شاید یک مدل یادگیری عمیق مبتنی بر هوش مصنوعی بتواند «رتینوپاتی نوزادان زودرس»(ROP) را که یکی از علل اصلی نابینایی دوران کودکی است، به صورت خودکار تشخیص دهد.
این مدل به اندازه متخصصان ارشد چشم‌پزشکی کودکان، در تشخیص دادن تصاویر طبیعی شبکیه افراد مبتلا به رتینوپاتی نوزادان زودرس موثر است. پژوهشگران امیدوارند که این مدل هوش مصنوعی بتواند دسترسی به مراقبت در مناطق محروم را بهبود ببخشد و از نابینایی هزاران نوزاد در سراسر جهان جلوگیری کند.
این پژوهش توسط یک گروه بین‌المللی از دانشمندان و پزشکان بریتانیا، برزیل، مصر و آمریکا، با حمایت مرکز تحقیقات بیومدیکال «موسسه ملی پژوهش و مراقبت بهداشتی»(NIHR) در «بیمارستان چشم مورفیلدز»(Moorfields Eye Hospital) و «موسسه چشم‌پزشکی کالج دانشگاهی لندن»(UCL Institute of Ophthalmology) انجام شد.
دکتر «کنستانتینوس بالاسکاس»(Konstantinos Balaskas)، مدیر مرکز بررسی چشم و آزمایشگاه هوش مصنوعی بالینی در بیمارستان چشم مورفیلدز و دانشیار موسسه چشم‌پزشکی کالج دانشگاهی لندن گفت: ابتلا به رتینوپاتی نوزادان زودرس به طور فزاینده‌ای در حال رایج شدن است زیرا میزان بقای نوزادان زودرس در سراسر جهان رو به افزایش گذاشته و اکنون علت اصلی نابینایی دوران کودکی در کشورهایی با درآمد متوسط و همین طور در آمریکا به شمار می‌رود.
بالاسکاس ادامه داد: حدود ۳۰ درصد از نوزادان ساکن در جنوب صحرای آفریقا، به درجاتی از رتینوپاتی نوزادان زودرس مبتلا هستند. اگرچه درمان‌ها در حال حاضر به راحتی در دسترس قرار دارند اما اگر به سرعت تشخیص داده نشوند و تحت درمان قرار نگیرند، می‌توانند به نابینایی بیانجامند. این مشکل اغلب از کمبود متخصصان چشم‌پزشکی نشات می‌گیرد اما با توجه به این که قابل تشخیص و درمان است، هیچ کودکی نباید به خاطر ابتلا به رتینوپاتی نوزادان زودرس نابینا شود.
وی افزود: با وجود این که رتینوپاتی نوزادان زودرس روزبه‌روز شایع‌تر می‌شود، بسیاری از مناطق به اندازه کافی چشم‌پزشک آموزش‌دیده برای غربالگری همه کودکان در معرض خطر ندارند. ما امیدواریم که مدل هوش مصنوعی ما با تشخیص خودکار رتینوپاتی نوزادان زودرس، دسترسی به مراقبت را در مناطق محروم بهبود ببخشد و از نابینایی هزاران نوزاد در سراسر جهان جلوگیری کند.
علائم رتینوپاتی نوزادان زودرس را نمی‌توان با چشم غیرمسلح مشاهده کرد. این بدان معناست که تنها راه تشخیص دادن این بیماری، نظارت بر نوزادان در معرض خطر با معاینه چشم است. بدون وجود زیرساخت مناسب برای مراقبت‌های جامع دوران بارداری و پس از زایمان، فرصت محدود غربالگری و درمان ممکن است از دست برود و به نابینایی منجر شود.
پژوهشگران در این پروژه، مدل هوش مصنوعی خود را با ۷۴۱۴ تصویر از چشم‌های ۱۳۷۰ نوزاد که در «بیمارستان هومرتون»(Homerton Hospital) لندن بستری شده بودند، آموزش دادند. این بیمارستان به جامعه‌ای خدمت می‌کند که از لحاظ قومیت، اقتصادی و اجتماعی متنوع است و به همین دلیل اهمیت دارد زیرا رتینوپاتی نوزادان زودرس می‌تواند بین گروه‌های قومیتی متفاوت باشد. بنابراین، مدل هوش مصنوعی برای کار کردن در میان گروه‌های قومی متفاوت آموزش داده شد و اطمینان حاصل کرد که همه می‌توانند از آن بهره ببرند.
سپس، عملکرد این مدل روی ۲۰۰ تصویر دیگر ارزیابی شد و با ارزیابی‌های چشم‌پزشکان ارشد مورد مقایسه قرار گرفت. پژوهشگران در مرحله بعد، مدل هوش مصنوعی را با مجموعه داده‌هایی اعتبارسنجی کردند که از آمریکا، برزیل و مصر به دست آمده بودند.
عکس سمت چپ، شبکیه چشم چپ یک نوزاد مبتلا به رتینوپاتی نوزادان زودرس و عکس سمت راست، یک نقشه را نشان می‌دهد که توسط الگوریتم هوش مصنوعی ایجاد شده است. این عکس، بخش‌هایی را نشان می‌دهد که بیشترین تأثیر را در تصمیم‌گیری مدل هوش مصنوعی دارند.
اگرچه این مدل برای یک جمعیت بریتانیایی تنظیم شده بود اما پژوهشگران امیدوار هستند که در کشورهای دیگر نیز موثر عمل کند و برای محیط‌های دیگر تنظیم شود. این مدل هوش مصنوعی به عنوان یک پلتفرم یادگیری عمیق بدون رمز توسعه یافته است؛ به این معنا که افراد بدون تجربه قبلی نیز می‌توانند آن را با رمزنویسی جدید تنظیم کنند.
دکتر «زیگفرید واگنر»(Siegfried Wagner)، پژوهشگر موسسه چشم پزشکی کالج دانشگاهی لندن و بیمارستان چشم مورفیلدز و پژوهشگر ارشد این پروژه گفت: یافته‌های ما، بررسی مداوم فناوری‌های هوش مصنوعی را برای تشخیص رتینوپاتی نوزادان زودرس توجیه می‌کند. ما اکنون مدل هوش مصنوعی خود را در چندین بیمارستان بریتانیا ارزیابی می‌کنیم و به دنبال یادگیری نحوه تعامل افراد با خروجی‌های هوش مصنوعی هستیم تا بفهمیم چگونه می‌توانیم این مدل را در تنظیمات بالینی دنیای واقعی بگنجانیم.
واگنر ادامه داد: ما امیدواریم که این مدل به پرستاران آموزش‌دیده امکان بدهد تا تصاویری را تهیه کنند که هوش مصنوعی می‌تواند آنها را مورد بررسی قرار دهد. بدین ترتیب، ارجاع برای درمان، بدون نیاز به چشم‌پزشک برای بررسی دستی اسکن‌ها انجام خواهد گرفت.
این پژوهش، در مجله «The Lancet Digital Health» به چاپ رسید.