تشخیص زودهنگام بیماری تنفسی نوزادان نارس به کمک هوش مصنوعی
پژوهشگران «دانشگاه بازل» در آزمایش جدیدی نشان دادهاند که میتوان یک مدل هوش مصنوعی را آموزش داد تا بیماری تنفسی را در نوزادان نارس تشخیص دهد.
پژوهشگران «دانشگاه بازل» در آزمایش جدیدی نشان دادهاند که میتوان یک مدل هوش مصنوعی را آموزش داد تا بیماری تنفسی را در نوزادان نارس تشخیص دهد.
به گزارش ایسنا، «دیسپلازی برونکوپولمونری»(Bronchopulmonary dysplasia) یک مشکل تنفسی است که میتواند نوزادان نارس را تحت تاثیر قرار دهد. وقتی ریههای نوزاد در بدو تولد رشد نکرده باشند، اغلب به دستگاه تنفس مصنوعی یا اکسیژندرمانی نیاز دارند. این درمان میتواند ریههای نوزاد را کشیده و ملتهب کند و باعث ابتلا به دیسپلازی برونکوپولمونری شود.
به نقل از انجمن تنفس اروپا، تشخیص دادن دیسپلازی برونکوپولمونری دشوار است. آزمایشهای عملکرد ریه معمولا به یک بزرگسال نیاز دارند که بنا به درخواست خود در آزمایش شرکت کند و این کاری است که نوزادان نمیتوانند انجام دهند. بنابراین، روشهای کنونی به تجهیزات پیچیدهای برای بررسی ویژگیهای ریه نوزاد نیاز دارند. در نتیجه، دیسپلازی برونکوپولمونری یکی از معدود بیماریهایی است که معمولا با کمک یکی از علل اصلی آن، یعنی نارس بودن و حمایت تنفسی تشخیص داده میشود.
«شبکههای عصبی مصنوعی»(ANNs) را میتوان برای تشخیص بیماری ریوی در نوزادان نارس با تحلیل الگوهای تنفسی آنها هنگام خواب آموزش داد. شبکههای عصبی مصنوعی مدلهای ریاضی هستند که برای طبقهبندی و پیشبینی استفاده میشوند. یک شبکه عصبی مصنوعی برای انجام دادن پیشبینیهای دقیق باید ابتدا با حجم زیادی از دادهها آموزش داده شود و این امر برای تشخیص دیسپلازی برونکوپولمونری مشکل ایجاد میکند.
پروفسور «ادگار دلگادو اکرت»(Edgar Delgado-Eckert) استاد دپارتمان مهندسی پزشکی «دانشگاه بازل»(University of Basel) و سرپرست گروه پژوهشی بیمارستان کودکان دانشگاه بازل گفت: تا همین اواخر، نیاز به حجم زیادی از دادهها مانع تحقق تلاش برای ایجاد مدلهای دقیق تشخیص بیماری ریه در نوزادان میشد زیرا ارزیابی عملکرد ریه آنها بسیار دشوار است اما یک جایگزین وجود دارد. ما میتوانیم تنفس نوزاد را هنگام خواب بررسی کنیم. این کار با یک ماسک صورت نرم و مجهز به حسگر انجام میشود که میتواند جریان هوا و حجم هوای ورودی و خروجی از بینی نوزاد را اندازهگیری کند. این تجهیزات ارزان هستند و در همه مراکز بالینی در دسترس قرار دارند.
اکرت ادامه داد: چنین بررسیهایی از چندین نفس متوالی که ما آن را تنفس جزر و مدی مینامیم، میتواند مقادیر زیادی را از دادههای جریان متوالی با کیفیت خوب به دست بیاورد. ما تصمیم گرفتیم از این دادهها به منظور آموزش یک شبکه عصبی مصنوعی برای تشخیص دیسپلازی برونکوپولمونری استفاده کنیم.
اکرت و همکارانش، گروهی را متشکل از ۱۳۹ نوزاد غیر نارس و ۱۹۰ نوزاد نارس که از نظر دیسپلازی برونکوپولمونری ارزیابی شده بودند، مورد بررسی قرار دادند و تنفس آنها را به مدت ۱۰ دقیقه هنگام خواب ثبت کردند.
این گروه پژوهشی از ۶۰ درصد دادهها برای آموزش نحوه تشخیص دیسپلازی برونکوپولمونری به مدل هوش مصنوعی و از ۲۰ درصد دادهها برای اعتبارسنجی مدل استفاده کردند و سپس، ۲۰ درصد از دادههای باقیمانده را به مدل انتقال دادند تا بفهمند که آیا میتواند نوزادان مبتلا به دیسپلازی برونکوپولمونری را به درستی شناسایی کند. مدل هوش مصنوعی توانست برخی از موارد مشاهده شده در مجموعه دادههای آزمایشی را با دقت ۹۶ درصد طبقهبندی کند.
اکرت گفت: پژوهش ما برای اولین بار یک روش جامع را برای تحلیل تنفس نوزادان ارائه میکند و به ما امکان میدهد تا تشخیص دهیم کدام نوزادان به دیسپلازی برونکوپولمونری مبتلا هستند. آزمایش غیر تهاجمی ما برای نوزاد و والدینش کمتر ناراحتکننده است. این بدان معناست که آنها میتوانند سریعتر به درمان دسترسی داشته باشند و حتی شاید یک پیشآگاهی را به دست بیاورند.
این گروه پژوهشی اکنون امیدوارند که بفهمند آیا مدل هوش مصنوعی را میتوان برای آزمایش نوزادان تنها چند هفته پس از تولد، برای تحلیل عملکرد ریه و پیشبینی علائم سایر بیماریها مانند آسم مورد استفاده قرار داد.