در دنیای مدرن رایانه‌ها و گوشی‌های هوشمند بسیاری از جنبه‌های زندگی ما را در اختیار گرفته‌اند؛ صنعت پزشکی نیز از این قاعده مستثنا نیست. پزشکان، به‌طور فزاینده‌ای، داده‌های بهداشتی و پزشکی را از کاغذ به فرمت‌های الکترونیکی منتقل می‌کنند و درنتیجه، مرکزهای پزشکی و مراقبت‌های بهداشتی حجم عظیمی از داده‌ها را تولید می‌کنند. در این مطلب از وبلاگ کافه‌تدریس به کاربردهای زبان برنامه‌نویسی پایتون در پزشکی می‌پردازیم.
نقش برجسته پایتون در تحول تشخیص تصویری در حوزه پزشکی
پایتون (Python) یک زبان برنامه‌نویسی ضروری است که دیتا ساینتیست‌ها یا دانشمندان داده (Data Scientists) از آن برای ایجاد راه‌حل‌هایی برای چالش‌های متعدد در حوزه پزشکی استفاده می‌کنند. این زبان برنامه‌نویسی مجموعه متنوعی از ابزارها را برای ایجاد بینش قابل‌توجه از داده‌ها برای متخصصان پزشکی ارائه می‌کند.
پزشکان می‌توانند از برنامه‌های کاربردی پایتون برای پیش‌بینی بهتر و بهبود کیفیت ارائه مراقبت‌های پزشکی استفاده کنند. در حوزه پزشکی دانشمندان داده عمدتاً از پایتون برای ساخت الگوریتم‌های یادگیری ماشین (Machine Learning) و برنامه‌های نرم‌افزاری استفاده می‌کنند.
درواقع کاربردهای اصلی پایتون در حوزه مراقبت‌های بهداشتی براساس الگوریتم‌های یادگیری ماشین (ML) است. یکی از مهم‌ترین این کاربردها، تشخیص تصویری (Image Diognostics) است که برای بخش مراقبت‌های بهداشتی ضروری است. در این مطلب قصد داریم به موارد کاربردهای پایتون و الگوریتم‌های یادگیری ماشین در تشخیص تصویری در حوزه پزشکی بپردازیم.
استفاده از پایتون برای تشخیص تصویری (Image Diagnostics)
یکی از امیدوارکننده‌ترین پیشرفت‌های فناوری در مراقبت‌های بهداشتی استفاده از یادگیری ماشین برای تجزیه‌وتحلیل تصویرهای متعدد، مانند تصویربرداری رزونانس مغناطیسی (MRI)، توموگرافی کامپیوتری (CT) و اسکن‌های تصویربرداری تنسور انتشاری (DTI)، برای ارائه تشخیص بیماری است. درحالی‌که مغز انسان برای تجزیه‌وتحلیل چندین تصویر به‌طور همزمان مشکل دارد، راه‌حل‌های یادگیری ماشینی در پردازش چند قطعه اطلاعات برای تولید یک نتیجه تشخیصی خوب هستند.
لازم به ذکر است که دقت استفاده از پایتون در یادگیری ماشین برای تجزیه‌وتحلیل تصویر حدود ۹۲ درصد است. این مقدار کمی کمتر از دقت ۹۶ درصد برای پزشکان ارشد است.؛ با این حال، هنگامی که آسیب‌شناسان (Pathologists) مدل‌های یادگیری ماشین را بررسی می‌کنند، میزان دقت می‌تواند تا ۹۹.۵ درصد افزایش یابد.
پیشنهاد می‌کنیم درباره کاربرد پایتون در علم داده هم مطالعه کنید.
تشخیص و طبقه‌بندی تومورها
یکی از رایج‌ترین کاربردهای فناوری‌های یادگیری ماشین در حوزه مراقبت‌های بهداشتی تشخیص تومورها با استفاده از تشخیص خودکار کامپیوتری (CAD) است. این تکنیک‌ها از شبکه عصبی کانولوشنی یا همان CNN برای محاسبه احتمال اینکه یک ضایعه واقعاً یک ضایعه است استفاده می‌کنند؛ برای مثال، در ماموگرافی ابزارهای هوش مصنوعی می‌توانند نظر «دوم» را برای بسیاری از رادیولوژیست‌ها ارائه کنند. این کار به‌طور قابل‌توجهی دقت غربالگری‌ها را بدون افزایش هزینه‌های مربوط به استفاده از انسان برای ارائه «نظر دوم» بهبود می‌بخشد.
پزشکان همواره برای تشخیص و طبقه‌بندی گلیوبلاستوما (glioblastoma)، نوعی تومور مغزی، با چالش‌هایی روبه‌رو بوده‌اند. مشکل در ماهیت تهاجمی و فراگیربودن این تومورهاست. برخلاف دیگر تومورهای مغزی، این تومورها به‌سختی می‌توانند مکان‌یابی شوند. همین‌طور ارزیابی اینکه چگونه به درمان پاسخ می‌دهند دشوار است. یادگیری عمیق (Deep Leaning) به خودکارسازی ارزیابی ام‌آرآی گلیوبلاستوما کمک می‌کند.
تشخیص ناهنجاری‌های قلبی‌عروقی
استفاده از پایتون برای تشخیص خودکار ناهنجاری‌های قلب از تصاویر، مانند اشعه ایکس قفسه سینه، می‌تواند تصمیم‌گیری را تسریع کند و خطاهای تشخیصی را کاهش دهد.
هنگامی که بیمار علائمی مانند تنگی نفس را نشان می‌دهد، پزشکان اغلب رادیوگرافی قفسه سینه را به‌عنوان ابزاری برای کاردیومگالی (cardiomegaly) درخواست می‌کنند.
ابزارهای هوش مصنوعی ایجادشده با پایتون می‌توانند به خودکارسازی وظایف ارزیابی مانند اندازه‌گیری قطر شریان ریوی و اندازه‌گیری زاویه کارینا کمک کنند؛ برای مثال، این شکل نشان می‌دهد که چگونه دانشمندان داده از یادگیری ماشین برای پیش‌بینی بیماری‌های قلبی عروقی با استفاده از ویژگی‌های بالینی بیماران (مانند جنسیت، وضعیت سیگار کشیدن و خطر فشارخون بالا، در میان عوامل دیگر) استفاده می‌کنند. دقت این مدل که شخصی به‌نام ونگ (Stephen Weng) و همکارانش در سال ۲۰۱۷ ارائه کرد حدود ۷۶ درصد بود.
الگوریتم‌های یادگیری ماشین می‌توانند تصاویر را ارزیابی کنند و گزارش‌ها را به‌طور خودکار تولید کنند و در زمان لازم برای طبقه‌بندی ناهنجاری‌ها با استفاده از اندازه‌گیری‌های عادی صرفه‌جویی کنند.
تشخیص شکستگی‌ها و آسیب‌های دیگر
دانشمندان داده می‌توانند از ابزارهای مجهز به یادگیری ماشین برای شناسایی دررفتگی‌ها، شکستگی‌ها و آسیب‌های بافت نرم استفاده کنند. این کار به جراحان اجازه می‌دهد تا انتخاب‌های درمانی مطمئن‌تری داشته باشند. استفاده از الگوریتم‌های unbiased برای تجزیه‌وتحلیل تصاویر می‌تواند به پزشکان کمک کند تا تمامی آسیب‌ها را در نظر بگیرند و بهترین درمان‌ها را ارائه کنند. ابزارهای هوش مصنوعی می‌توانند به انجام‌دادن تجزیه‌وتحلیل جامع تصاویر پزشکی و ایجاد گزارش‌های دقیق و به‌موقع کمک کنند و خطر بیمار، احتمال منفی کاذب (False Negative) و خطر قانونی را برای پزشکان به حداقل برسانند.
تشخیص بیماری‌های قفسه سینه
بیماری‌های قفسه سینه، مانند ذات‌الریه، به واکنش سریع ارائه‌دهندگان مراقبت‌های بهداشتی نیاز دارد. پزشکان از تصاویر رادیولوژی برای تشخیص ذات‌الریه و تشخیص این بیماری از دیگر بیماری‌های ریوی، مانند COVID-19، استفاده می‌کنند.
بااین‌حال رادیولوژیست‌ها ممکن است همیشه برای تجزیه‌وتحلیل تصاویر و نوشتن گزارش برای پزشکان در دسترس نباشند. حتی زمانی که آن‌ها در دسترس باشند، اگر بیمار از قبل شرایط ریوی داشته باشد، ممکن است در شناسایی ذات‌الریه مشکل داشته باشند.
یک الگوریتم هوش‌مصنوعی مبتنی بر پایتون می‌تواند اشعه ایکس و دیگر تصاویر پزشکی را برای تشخیص ذات‌الریه تجزیه‌وتحلیل کند؛ سپس به‌طور خودکار به ارائه دهندگان مراقبت‌های بهداشتی هشدار دهد تا درمان مناسب را ارائه کنند.
غربالگری سرطان‌های شایع
انکولوژیست‌ها از تصویربرداری پزشکی برای انجام‌دادن غربالگری‌های معمول و پیشگیرانه برای سرطان‌هایی، مانند سرطان روده بزرگ، سرطان پروستات و سرطان سینه، استفاده می‌کنند. در غربالگری سرطان سینه رادیولوژیست‌ها ممکن است در طبقه‌بندی قطعی تومور به‌عنوان خوش‌خیم یا بدخیم چالش داشته باشند.
مثبت کاذب (False Positive) می‌تواند به آزمایش یا درمان تهاجمی غیرضروری بینجامد، درحالی‌که بدخیمی‌های تشخیص‌داده‌نشده هم می‌توانند تأخیر در تشخیص و پیامدهای نامطلوب را در پی داشته باشند.
استفاده از هوش‌مصنوعی می‌تواند به بهبود دقت خواندن تصاویر پزشکی کمک کند و به‌طور بالقوه میزان بیوپسی‌های (biopsy) خوش‌خیم غیرضروری را کاهش دهد.
حرف آخر
به‌طور کلی، می‌توان گفت زبان برنامه‌نویسی پایتون و به‌طور خاص یادگیری ماشین نقش بسیار مهم و حیاتی را در حوزه پزشکی ایفا می‌کنند. یکی از مهم‌ترین کاربردهای آن‌ها تشخیص بیماری‌ها و مشکلات مختلف سلامتی از روی تصاویر پزشکی است. تمامی این‌ها براساس داده‌های ثبت‌شده بیماران و یادگیری مدل یادگیری ماشین از روی این داده‌ها امکان‌پذیر می‌شود.
بنابراین، شاید حالا درک این جمله که «داده‌ها نفت آینده هستند» راحت‌تر باشد و دلیل اهمیت یادگیری علم‌داده محرزتر شود. اینکه در هر حوزه‌ای، حتی پزشکی، داده‌ها نقش تعیین‌کننده‌ای دارند و از آن مهم‌تر افرادی که مهارت کار با داده‌ها را دارند آینده‌ای هیجان‌انگیز و پرسود پیش‌رو خواهند داشت.
یادگیری دیتا ساینس و ماشین لرنینگ را از امروز شروع کنید!
ورود به این شاخه با ورود به دنیای دیتا ساینس یا علم داده آغاز می‌شود. اگر دوست دارید به این حوزه جذاب وارد شوید، پیشنهاد می‌کنیم همین حالا دست‌به‌کار شوید و با کلیک روی این لینک اولین قدم را بردارید. مشاوران کافه‌تدریس به شما کمک می‌کنند با مسیر یادگیری برای ورود به این حوزه را آشنا شوید: