هوش مصنوعی فناوری نوظهوری است که در عرصه‌ی ارتوپدی رشد سریع و کاربرد رو به افزایشی دارد. این مقاله مدارک موجود و پیشرفت‌های اخیر در زمینه‌ی کاربرد هوش مصنوعی در تشخیص آرتروز زانو و پیش‌بینی نتایج جراحی آرتروپلاستی کامل زانو را به طور خلاصه ارائه داده است.
دکتر آدام جی شوارتز (Adam J. Schwartz) جراح ارتوپد کلینیک Mayo، یکی از بهترین بیمارستان‌های آمریکا می‌گوید:« این فناوری پتانسیل این را دارد که در تشخیص و درمان آرتروز زانو احتمال خطا در بررسی رادیوگراف‌ها را به طور چشمگیری کاهش دهد. » همچنین گفته است: « در حال حاضر روش استانداردی برای بررسی این رادیوگراف‌ها وجود ندارد ولی کمی مغایرت دیده می‌شود. کاهش این مغایرت‌ها باعث تسهیل در تصمیم‌گیری بالینی و بهبود نتایج برای بیمار خواهد شد. »
محققین شبکه‌ی عصبی پیچشی (کانولوشن) یا CNN را برای تشخیص جنبه‌های اصلی رادیوگراف‌های نشان دهنده‌ی آرتروز زانو و نمره‌دهی شدت مشکل بر اساس سیستم نمره‌دهی کمیته‌ی بین‌المللی مستندسازی زانو (IKDC)، طراحی کرده‌اند. سپس از ۴ جراح ارتوپد درخواست شد تا ۵۷۶ رادیوگراف زانو را که از بیمارانی که به طور متوالی به کلینیک ارتوپد Mayo مراجعه کرده بودند تهیه شده بود، بررسی کنند.
نمرات جراحان با همدیگر و با نمرات شبکه‌ی عصبی آن ۵۷۶ زانو مقایسه شد. تحلیل‌های آماری نشان داد که نتایج بررسی جراحان و ابزار هوش مصنوعی مطابقت بسیار زیادی دارند. دکتر شوارتز می‌گوید: « شبکه‌ی عصبی پیچشی می‌تواند مؤلفه‌های اصلی رادیوگراف زانوی صاف، خمیده به جلو و عقب ناشی از نرمی غضروف زانو را بدون کنترل انسانی، به درستی تشخیص دهد. » همچنین گفته: « در تحقیقات ما در بسیاری از موارد، شبکه‌ی عصبی و جراح بیشتر از جراح با جراح مطابقت داشته است. »
یادگیری بصری عمیق
شبکه‌ی عصبی پیچشی نوعی ابزار یادگیری عمیق (دیپ‌لرنینگ) است که معمولاً برای سنجش تصاویر بصری استفاده می‌شود. یادگیری عمیق، روشی است که در آن هوش مصنوعی برای پردازش داده‌های خام، مانند تصاویر، از الگوریتم‌های یادگیری برای ایجاد لایه‌هایی از گره‌ها، که از هم اطلاعات می‌گیرند و از هم می‌آموزند، استفاده خواهد کرد.
همچنین می‌توان از آن‌ها برای دریافت اطلاعات و داده‌ها از آسیب‌ها و تشخیص پارگی رباط صلیبی زانو استفاده کرد؛ اگرچه تحقیقات و نتایج بیشتری لازم است تا میزان موفقیت این الگوریتم‌های یادگیری عمیق (دیپ‌لرنینگ) محاسبه شود.
دکتر شوارتز می‌گوید: « پیش از کاربرد این راه حل در موارد بالینی، نیازمند داده‌ها و آموزش بیشتر هستیم تا احتمال خطا در مشخص کردن شدت استئوآرتریت (آرتروز) کاهش یابد. » او گفت: « اما وقتی که مدل هوش مصنوعی را دارید، کارهای زیادی می‌توانید برای کارکرد بهتر و کاهش مغایرت انجام دهید. »
توانایی کلینیک Mayo در انجام این تحقیقات به روز و مدرن، به خاطر متخصصین رشته‌های مختلف این مرکز است. علاوه بر دکتر شوارتز و جراحان ارتوپد دیگر، کارشناس ارشد علوم، متیو آر نویل (Matthew R. Neville) که یکی از افرادی است که در کلینیک Mayo مدرک آمار زیستی دارد و در توسعه‌ی وب فول استک (Full-stack) و تکنیک‌های هوش مصنوعی مهارت دارد نیز در این تحقیق مشارکت داشته است.
آقای نویل می‌گوید: « توسعه‌ی مدل‌های شبکه‌ی عصبی پیچشی (کنولوشنال) داده‌های زیادی لازم دارد. » همچنین او می‌گوید: « برای تسهیل امر جمع‌آوری داده ابزار تحت وب مختلفی را طراحی کرده‌ایم که کار بررسی رادیوگراف‌ها توسط جراحان را بسیار ساده کرده‌اند. »
این رویکرد چندجانبه، تحقیق را راحت کرده که نهایتاً به نفع بیمار خواهد بود. دکتر شوارتز می‌گوید: « اجماع تخصص‌ها باعث می‌شود که نتیجه‌ی کلی کار بهتر از تک‌تک بخش‌های آن باشد. » همچنین می‌گوید: « این فناوری ابزاری برای کمک به بیمار و پزشک در تصمیم‌گیری برای انتخاب روش جراحی یا غیرجراحی است. »
هوش مصنوعی می‌تواند آرتروز را چندین سال قبل از شروعش پیش‌بینی کند.
محققین دانشکده‌ی پزشکی دانشگاه Pittsburgh و دانشکده‌ی مهندسی دانشگاه Cornegie Mellon یادآور شده‌اند که درمان اولیه برای آرتروز زانو در حال حاضر جراحی تعویض مفصل است. این مشکل به قدری رایج است که جراحی تعویض زانو در افراد بالای ۴۵ سال در آمریکا، رایج‌ترین عمل است.
نویسنده‌ی مشترک این تحقیق، دکتر Kenneth Urish، استادیار جراحی ارتوپد در Pitt و مدیکال دایرکتور مرکز استخوان و مفاصل بیمارستان UPMC Magee Womens گفت: « استاندارد طلایی برای تشخیص آرتروز اشعه‌ی ایکس است. با تحلیل رفتن غضروف، فضای بین استخوان‌ها کاهش می‌یابد و این امر باعث درد و سوزش در نواحی مختلف زانو خواهد شد. » همچنین گفت: « مشکل اینجاست که وقتی در تصاویر اشعه‌ی ایکس آرتروز دیده می‌شود، از وارد شدن آسیب مدتی گذشته است. اگرچه برای این عارضه درمان‌هایی مانند تزریق پلاکت غنی از خون در زانو وجود دارد، اما جلوگیری از متلاشی شدن غضروف راحت‌تر از کمک به آن برای رشد مجدد است. »
محققین برای این تحقیق ام‌آرآی زانوی آرتروز مقدماتی و اولیه را بررسی کردند که برای این کار هزاران نفر به مدت ۷ سال بررسی شدند تا مشخص شود که روند پیشرفت آرتروز زانو چگونه است. این تیم بر روی تعدادی از بیمارانی متمرکز شدند که در ابتدای تحقیق نشانه‌ی کمی از آسیب به غضروف در آن‌ها دیده می‌شد.
این تیم از این داده‌ها برای الگوریتم AI استفاده کردند تا الگوهای ظریفی در ام‌آرآی بیابند و نشان دهند که کدام بیمار به آرتروز مبتلا خواهد شد و کدام بیمار نخواهد شد.
نویسنده، دکتر Shinjini Kundu که این تحقیق را به عنوان بخشی از آموزش فارق‌التحصیلی خود در رشته‌ی آموزش پزشکی دانشگاه Pitt و دانشکده‌ی مهندسی بیومدیکال Carnegie Meon انجام داد، گفت: « وقتی پزشکان به این تصاویر غضروف‌ها نگاه می‌کنند، الگویی که با چشم بشر شناسایی شود دیده نخواهد شد، اما این به معنا نیست که الگویی وجود ندارد؛ تنها به این معناست که با ابزار عادی نمی‌توان به آن پی برد. »
برای تأیید این رویکرد، این مدل را برای تصاویر ام‌آرآی بیمارانی که تا کنون ندیده بود امتحان کردند. این تیم این روند را چندین بار تکرار کردند و هر بار شرکت‌کنندگان متفاوت بودند تا الگوریتم روی همه‌ی داده‌ها امتحان شود.
نتایج نشان داد که به طور کلی، این الگوریتم، آرتروز را با توجه به تصاویر ام‌آرآی مربوط به ۳ سال قبل از شروع علائم، ۷۸% درست تشخیص داده بود.
« تشخیص دقیق و آنی برای میلیون‌ها بیمار مبتلا به دیابت ارزشمند خواهد بود. علاوه بر افزایش دسترسی، تشخیص فوری با کمک هوش مصنوعی (AI) به معنای تشخیص افرادی است که در خطر نابینا شدن قرار دارند و این امر باعث مراجعه‌ی آن‌ها به چشم‌پزشک برای درمان، پیش از اینکه دیر شود، خواهد شد. »
نظرات