هوش مصنوعی در نبرد با ویروس کرونا چه نقشی دارد؟
در روز ۳۱ دسامبر، یک شرکت مستقر در تورنتو به نام BlueDot که از هوش مصنوعی برای ردیابی گسترش بیماری‌های عفونی استفاده می‌کند، به مشتریان خود در مورد مجموعه‌ای از موارد غیرمعمول ذات‌الریه در ووهان چین هشدار داد.۹ روز بعد، سازمان بهداشت جهانی کشف یک ویروس کرونا جدید در ووهان چین که بعدا برای این بیماری نام کووید ۱۹ انتخاب شد، تایید کرد.
حالا، ویروس کرونا به ۱۸۰ کشور راه پیدا کرده و بیش از ۱۰۲ هزار نفر جان خود را بر اثر ابتلا به این بیماری از دست داده‌اند و در بیشتر کشورها تعطیلی گسترده‌ای در جریان است. و در حال حاضر، بهترین راهکار برای مهار گسترش ویروس، بهبود بهداشت فردی و اعمال فاصله‌گذاری اجتماعی است.
در این میان، سیاستمداران، دانشمندان و محققان برای یافتن راه‌های سیستماتیک برای مبارزه با این ویروس و مراقبت از بیماران، دست به دست هم داده‌اند. هوش مصنوعی هم در این نبرد با ویروس کرونا وارد عمل شده که تا جای ممکن انجام وظیفه کند.
ردیابی گسترش ویروس کرونا
شرکت BlueDot برای ردیابی شیوع بیماری‌های عفونی در سرتاسر جهان از ترکیب هوش مصنوعی و تخصص انسانی استفاده می‌کند. الگوریتم‌های این شرکت، داده‌های موردنظر را از گزارش‌های خبری، اظهارات سازمان‌های بهداشتی، پروازهای تجاری و گزارش‌های مربوط به بهداشت دام جمع‌آوری می‌کند.
با استفاده از یادگیری ماشینی و پردازش زبان طبیعی، این شرکت از دریای داده برای پیدا کردن الگوهایی استفاده می‌کند که شاید به آغاز گسترده یک بیماری اشاره داشته باشند. سپس نتایج به دست آمده توسط گروهی از کارشناسان تشکیل شده از پزشکان، دامپزشکان و متخصصین حوزه داده بررسی می‌شود تا تصمیم بگیرند کدامیک از این سیگنال‌ها نیاز به تحقیقات بیشتری دارد. گزارش نهایی به مشتریان این شرکت مانند دولت‌ها و کمپانی‌های مختلف ارسال می‌شود.
علاوه بر تشخیص نقاط آلوده، هوش مصنوعی با استفاده از داده‌های مربوط به پروازها و الگوهای حرکتی می‌تواند روند گسترش بیماری‌های عفونی و مسری را پیش‌بینی کند. این ویروس بعد از اینکه در ووهان چین ظاهر شد، شرکت BlueDot توانست به‌طور موفقیت‌آمیزی تعدادی از شهرهای بعدی که ویروس در آن‌ها گسترش پیدا می‌کند را پیش‌بینی کند.
در شرایط عادی، BlueDot پلتفرم خود را به‌عنوان یک برنامه تجاری در اختیار مشتریان خود قرار می‌دهد. اما این روزها، این شرکت به دولت‌ها در پیگیری گسترش ویروس کرونا کمک می‌رساند. در آینده، فناوری‌های هوش مصنوعی مانند BlueDot می‌توانند به‌عنوان سیستم‌های هشدار اولیه برای کمک به دولت‌ها در زمینه‌ی تشخیص بسیار سریع بیماری‌های همه‌گیر انجام وظیفه کنند.
دکتر کامران خان، پزشک بیماری‌های عفونی و مدیرعامل BlueDot در این زمینه می‌گوید: «ما در حال حاضر در قلمرو ناشناخته‌ای هستیم زیرا یک ویروس میکروسکوپی کل سیاره ما را مختل کرده است. بیماری همه‌گیر کووید ۱۹ نیاز به پیاده‌سازی سیستم‌هایی که به طور فعال مدیریت ریسک بیماری‌های عفونی را بر عهده بگیرند، نشان داده است. با افزایش آمادگی می‌توانیم این تهدیدات را پشت سر بگذاریم تا جهانی سالم‌تر، امن‌تر و مرفه‌تر ایجاد کنیم»
تشخیص عفونت کووید ۱۹ در تصاویر پزشکی
بسیاری از کشورها همچنان با مشکل کمبود کیت‌های تشخیص ویروس دست و پنجه نرم می‌کنند و به همین خاطر از همان ابتدا دانشمندان و محققان به فکر راه‌های جایگزین برای تشخیص این بیماری افتادند. یک راهکار، بررسی‌های عکس‌های گرفته شده از قفسه سینه با اشعه ایکس و سی‌تی اسکن انجام شده است که در بیمارستان‌ها با سرعت زیادی انجام می‌شوند.
چالش بهره‌گیری از عکس‌های قفسه سینه این است که به راحتی نمی‌توان تفاوت‌های بین بیماری کووید ۱۹ و دیگر عفونت‌های ریوی مانند آنفولانزا را تشخیص داد. کالج رادیولوژی آمریکا در ماه مارس بیانیه‌ای صادر کرد که در آن در مورد استفاده از سی‌تی اسکن قفسه سینه و رادیوگرافی به‌عنوان اولین تست مربوط به این ویروس هشدار داده شده است.
این رویکرد مورد تایید مرکز کنترل و پیشگیری آمریکا هم قرار گرفته است. این سازمان اعلام کرده: «با توجه به تنوع در یافته‌های تصویربرداری از قفسه سینه، رادیوگرافی یا سی‌تی اسکن به تنهایی برای تشخیص کووید ۱۹ توصیه نمی‌شود.»
اما محققان هوش مصنوعی امیدوارند که تکنولوژی بینایی کامپیوتری می‌توانند در این زمینه بسیار دقیق‌تر از چشم انسان عمل کنند. در همین زمینه، چندین شرکت وارد عمل شده‌اند و سیستم‌های هوش مصنوعی برای تشخیص ویروس کرونا بر مبنای رادیو گرافی و سی‌تی اسکن ارائه داده‌اند. یکی از تلاش‌های اخیر، COVID-Net نام دارد که یک سیستم یادگیری عمیق متن‌باز است و توسط نهاد DarwinAI و دانشگاه واترلو ایجاد شده است.
الکس وانگ، دانشمند ارشد شاغل در نهاد DarwinAI می‌گوید که تفاوت‌های ظریفی بین کووید ۱۹ و دیگر عفونت‌های ریوی وجود دارد که رادیولوژیست‌ها ممکن است هنگام بررسی رادیوگرافی قفسه سینه متوجه آن‌ها نشوند. او اظهار امیدواری کرده: «امید ما در رابطه با پروژه COVID-Net این است که بتوانیم از هوش مصنوعی (مشخصا یادگیری عمیق) برای انتخاب شاخص‌های بصری ظریف برای تمایز بهتر بین کووید ۱۹ و دیگر عفونت‌های ریوی استفاده کنیم.»
الگوریتم‌های یادگیری عمیق به ویژه در پیدا کردن جزییات کوچک در داده‌های بصری عملکرد خوبی دارند که شاید چشم‌های غیر مسلح نتوانند تعدادی از این جزییات را تشخیص بدهند. برای پروژه COVID-Net، از پایگاه داده COVIDx استفاده شده که شامل ۱۶۷۵۶ رادیوگرافی از قفسه سینه نه‌تنها بیماران کووید ۱۹ بلکه بیماران مبتلا به دیگر عفونت‌های ریوی است. تنوع داده‌ها به مدل یادگیری عمیق اجازه می‌دهد که ویژگی‌های هرکدام از بیماری‌ها را در رادیوگرافی‌ها شناسایی کند.
آقای وانگ می‌گوید اگرچه این مدل به طور کامل آمده نشده، اما نتایج اولیه در زمینه‌ی تمایز بین کووید ۱۹ و سایر عفونت‌ها بسیار امیدوارکننده است و این مدل با دسترسی به داده‌های بیشتر، بهبود پیدا می‌کند. با این وجود، وانگ تاکید می‌کند که طبق توصیه نهادهای پزشکی آمریکا، سی‌تی اسکن و رادیوگرافی قفسه سینه باید به‌عنوان غربالگری مکمل در نظر گرفته شود. در مناطقی که کیت‌های تشخیص در دسترس نیستند یا کم هستند، می‌توان از این روش برای بخشی از روند تشخیص بهره برد.
در حال حاضر، بار زیادی بر دوش رادیولوژیست‌ها قرار دارد و روزانه باید چندین مورد را برای تشخیص عفونت کووید ۱۹ بررسی کنند. آقای وانگ می‌گوید که امیدوار است به زودی هوش مصنوعی به اندازه‌ای از دقت برسد که این فشار را بر متخصصین کاهش دهد و در ضمن برای تشخیص بهتر هم مثمر ثمر واقع شود.
منبع: PC Mag
