موفقیت فناوران در تشخیص پلاک‌های MS و خونریزی مغز با AI
معاون تحقیقات و فناوری دانشگاه علوم پزشکی تهران از اجرای طرح‌های متعددی برای کاربرد هوش مصنوعی در حوزه سلامت خبر داد که از جمله آنها می‌توان به تشخیص خودکار پلاک‌های ام‌اس در تصاویر ام‌آرآی، شناسایی خونریزی‌های مغزی، بازسازی تصاویر پزشکی، مدیریت هوشمند مراقبت از بیماران دیابتی و ارائه آموزش‌های شخصی‌سازی‌شده به بیماران اشاره کرد.
به گزارش ایسنا، دکتر رامین کردی امروز در نشست معرفی رویداد مسئله‌محور هوش مصنوعی در سلامت که در بیمارستان سینا برگزار شد، با تشریح اقدامات این دانشگاه در دو سال گذشته برای توسعه کاربردهای هوش مصنوعی در نظام سلامت، اظهار کرد: دانشگاه علوم پزشکی تهران در این مدت برنامه‌ریزی مدونی برای توسعه هوش مصنوعی انجام داده و با تشکیل ستاد مرکزی، کمیته اجرایی و کمیته‌های تخصصی در بیمارستان‌ها و دانشکده‌ها، تلاش کرده است استفاده از این فناوری را در فعالیت‌های پژوهشی و درمانی ساماندهی کند.
وی با تأکید بر اینکه از حدود دو سال پیش، نقشه راه هوش مصنوعی دانشگاه به‌صورت مکتوب تدوین شد تا مشخص شود در چه حوزه‌هایی باید فعالیت کنیم و چه مسیری را برای توسعه این فناوری در پیش بگیریم، یادآور شد: در حال حاضر، ۲۶ کمیته هوش مصنوعی در مجموعه دانشگاه، از جمله بیمارستان‌ها و دانشکده‌ها، تشکیل شده است و این کمیته‌ها بر اساس آیین‌نامه‌ها و مقررات مشخص فعالیت می‌کنند.
کردی با اشاره به اقدامات آموزشی دانشگاه در این زمینه، گفت: دوره‌های آموزشی مختلفی برای استادان برگزار شده است؛ چراکه در این دو سال تلاش کرده‌ایم استفاده از هوش مصنوعی را تمرین کنیم و زمینه آشنایی اعضای هیئت علمی با ظرفیت‌های این فناوری را فراهم آوریم. همچنین، دستورالعمل‌هایی برای استفاده از هوش مصنوعی در فعالیت‌های علمی تدوین شده که از سوی وزارت بهداشت ابلاغ شده است تا دانشگاه‌ها بتوانند بر اساس آن عمل کنند. در این راستا در حال حاضر، نرم‌افزاری در دست طراحی است که بتواند طرح‌های پژوهشی دانشگاه را به‌صورت خودکار با استفاده از هوش مصنوعی بررسی کند و در فرایند ارزیابی و داوری آنها مورد استفاده قرار گیرد.
وی با اشاره به هزینه‌های اجرای طرح‌های پژوهشی هوش مصنوعی، افزود: اجرای این طرح‌ها به منابع مالی بیشتری نسبت به پژوهش‌های متعارف پزشکی نیاز دارد و هزینه آنها ممکن است ۵ تا ۱۰ برابر طرح‌های معمول پزشکی باشد. بخش فنی این طرح‌ها هزینه‌های قابل توجهی دارد و تأمین منابع مالی مورد نیاز از محل اعتبارات دانشگاه به‌تنهایی امکان‌پذیر نبود. به همین دلیل، برای تأمین منابع مالی به معاونت علمی، فناوری و اقتصاد دانش‌بنیان ریاست‌جمهوری مراجعه کردیم. در ادامه، با توجه به ضرورت حمایت از طرح‌های ملی در حوزه هوش مصنوعی سلامت، تفاهم‌نامه‌ای با مشارکت وزارت بهداشت و معاونت علمی ریاست‌جمهوری منعقد شد تا زمینه راهبری و اجرای برنامه‌های ملی این حوزه فراهم شود.
معاون تحقیقات دانشگاه علوم پزشکی تهران با اشاره به نتایج این همکاری گفت: در چارچوب این برنامه، چند طرح ملی تعریف و اجرا شد که یکی از آنها تدوین سند ملی توسعه و کاربرد هوش مصنوعی در سلامت بود.
معاون تحقیقات دانشگاه علوم پزشکی تهران افزود: یکی دیگر از طرح‌های ملی، تدوین مدلی برای اعتباربخشی به ابزارهای هوش مصنوعی مورد استفاده در حوزه سلامت بود. بر اساس این طرح، هر ابزار هوش مصنوعی که قرار است در نظام سلامت به کار گرفته شود، باید با استفاده از یک مدل مشخص ارزیابی و اعتباربخشی شود. در این زمینه، طی حدود ۶ ماه، آیین‌نامه‌های مربوط، تدوین و برای سازمان غذا و دارو ارسال شد. این سازمان نیز با چارچوب پیشنهادی موافقت کرد و مأموریت ارزیابی ابزارهای هوش مصنوعی بر اساس این مدل به مجموعه مربوط واگذار شد. تعدادی از ابزارها نیز برای ارزیابی معرفی شده‌اند تا پس از بررسی، نتایج به سازمان غذا و دارو ارائه شود.
کردی با اشاره به اهمیت ملاحظات اخلاقی در توسعه هوش مصنوعی پزشکی، اظهار کرد: تدوین مجموعه کدهای اخلاقی هوش مصنوعی در حوزه سلامت نیز از دیگر طرح‌های ملی بوده است. این کدها تدوین شده و در کمیته مرکزی اخلاق وزارت بهداشت در دست پیگیری است تا پس از طی مراحل مربوط، ابلاغ شود. همچنین، موضوع ضوابط و مقررات استفاده از داده‌های سلامت در این برنامه مورد توجه قرار گرفته است.
وی با تشریح روند حمایت از طرح‌های پژوهشی هوش مصنوعی در دانشگاه‌های کشور، گفت: پس از تشکیل ستاد مرکزی و اعلام فراخوان در سطح ملی، در مجموع سه فراخوان منتشر شد که طی آنها ۲۸۱ طرح به دبیرخانه رسید و ۷۲ طرح پس از طی فرایند داوری پذیرفته شد. در ارزیابی این طرح‌ها تلاش شده است همکاری میان متخصصان پزشکی و مجموعه‌های فنی یا شرکت‌ها مورد توجه قرار گیرد؛ به‌گونه‌ای که برای اجرای هر طرح، علاوه بر تخصص پزشکی، ظرفیت فنی لازم نیز وجود داشته باشد.
کردی با اشاره به مشارکت دانشگاه‌های مختلف در این برنامه، ادامه داد: طرح‌هایی از دانشگاه‌های گوناگون کشور دریافت شده است؛ از جمله طرحی از دانشگاه آزاد اسلامی قم و طرحی در شیراز با هدف تشخیص سرطان کبد از طریق تحلیل تصاویر. این موارد نشان می‌دهد که ظرفیت‌های دانشگاهی متعددی در کشور برای توسعه کاربردهای هوش مصنوعی در پزشکی وجود دارد.
کردی با اشاره به برخی طرح‌های دانشگاهی اجراشده، گفت: از جمله کاربردهای مورد بررسی می‌توان به اندازه‌گیری خودکار برخی شاخص‌های مربوط به نوزادان با استفاده از تصاویر سونوگرافی، اندازه‌گیری خودکار شاخص‌های مرتبط با سکته‌های مغزی، پیش‌بینی بیماری‌ها و تشخیص پاتولوژی اشاره کرد. استفاده از هوش مصنوعی در تحلیل نوار قلب و تصاویر اکوکاردیوگرافی نیز در میان طرح‌های انجام‌شده قرار دارد. این نمونه‌ها بخشی از فعالیت‌هایی است که در دانشگاه‌های مختلف کشور برای استفاده از هوش مصنوعی در تشخیص، پیش‌بینی و تحلیل داده‌های پزشکی دنبال شده است.
معاون تحقیقات دانشگاه علوم پزشکی تهران به برخی کاربردهای هوش مصنوعی در تشخیص بیماری‌های پوستی اشاره کرد و گفت: از جمله طرح‌های اجراشده، توسعه مدل‌هایی است که با تحلیل تصاویر پوست بتوانند احتمال ابتلا به ملانوما را ارزیابی کنند. این طرح‌ها نمونه‌ای از تلاش برای تبدیل ظرفیت‌های هوش مصنوعی به ابزارهای کاربردی در تشخیص بیماری‌ها است.
معاون تحقیقات دانشگاه علوم پزشکی تهران با اشاره به توسعه طرح‌های مبتنی بر هوش مصنوعی در حوزه سلامت، از اجرای پروژه‌هایی برای تشخیص خودکار پلاک‌های ام‌اس در تصاویر ام‌آرآی، شناسایی خونریزی‌های مغزی، تبدیل تصاویر ام‌آرآی به سی‌تی‌اسکن، شخصی‌سازی مراقبت‌های پزشکی و ارائه آموزش‌های متناسب با وضعیت بیماران خبر داد.
کردی با اشاره به نمونه‌هایی از طرح‌های پژوهشی و فناورانه در مجموعه‌های مختلف دانشگاه علوم پزشکی تهران، اظهار کرد: یکی از این طرح‌ها، توسعه سامانه هوشمند مدیریت مراقبت از بیماران دیابتی در پژوهشگاه علوم غدد و متابولیسم است. همچنین در این مجموعه، مدل‌هایی برای ارائه خدمات پزشکی شخصی‌سازی‌شده با بهره‌گیری از ظرفیت‌های آزمایشگاهی و هوش مصنوعی توسعه یافته است. تشخیص بیماری‌ها با استفاده از هوش مصنوعی نیز از دیگر محورهای فعالیت پژوهشگران این حوزه است و طرح‌هایی برای به‌کارگیری این فناوری در فرایندهای تشخیصی در حال اجرا است.
کردی با اشاره به پروژه‌های متعدد در حوزه رادیولوژی، گفت: یکی از این پروژه‌ها، تبدیل تصاویر ام‌آرآی به تصاویر سی‌تی‌اسکن است که به مرحله تکمیل رسیده است. همچنین طرح‌هایی برای شبیه‌سازی تصاویر پت بر اساس تصاویر ام‌آرآی و بازسازی اطلاعات تشخیصی موردنیاز از تصاویر ام‌آرآی، بدون نیاز به تزریق در دست اجرا است.
معاون تحقیقات دانشگاه علوم پزشکی تهران ادامه داد: برخی از این فناوری‌ها در تعدادی از بیمارستان‌ها مورد استفاده قرار گرفته‌اند. تشخیص خودکار خونریزی‌های مغزی و شناسایی برخی عوارض و آسیب‌ها از طریق پردازش تصاویر پزشکی، از جمله کاربردهای این فناوری‌ها است.
وی با اشاره به دیگر نمونه‌های کاربرد هوش مصنوعی در پزشکی، اظهار کرد: در حوزه ارتوپدی نیز پروژه‌هایی برای تشخیص خودکار مشکلات مرتبط با مفاصل و زانو در حال انجام است. این طرح‌ها با هدف کمک به فرایند تشخیص و افزایش دقت بررسی‌های پزشکی توسعه یافته‌اند.
کردی با اشاره به استفاده از هوش مصنوعی برای آموزش بیماران، گفت: در یکی از پروژه‌ها، اطلاعات پرونده پزشکی بیمار در اختیار سامانه قرار می‌گیرد و سامانه می‌تواند ضمن تهیه خلاصه‌ای از پرونده، متناسب با تشخیص پزشکی ثبت‌شده، محتوای آموزشی موردنیاز بیمار را نیز ارائه کند. در حال حاضر هشت بیمار در این طرح مورد استفاده قرار گرفته‌اند.
وی همچنین از اجرای طرح‌هایی در زمینه برآورد تراکم مواد معدنی استخوان بر اساس تصاویر سی‌تی‌اسکن قلب و عروق خبر داد و افزود: در حوزه سلامت همراه یا موبایل هلث نیز پروژه‌هایی در دست اجرا است که بخشی از ظرفیت‌های موجود برای استفاده از هوش مصنوعی در خدمات سلامت را نشان می‌دهد.
معاون تحقیقات دانشگاه علوم پزشکی تهران با اشاره به تعدد طرح‌های پژوهشی در مجموعه‌های مختلف این دانشگاه، بر ضرورت فراهم‌کردن زیرساخت‌های پردازشی موردنیاز برای توسعه این پروژه‌ها تأکید کرد و گفت: برای پیشبرد این طرح‌ها به یک مزرعه پردازشی مجهز به پردازنده‌های گرافیکی (GPU) نیاز داریم. در صورتی که امکان تأمین فضای موردنیاز برای استقرار این زیرساخت فراهم شود، می‌توانیم با استفاده از ظرفیت‌های موجود و توسعه مدل‌های موردنیاز، این طرح را پیش ببریم. در حال حاضر، درخواست ما تأمین فضا برای استقرار تجهیزات پردازشی است تا بتوانیم با همکاری مجموعه‌های مرتبط، زیرساخت لازم را ایجاد کنیم.
خبرهای مشابهی در منابع دیگر هست، ولی داور خودکار هنوز هم‌خوانی‌شان را بررسی نکرده است.
همین رویداد در منابع دیگر:
بررسی خودکار: مقایسه با خبرهای ۷۲ ساعت اخیر منابع دیگر و اعتبار پایه‌ی منبع؛ جایگزین داوری انسانی نیست.منبع: ایسنا