10
آگوست

استفاده از هوش مصنوعی؛ این بار در IVF

درمان ناباروری را می‌توان به فراز و نشیبی مالی و عاطفی تعبیر کرد. شکست مکرر فرآیند لانه‌گزینی، به میزان سه بار یا بیش‌تر و بدون دلیل مشخص در چرخه‌های لقاح خارج رحمی (IVF)، برای زوج‌های خواهان باروری نقطه‌ی پایانی مکرر و ناراحت‌کننده بوده و انتظار برای مؤفقیت درمان، بار سنگین فیزیکی و عاطفی برایشان به همراه دارد. بر اساس تخمین‌های صورت گرفته، قریب به دو سوم بیماران، شکست در چرخه‌های درمانی را تجربه می‌کنند.

بر این مبنا، جا برای پیشرفت در این زمینه بسیار است؛ حوزه‌ای از تحقیقات که کوچک‌ترین پیشرفت در تکنولوژی، شانس تشکیل خانواده را برای افراد فراهم می‌کند. حال استارت‌آپ _شرکت نوپا_ هوش مصنوعی مرتبط با ناباروری ادعای پیشبرد عظیمی در این حوزه دارد.

در حال حاضر از هوش مصنوعی برای حل برخی چالش‌های بزرگ سلامت بهره گرفته می‌شود. به عنوان مثال، شرکتIBM مدلی کامپیوتری برای پیش‌بینی نارسایی قلبی طراحی کرده است؛ علاوه بر این، سوپرکامپیوتر واتسون را برای استفاده در اختیار مرکز سرطان Memorial Sloan Kettering در نیویورک قرار داده تا در جهت پیشبرد تشخیص و گزینش برنامه‌های درمانی سرطان به کار گرفته شود. با انتساب به Watson for Genomics، پروزه‌ی مذکور ماهیانه تقریباً ۱۰ هزار مقاله‌ی علمی و ۱۰۰ گزارش بالینی جدید را شامل می‌شود. دانشگاه استنفورد الگوریتمی از یادگیری عمیق را گزارش کرده که ترکیبات دارویی را از لحاظ ایمن بودن بررسی می‌کند و مورد دیگری که نوع سرطان ریه و احتمال زنده ماندن بیمار را تخمین می‌زند. Intel نیز اخیراً از برگزاری مسابقه‌ای جهت کشف الگوریتم تشخیص زودهنگام سرطان ریه خبر داده است.

ایده‌ی به کار گیری هوش مصنوعی در زمینه‌ی ناباروری از حدود دو دهه پیش مطرح شده؛ در حال حاضر در دسترس‌ترین راه‌حل موجود تست Eeva است که مجوز FDA را دریافت کرده است. این تست از تصویربرداری میکروسکوپی جهت جمع‌آوری داده‌های مرتبط با دوره‌ی کشت رویان استفاده می‌کند و البته الگوریتمی برای پیش‌بینی این که کدام رویان بیش‌ترین شانس تکوین مؤفق را دارا است.

این هوش مصنوعی واقعی نیست؛ چرا که الگوریتم مقوله‌ای ایستا بوده و با اطلاعات جدیدی که با آن‌ها مواجه می‌شود، قابل انطباق نیست. سیستم واقعی هوش مصنوعی از “یادگیری عمیق” برای تصحیح و تطبیق خود بر مبنای اطلاعات جدید استفاده می‌کند. مفهوم “یادگیری” در یادگیری عمیق از آموزش نشأت می‌گیرد: صدها یا هزاران واحد اطلاعاتی به یک مدل ارائه شده و بر این اساس، پیش‌بینی خروجی آینده صورت می‌پذیرد. سپس پیش‌بینی‌ها با خروجی‌های واقعی مقایسه شده و مدل مذکور با تطبیق، خود را تصحیح کرده و تغییرات لازم را انجام می‌دهد. در این سیستم ماهیت ورودی می‌تواند متن، صدا، سیگنال‌های مختلف و مهم‌تر از این‌ها، اپلیکیشن‌ها و تصاویر پزشکی باشد.