توسعه ابزارهای هوش مصنوعی برای مراقبت های بهداشتی

یادگیری تقویتی (RL) کلاسی از الگوریتم های یادگیری ماشینی است که قادر به اتخاذ یک سری تصمیمات در طول زمان است. RL که مسئول پیشرفت های اخیر هوش مصنوعی، از جمله عملکرد فوق انسانی در شطرنج و Go است، می تواند از شرایط در حال تکامل بیمار، نتایج آزمایش ها و پاسخ های درمانی قبلی برای پیشنهاد بهترین گام بعدی در مراقبت شخصی سازی شده از بیمار استفاده کند. این رویکرد به ویژه برای تصمیم گیری برای مدیریت بیماری های مزمن یا روانپزشکی امیدوارکننده است.

این تحقیق، منتشر شده در مجموعه مقالات کنفرانس سیستم های پردازش اطلاعات عصبی (NeurIPS) و در 13 دسامبر ارائه شد، "Episodes of Care" (EpiCare)، اولین معیار RL برای مراقبت های بهداشتی را معرفی می کند.

دکتر لوگان گروسنیک، استادیار علوم اعصاب در روانپزشکی، گفت: «معیارها باعث بهبود در برنامه های یادگیری ماشین از جمله بینایی رایانه، پردازش زبان طبیعی، تشخیص گفتار و اتومبیل های خودران شده اند. که تحقیق را رهبری کرد.

عوامل RL اقدامات خود را بر اساس بازخوردی که دریافت می کنند اصلاح می کنند و به تدریج سیاستی را یاد می گیرند که تصمیم گیری آنها را افزایش می دهد. دکتر گروسنیک می افزاید: «با این حال، یافته های ما نشان می دهد که اگرچه روش های فعلی امیدوارکننده هستند، اما به شدت تشنه داده اند».

محققان ابتدا عملکرد پنج مدل پیشرفته RL آنلاین را در EpiCare آزمایش کردند. هر پنج مورد یک خط پایه مراقبت استاندارد را شکست دادند، اما فقط پس از آموزش در هزاران یا ده ها هزار قسمت درمان شبیه سازی شده واقعی. در دنیای واقعی، روش های RL هرگز مستقیماً بر روی بیماران آموزش داده نمی شوند، بنابراین محققین در مرحله بعدی پنج روش رایج «ارزیابی خارج از سیاست» (OPE) را ارزیابی کردند: رویکردهای رایجی که هدفشان استفاده از داده های تاریخی (مانند آزمایش های بالینی) برای دور زدن است. نیاز به جمع آوری اطلاعات آنلاین با استفاده از EpiCare، آنها دریافتند که روش های پیشرفته OPE به طور مداوم برای داده های مراقبت های بهداشتی به درستی عمل نمی کنند.

دکتر میسون هارگریو، نویسنده اول، محقق دانشگاه راکفلر، گفت: یافته های ما نشان می دهد که نمی توان به روش های پیشرفته OPE فعلی برای پیش بینی دقیق عملکرد یادگیری تقویتی در سناریوهای مراقبت سلامت طولی اعتماد کرد. از آنجایی که روش های OPE به طور فزاینده ای برای کاربردهای مراقبت های بهداشتی مورد بحث قرار گرفته اند، این یافته نیاز به توسعه ابزارهای معیار دقیق تر، مانند EpiCare، برای ممیزی رویکردهای RL موجود و ارائه معیارهایی برای اندازه گیری بهبود را برجسته می کند.

دکتر گروسنیک گفت: "ما امیدواریم این کار ارزیابی قابل اعتمادتری از یادگیری تقویتی در تنظیمات مراقبت های بهداشتی را تسهیل کند و به تسریع توسعه الگوریتم های RL بهتر و پروتکل های آموزشی مناسب برای کاربردهای پزشکی کمک کند."

تطبیق شبکه های عصبی کانولوشن برای تفسیر داده های نمودار

در دومین نشریه NeurIPS که در همان روز ارائه شد، دکتر گروسنیک تحقیقات خود را در مورد تطبیق شبکه های عصبی کانولوشنال (CNN) که به طور گسترده برای پردازش تصاویر استفاده می شوند، به اشتراک گذاشت تا برای داده های ساختاری نمودار کلی تر مانند مغز، ژن یا پروتئین کار کند. شبکه ها موفقیت گسترده CNN ها برای وظایف تشخیص تصویر در اوایل دهه 2010، زمینه را برای "یادگیری عمیق" با CNN و عصر مدرن برنامه های کاربردی هوش مصنوعی مبتنی بر شبکه عصبی فراهم کرد. CNN ها در بسیاری از برنامه ها از جمله تشخیص چهره، ماشین های خودران و تجزیه و تحلیل تصاویر پزشکی استفاده می شوند.

ما اغلب علاقه مند به تجزیه و تحلیل داده های تصویربرداری عصبی هستیم که بیشتر شبیه به نمودارها، با رئوس و لبه ها هستند تا شبیه به تصاویر. اما متوجه شدیم که هیچ چیزی در دسترس نیست که واقعاً معادل CNN و CNN های عمیق برای داده های ساختار یافته نمودار باشد." دکتر گروسنیک گفت.

شبکه های مغزی معمولاً به عنوان نمودارهایی نشان داده می شوند که در آن مناطق مغز (که به صورت رئوس نشان داده می شوند) اطلاعات را به سایر مناطق مغز (راس) در امتداد «لبه هایی» منتشر می کنند که به یکدیگر متصل می شوند و قدرت بین آنها را نشان می دهند. این در مورد شبکه های ژنی و پروتئینی، داده های رفتاری انسان و حیوان و هندسه ترکیبات شیمیایی مانند داروها نیز صادق است. با تجزیه و تحلیل مستقیم چنین نمودارهایی، می توانیم وابستگی ها و الگوهای بین هر دو اتصال محلی و دورتر را با دقت بیشتری مدل کنیم.

Isaac Osafo Nkansah، یکی از همکاران تحقیقاتی که در زمان مطالعه در آزمایشگاه Grosenick بود و اولین نویسنده مقاله، به توسعه چارچوب شبکه های کانولوشن گراف Quantized (QuantNets) کمک کرد که CNN ها را به نمودارها تعمیم می دهد. دکتر گروسنیک گفت: "ما اکنون از آن برای مدل سازی داده های EEG (فعالیت الکتریکی مغز) در بیماران استفاده می کنیم. ما می توانیم شبکه ای از 256 حسگر را روی پوست سر داشته باشیم که فعالیت های عصبی را می خوانند - این یک نمودار است." ما این نمودارهای بزرگ را می گیریم و آنها را به اجزای قابل تفسیرتر کاهش می دهیم تا بهتر درک کنیم که چگونه ارتباط پویا مغز با تحت درمان افسردگی یا اختلال وسواس فکری-اجباری تغییر می کند.

محققان کاربرد گسترده ای را برای QuantNets پیش بینی می کنند. به عنوان مثال، آنها همچنین به دنبال مدل سازی داده های پوز ساختاری نموداری برای ردیابی رفتار در مدل های ماوس و حالات چهره انسان هستند که با استفاده از بینایی رایانه استخراج می شوند.

"در حالی که ما هنوز در حال بررسی ایمنی و پیچیدگی استفاده از روش های پیشرفته هوش مصنوعی برای مراقبت از بیمار هستیم، هر قدم رو به جلو - چه یک چارچوب معیار جدید یا یک مدل دقیق تر - ما را به طور تدریجی به استراتژی های درمانی شخصی سازی شده نزدیک تر می کند. دکتر گروسنیک نتیجه گرفت که پتانسیل بهبود عمیق نتایج سلامت بیمار را دارد.