه دادههای آموزشی یا اعتبارسنجی نشان دادند.
این نتایج پتانسیل مدل یادگیری عمیق بدون کد را برای تشخیص بیماری به علاوه در کشورهای با درآمد کم و متوسط که در آن کمبود چشم پزشکان کودکان و منابع محدود ممکن است مانع از غربالگری منظم نوزادان نارس شود را برجسته می کند.
این یک مطالعه هوشمندانه است که کاربرد بالقوه بسیار مفید هوش مصنوعی را نشان می دهد.
دکتر Deepak Bhatt، MPH، مدیر Mount Sinai Heart در نیویورک گفت: «نویسندگان نشان دادند که برنامه هوش مصنوعی آنها به خوبی چشم پزشکان ارشد در شناسایی علت اصلی نابینایی در کودکان با بررسی تصاویر شبکیه عمل کرده است.»
بات همچنین اظهار داشت: «یادگیری ماشین و هوش مصنوعی از داستان های علمی تخیلی خارج شده و به کاربرد احتمالی در عمل بالینی تبدیل شده اند. این مطالعه نمونه خوبی از آن است. با این حال مطالعات بیشتری مانند این در جمعیت های مختلف مورد نیاز است.»
نظر شما