Computational Intelligence Algorithms for the Diagnosis of Neurological Disorders

وقتی تشخیص بیماری‌های عصبی به یک مسئله داده تبدیل می‌شود

پیشرفت تصویربرداری مغزی، ثبت سیگنال‌های زیستی و گردآوری حجم زیادی از داده‌های بالینی، امکان تازه‌ای برای مطالعه بیماری‌های سیستم عصبی ایجاد کرده است؛ اما استخراج الگوهای تشخیصی از این داده‌های پیچیده بدون ابزارهای محاسباتی پیشرفته همیشه امکان‌پذیر نیست. الگوریتم‌های هوش محاسباتی برای تشخیص اختلالات نورولوژیک به بررسی همین نقطه تلاقی میان علوم اعصاب و هوش مصنوعی می‌پردازد و نشان می‌دهد چگونه Machine Learning، Deep Learning و روش‌های هوشمند می‌توانند در تحلیل داده‌های مرتبط با بیماری‌های عصبی به کار گرفته شوند.

کتاب با ویراستاری اس. ان. کومار، شرین ظفر و سمینه ناز مجموعه‌ای تخصصی و میان‌رشته‌ای است که از مبانی و چالش‌های Computational Neurology آغاز می‌شود و سپس به کاربرد الگوریتم‌های هوشمند در MRI، تصویربرداری عصبی، آلزایمر، پارکینسون، اختلال طیف اوتیسم، تومورهای مغزی و توان‌بخشی عصبی می‌رسد.

سه لایه از یک مسئله: بیماری، داده و الگوریتم

ساختار کتاب در سه بخش اصلی تنظیم شده است. بخش نخست، زمینه لازم برای ورود به حوزه را فراهم می‌کند و علاوه بر معرفی اختلالات نورولوژیک، چالش‌ها و فرصت‌های استفاده از محاسبات در مطالعه مغز را بررسی می‌کند.

نکته مهم این است که کتاب مستقیماً از الگوریتم‌ها شروع نمی‌شود. موضوعاتی مانند محدودیت داده‌های پزشکی، پیچیدگی مغز و مسائل اخلاقی مرتبط با استفاده از داده بیمار نیز در همین بخش مطرح می‌شوند. به این ترتیب، Computational Intelligence نه به‌عنوان یک فناوری مستقل، بلکه به‌عنوان ابزاری درون یک محیط بالینی، پژوهشی و اخلاقی بررسی می‌شود.

بخش دوم به Neuroimaging and Diagnostic Techniques اختصاص دارد و نشان می‌دهد چگونه روش‌های محاسباتی می‌توانند اطلاعات حاصل از MRI و سایر داده‌های عصبی را برای تشخیص یا طبقه‌بندی بیماری پردازش کنند.

بخش سوم نیز مستقیماً وارد کاربرد Machine Learning و Deep Learning در اختلالات مشخص عصبی می‌شود.

از MRI و GAN تا شبکه‌های عصبی عمیق

یکی از محورهای مهم کتاب، استفاده از هوش مصنوعی در تصویربرداری عصبی است. فصل‌هایی به بهبود MRI برای شناخت بهتر اختلالات نورولوژیک، پیشرفت‌های تصویربرداری در encephalopathy و استفاده از Generative Adversarial Networks (GANs) در neuroimaging اختصاص یافته‌اند.

در ادامه، مدل‌های شبکه عصبی کانولوشنی برای تشخیص تومورهای مغزی از MRI و معماری ترکیبی Spatial Transformer Network و Deep Residual Network برای طبقه‌بندی چندکلاسه بیماری آلزایمر بررسی می‌شوند.

این مباحث نشان می‌دهند که نقش هوش مصنوعی در نورورادیولوژی تنها به یافتن یک ضایعه در تصویر محدود نیست؛ preprocessing، استخراج ویژگی، segmentation، classification و شناسایی الگوهای ظریفی که ممکن است در حجم بزرگ داده پنهان بمانند نیز بخشی از این فرایند هستند.

پارکینسون فقط از روی تصویر مغز تشخیص داده نمی‌شود

یکی از جنبه‌های جالب کتاب، استفاده از انواع مختلف داده برای مطالعه بیماری‌های عصبی است. در فصل مربوط به پارکینسون، از ویژگی‌های acoustic data و الگوریتم Decision Tree برای تشخیص بیماری استفاده می‌شود. فصل دیگری به تشخیص پارکینسون از روی تصاویر حاصل از drawing tasks با استفاده از مدل‌های Deep Learning ازپیش‌آموزش‌دیده می‌پردازد.

این مثال‌ها اهمیت Digital Biomarkers را نشان می‌دهند؛ یعنی اطلاعات قابل اندازه‌گیری از صدا، حرکت، نوشتن یا سایر رفتارهای بیمار که ممکن است با کمک الگوریتم‌های یادگیری ماشین به نشانه‌ای برای ارزیابی عملکرد سیستم عصبی تبدیل شوند.

آلزایمر و اوتیسم از منظر مدل‌های یادگیری ماشین

بیماری آلزایمر در چند بخش کتاب مورد توجه قرار گرفته است. علاوه بر مقایسه روش‌های supervised و unsupervised learning برای تشخیص بیماری، معماری‌های Deep Learning و یک مدل مبتنی بر Federated Learning نیز بررسی می‌شوند.

Federated Learning در حوزه پزشکی اهمیت ویژه‌ای دارد، زیرا امکان آموزش مدل روی داده‌های توزیع‌شده را بدون متمرکز کردن مستقیم همه داده‌های بیماران فراهم می‌کند و از این جهت با مباحث حریم خصوصی داده‌های سلامت ارتباط پیدا می‌کند.

برای Autism Spectrum Disorder نیز هم الگوریتم‌های Deep Learning و هم supervised learning بررسی شده‌اند؛ بنابراین کتاب به یک بیماری یا یک modality تشخیصی محدود نمی‌شود و طیفی از مسائل classification و pattern recognition در علوم اعصاب را در بر می‌گیرد.

چرا اخلاق و امنیت داده بخشی از تشخیص هوشمند هستند؟

به‌کارگیری AI در پزشکی صرفاً مسئله افزایش accuracy یک مدل نیست. داده‌های نورولوژیک و تصویربرداری می‌توانند اطلاعات بسیار حساسی درباره بیمار در خود داشته باشند و تصمیمی که بر اساس یک الگوریتم گرفته می‌شود نیز ممکن است مستقیماً بر مسیر تشخیص و درمان اثر بگذارد.

به همین دلیل، کتاب فصل‌هایی مستقل درباره Ethical Issues in Neurodisorder Diagnosis دارد و موضوعاتی مانند حفاظت از داده، امنیت، استفاده مسئولانه از الگوریتم‌ها و ضرورت وجود چارچوب اخلاقی در سامانه‌های هوشمند پزشکی را مطرح می‌کند.

وجود این مباحث در کنار فصل‌های فنی، برای خواننده یادآوری می‌کند که performance بالای یک مدل به‌تنهایی برای تبدیل آن به یک ابزار بالینی قابل اعتماد کافی نیست.

مخاطبان این کتاب

این اثر بیش از همه برای پژوهشگران علوم اعصاب، متخصصان هوش مصنوعی پزشکی، مهندسان پزشکی، متخصصان پردازش تصویر و سیگنال، دانشجویان تحصیلات تکمیلی و پژوهشگران Machine Learning و Deep Learning در سلامت مناسب است.

برای نورولوژیست‌ها و رادیولوژیست‌هایی که می‌خواهند با روش‌های محاسباتی جدید مورد استفاده در تشخیص بیماری‌های عصبی آشنا شوند نیز کتاب می‌تواند تصویری از ظرفیت‌ها و مسیرهای پژوهشی این حوزه فراهم کند.

بااین‌حال، ماهیت اثر عمدتاً فناورانه و پژوهشی است؛ بنابراین نباید آن را جایگزین یک مرجع بالینی برای تشخیص افتراقی یا درمان بیماری‌های نورولوژیک دانست. ارزش اصلی کتاب در توضیح این است که چگونه می‌توان داده‌های پزشکی و عصبی را با الگوریتم‌های هوشمند به اطلاعات قابل استفاده برای پژوهش و توسعه ابزارهای تشخیصی تبدیل کرد.