تطبيقات الذكاء الاصطناعي في الطب 2021 تتضمن هذه المقالة الطبية على 4 مجالات طبية يلعب فيها الذكاء الاصطناعي دور مهما منها سرعة تشخيص الأمراض.
حقق التعلم الآلي تقدمًا كبيرًا في كفاءة الأدوية والتكنولوجيا الحيوية. يلخص هذا المنشور أهم 4 تطبيقات الذكاء الاصطناعي في الطب 2021:
4 تطبيقات للذكاء الاصطناعي
1. تشخيص الأمراض
المجال الاول من تطبيقات الذكاء الاصطناعي في الطب 2021 هو السرعة في تشخيص الأمراض يستغرق التشخيص الصحيح للأمراض سنوات من التدريب الطبي. ومع ذلك ، فإن التشخيص غالبًا ما يكون عملية شاقة وتستغرق وقتًا طويلاً. في العديد من المجالات ، يتجاوز الطلب على الخبراء العرض المتاح. يضع هذا الأطباء تحت ضغط ، وغالبًا ما يؤخر التشخيص المنقذ للحياة.
حقق التعلم الآلي – وخاصة خوارزميات التعلم العميق – تقدمًا هائلاً مؤخرًا في التشخيص التلقائي للأمراض ، مما يجعل التشخيص أرخص وأسهل في الوصول إليه.
كيف تتعلم الآلات التشخيص
سوف تتمكن الخوارزميات التعلم الآلي أن تتعلم رؤية الأنماط بشكل مشابه للطريقة التي يراها الأطباء بها. الفرق الرئيسي هو أن الخوارزميات تحتاج إلى الكثير من الأمثلة الملموسة – عدة آلاف – من أجل التعلم. وهذه الأمثلة بحاجة إلى أن تكون رقمية بدقة – فالآلات لا تستطيع القراءة بين السطور في الكتب المدرسية.
مواضيع قد تعجبك
لذا فإن التعلم الآلي مفيد بشكل خاص في المناطق التي تكون فيها المعلومات التشخيصية التي يفحصها الطبيب رقمية بالفعل.
مثل:
- الكشف عن سرطان الرئة أو السكتات الدماغية بناءً على الأشعة المقطعية
- تقييم مخاطر الموت القلبي المفاجئ أو أمراض القلب الأخرى بناءً على مخطط كهربية القلب وصور التصوير بالرنين المغناطيسي للقلب
- تصنيف الآفات الجلدية في الصور الجلدية
- البحث عن مؤشرات اعتلال الشبكية السكري في صور العين
نظرًا لوجود الكثير من البيانات الجيدة المتوفرة في هذه الحالات ، أصبحت الخوارزميات جيدة في التشخيص مثل الخبراء. الفرق هو: يمكن للخوارزمية استخلاص النتائج في جزء من الثانية ، ويمكن إعادة إنتاجها بتكلفة زهيدة في جميع أنحاء العالم. قريباً يمكن للجميع وفي كل مكان الوصول إلى نفس الجودة التي يتمتع بها أفضل الخبراء في تشخيص الأشعة ، وبسعر منخفض.
سيتم توفير المزيد من تشخيصات الذكاء الاصطناعي المتقدمة قريبًا لقد بدأ تطبيق التعلم الآلي في التشخيص للتو – تتضمن الأنظمة الأكثر طموحًا مجموعة من مصادر البيانات المتعددة (التصوير المقطعي المحوسب ، والتصوير بالرنين المغناطيسي ، والجينوميات والبروتيوميات ، وبيانات المرضى ، وحتى الملفات المكتوبة بخط اليد) في تقييم المرض أو تطوره.
لن يحل الذكاء الاصطناعي محل الأطباء في أي وقت قريب من غير المحتمل أن يحل الذكاء الاصطناعي محل الأطباء على الفور. بدلاً من ذلك ، سيتم استخدام أنظمة الذكاء الاصطناعي لتسليط الضوء على الآفات الخبيثة المحتملة أو أنماط القلب الخطرة للخبير – مما يسمح للطبيب بالتركيز على تفسير تلك الإشارات.
2. تطوير الأدوية بشكل أسرع
إن تطوير الأدوية عملية مكلفة للغاية. يمكن جعل العديد من العمليات التحليلية المتضمنة في تطوير الأدوية أكثر كفاءة باستخدام التعلم الآلي. هذا لديه القدرة على تقليص سنوات من العمل ومئات الملايين من الاستثمارات.
4 مراحل في تطوير الدواء
تم بالفعل استخدام الذكاء الاصطناعي بنجاح في جميع المراحل الأربع الرئيسية في تطوير الأدوية:
- المرحلة-1: تحديد أهداف التدخل
- المرحلة-2: اكتشاف الأدوية المرشحة
- المرحلة-3: تسريع التجارب السريرية
- المرحلة-4: إيجاد المؤشرات الحيوية لتشخيص المرض
المرحلة-1: تحديد أهداف التدخل
تتمثل الخطوة الأولى في تطوير الأدوية في فهم الأصل البيولوجي للمرض (المسارات) بالإضافة إلى آليات مقاومته. ثم عليك تحديد الأهداف الجيدة (عادة البروتينات) لعلاج المرض. أدى التوافر الواسع لتقنيات الإنتاجية العالية ، مثل فحص الحمض النووي الريبي قصير الشعر (shRNA) والتسلسل العميق ، إلى زيادة كبيرة في كمية البيانات المتاحة لاكتشاف المسارات المستهدفة القابلة للتطبيق. ومع ذلك ، مع الأساليب التقليدية ، لا يزال من الصعب دمج العدد الكبير والمتنوع من مصادر البيانات – ثم العثور على الأنماط ذات الصلة.
يمكن لخوارزميات التعلم الآلي تحليل جميع البيانات المتاحة بسهولة أكبر ويمكنها حتى تعلم التعرف تلقائيًا على البروتينات المستهدفة الجيدة.
المرحلة-2: اكتشف الأدوية المرشحة
بعد ذلك ، تحتاج إلى العثور على مركب يمكنه التفاعل مع الجزيء المستهدف المحدد بالطريقة المرغوبة. يتضمن هذا فحص عدد كبير – غالبًا عدة آلاف أو حتى ملايين – من المركبات المحتملة لتأثيرها على الهدف (التقارب) ، ناهيك عن آثارها الجانبية غير المستهدفة (السمية). يمكن أن تكون هذه المركبات طبيعية أو صناعية أو مُصنّعة بيولوجيًا.
ومع ذلك ، غالبًا ما تكون البرامج الحالية غير دقيقة وتنتج الكثير من الاقتراحات السيئة (الإيجابيات الخاطئة) – لذلك يستغرق الأمر وقتًا طويلاً لتضييقها على أفضل الأدوية المرشحة (المعروفة باسم العملاء المحتملين).
من الممكن أن تساعد خوارزميات التعلم الآلي هنا أيضًا: يمكنهم تعلم التنبؤ بمدى ملاءمة الجزيء بناءً على بصمات الأصابع الهيكلية والواصفات الجزيئية. ثم يقومون بتفتيش الملايين من الجزيئات المحتملة وتصفيتها جميعًا إلى أفضل الخيارات – تلك التي لها أيضًا آثار جانبية قليلة. ينتهي هذا الأمر بتوفير الكثير من الوقت في تصميم الأدوية.
المرحلة-3: تسريع التجارب السريرية
من الصعب العثور على مرشحين مناسبين للتجارب السريرية. إذا اخترت المرشحين الخاطئين ، فسيؤدي ذلك إلى إطالة أمد التجربة – تكلف الكثير من الوقت والموارد.
يستطيع التعلم الآلي تسريع تصميم التجارب السريرية عن طريق تحديد المرشحين المناسبين تلقائيًا بالإضافة إلى ضمان التوزيع الصحيح لمجموعات المشاركين في التجربة. يمكن أن تساعد الخوارزميات في تحديد الأنماط التي تفصل بين المرشحين الجيدين والسيئين. يمكن أن تكون أيضًا بمثابة نظام إنذار مبكر لتجربة سريرية لا تؤدي إلى نتائج قاطعة – مما يسمح للباحثين بالتدخل في وقت مبكر ، ويحتمل أن ينقذ تطوير الدواء.
المرحلة 4: البحث عن المؤشرات الحيوية لتشخيص المرض
لا يمكنك علاج المرضى من المرض إلا بعد التأكد من تشخيصك. بعض الطرق باهظة الثمن وتتضمن معدات معملية معقدة بالإضافة إلى معرفة الخبراء – مثل تسلسل الجينوم الكامل.
المؤشرات الحيوية هي جزيئات موجودة في سوائل الجسم (دم الإنسان عادةً) التي توفر اليقين المطلق فيما إذا كان المريض يعاني من مرض أم لا. إنهم يجعلون عملية تشخيص المرض آمنة ورخيصة.
يمكنك أيضًا استخدامها لتحديد تطور المرض – مما يسهل على الأطباء اختيار العلاج الصحيح ومراقبة ما إذا كان الدواء يعمل أم لا.
لكن من الصعب اكتشاف المؤشرات الحيوية المناسبة لمرض معين. إنها عملية أخرى مكلفة وتستغرق وقتًا طويلاً وتتضمن فحص عشرات الآلاف من الجزيئات المرشحة المحتملة.
يمكن للذكاء الاصطناعي أتمتة جزء كبير من العمل اليدوي وتسريع العملية. تصنف الخوارزميات الجزيئات إلى مرشحين جيدين وسيئين – مما يساعد الأطباء على التركيز على تحليل أفضل الاحتمالات.
يمكن استخدام المؤشرات الحيوية لتحديد:
- وجود المرض في أقرب وقت ممكن – العلامات الحيوية التشخيصية
- خطر إصابة المريض بالمرض – علامة بيولوجية للمخاطر
- التقدم المحتمل للمرض – المرقم الحيوي النذير
- ما إذا كان المريض سيستجيب لعقار – واصم بيولوجي تنبؤي
3. إضفاء الطابع الشخصي على العلاج
يستجيب المرضى المختلفون للأدوية وجداول العلاج بشكل مختلف. لذا فإن العلاج المخصص له إمكانات هائلة لزيادة عمر المرضى. لكن من الصعب جدًا تحديد العوامل التي يجب أن تؤثر في اختيار العلاج.
يمكن للتعلم الآلي أتمتة هذا العمل الإحصائي المعقد – والمساعدة في اكتشاف الخصائص التي تشير إلى أن المريض سيكون لديه استجابة خاصة لعلاج معين. لذلك يمكن للخوارزمية أن تتنبأ باستجابة المريض المحتملة لعلاج معين.
يتعلم النظام هذا من خلال الإحالة المرجعية لمرضى متشابهين ومقارنة علاجاتهم ونتائجهم. تسهل تنبؤات النتائج الناتجة على الأطباء تصميم خطة العلاج الصحيحة.
4. تحسين التحرير الجيني
تعد التكرارات المتناظرة القصيرة (CRISPR) المُجمَّعة بانتظام والمتباعدة بانتظام (CRISPR) ، وتحديداً نظام CRISPR-Cas9 للتحرير ، قفزة كبيرة إلى الأمام في قدرتنا على تحرير الحمض النووي بشكل فعال من حيث التكلفة – وعلى وجه التحديد ، مثل الجراح.
تعتمد هذه التقنية على الدليل القصير RNAs (sgRNA) لاستهداف وتعديل موقع معين على الحمض النووي. لكن الحمض النووي الريبي الإرشادي يمكن أن يلائم مواقع متعددة من الحمض النووي – ويمكن أن يؤدي ذلك إلى آثار جانبية غير مقصودة (تأثيرات خارج الهدف). الاختيار الدقيق للدليل RNA مع أقل الآثار الجانبية خطورة هو عنق الزجاجة الرئيسي في تطبيق نظام كريسبر.
أثبتت نماذج التعلم الآلي أنها تحقق أفضل النتائج عندما يتعلق الأمر بالتنبؤ بدرجة تفاعلات الدليل المستهدف والتأثيرات غير المستهدفة لـ sgRNA معين. يمكن أن يؤدي ذلك إلى تسريع تطوير دليل الحمض النووي الريبي (RNA) بشكل كبير لكل منطقة من مناطق الحمض النووي البشري.
الخاتمة
يساعدنا الذكاء الاصطناعي بالفعل في تشخيص الأمراض بشكل أكثر كفاءة ، وتطوير الأدوية ، وتخصيص العلاجات ، وحتى تعديل الجينات.
ولكن هذا هو مجرد بداية. كلما قمنا برقمنة بياناتنا الطبية وتوحيدها ، زادت قدرتنا على استخدام الذكاء الاصطناعي لمساعدتنا في العثور على أنماط قيمة – أنماط يمكننا استخدامها لاتخاذ قرارات دقيقة وفعالة من حيث التكلفة في العمليات التحليلية المعقدة.