هوش مصنوعی در غربالگری سرطان دهانه رحم: فرصت ها و چالش ها

۱٫ پس زمینه

عفونت مداوم با ژنوتیپ‌های سرطان‌زا ویروس پاپیلومای انسانی (HPV) عامل اصلی سرطان دهانه رحم (CC) است که مسیر بیماری از عفونت اولیه از مراحل پیش سرطانی تا بیماری تهاجمی است. [۱,۲]. درک این پیشرفت علی برای تمرکز استراتژی های غربالگری و برای کاهش عوارض و مرگ و میر این بیماری ضروری بوده است. در سال‌های اخیر شاهد برنامه‌ریزی مجدد سطوح غربالگری برای CC بوده‌ایم و این اساساً به دلیل قابلیت اطمینان بیشتر تست HPV-DNA در مقایسه با آزمایش سیتولوژیک (تست پاپ) است. با این وجود، این روش هم به دلایل اقتصادی و هم به دلیل عدم حضور پرسنل بسیار متخصص در سراسر جهان به طور یکسان مورد استفاده قرار نمی گیرد. بنابراین، نیاز فوری به یافتن راهبردهای جدید برای جبران این کمبود است. هوش مصنوعی (AI) روش تشخیص و درمان آسیب شناسی توسط پزشکان را تغییر می دهد [۳,۴,۵]. در این بررسی، هدف ما توضیح کاربرد عملی احتمالی الگوریتم‌های هوش مصنوعی در تجربه زندگی واقعی پزشکان است. در تحقیق خود، یک رویکرد ترجمه‌ای را به کار بردیم و در یک تیم چند رشته‌ای با گروه علوم کامپیوتر دانشگاه خود همکاری کردیم. هدف این همکاری مستقیم پر کردن شکافی بود که هنوز موضوع بحث بین هوش مصنوعی نظری و تمرین بالینی روزمره است. [۶,۷]. استفاده از الگوریتم‌های هوش مصنوعی در کولپوسکوپی می‌تواند بینش جدیدی را برای پزشکان در تشخیص و درمان بیماری‌های پیچیده و پیشگیری از CC ارائه دهد. [۸,۹]. امروزه هوش مصنوعی کاربردهای متعددی در زمینه های مختلف به ویژه در حوزه سلامت دارد. با گذشت زمان، پیشرفت‌های هوش مصنوعی حجم کاری متخصصان را کاهش داده است، به خصوص در مواردی که کمبود متخصص وجود دارد. اول، هوش مصنوعی نقش مهمی در تجزیه و تحلیل تصویر برای تشخیص زودهنگام سرطان دهانه رحم ایفا می کند و به جلوگیری از مرگ و میر بیماران از طریق تشخیص به موقع کمک می کند. دوم، هوش مصنوعی می‌تواند داده‌های آزمایش‌های HPV، همراه با سابقه بیمار را تجزیه و تحلیل کند تا سطوح خطر فردی را پیش‌بینی کند و به مراقبت شخصی از بیمار کمک کند. سوم، هوش مصنوعی تشخیص کولپوسکوپی از راه دور را امکان پذیر می کند. در مناطق کم منابع و مناطق روستایی که انجام معاینات کولپوسکوپی حضوری چالش برانگیز است، هوش مصنوعی به متخصصان اجازه می دهد تا تصاویر گرفته شده از راه دور را بررسی کنند. چهارم، هوش مصنوعی به رادیولوژیست ها در مرحله بندی سرطان دهانه رحم کمک می کند، که برای تعیین برنامه درمانی بیمار بسیار مهم است. این پشتیبانی دقت مرحله بندی رادیولوژی و برنامه ریزی درمان را افزایش می دهد. در نهایت، هر مورد سرطان دهانه رحم منحصر به فرد است. هوش مصنوعی می‌تواند با پیش‌بینی پاسخ‌های بیمار به درمان‌های خاص، درمان را شخصی‌سازی کند، و امکان رویکردهای متناسب‌تر را فراهم کند که درمان‌ها را مؤثرتر کند. علاوه بر این، برای محافظت از حریم خصوصی بیماران در مورد سوابق داده های سلامت شخصی آنها و افزایش عملکرد ML، یادگیری فدرال (FL) بسیار حیاتی است. این برای آموزش مدل ها بدون به اشتراک گذاری داده ها در بیمارستان ها استفاده می شود. یادگیری فدرال (FL) مدل‌های ML را قادر می‌سازد تا عملکرد بسیار خوبی داشته باشند و حفظ حریم خصوصی داده‌های پرونده سلامت بیماران را افزایش می‌دهد. اصطلاحات فنی در واژه نامه تعریف شده است.

۲٫ هوش مصنوعی، یادگیری ماشین، و یادگیری عمیق در پزشکی: یک مرور کلی

اصطلاح هوش مصنوعی در سال ۱۹۵۶ در کارگاه پروژه تحقیقاتی تابستانی دارتموث توسط گروهی از دانشمندان به سرپرستی پروفسور جان مک کارتی تعریف شد. در این معنی اول، هوش مصنوعی به عنوان هر شکلی از اتوماسیون تعریف شد که می تواند وظایف فکری انسان و یادگیری انسان را شبیه سازی کند. [۱۰]. جکسون، در کتاب مقدمه ای بر هوش مصنوعیهوش مصنوعی را به عنوان “توانایی ماشین ها برای انجام کارهایی که مردم می گویند نیاز به هوش دارند” تعریف کرد. [۱۱,۱۲,۱۳]. در سال‌های اخیر، استفاده نوظهوری از هوش مصنوعی در پزشکی در نرم‌افزارهایی که یافته‌های بالینی را با پروفایل‌های ذخیره‌شده بیماری‌ها مطابقت می‌دهد، وجود داشته است. این رویکرد در یک مرحله مقدماتی از تفسیر خودکار الگوهای غیرعادی ECG استفاده می شود که می تواند به پزشکان در تشخیص شرایط پیچیده بالینی کمک کند. مطالعات امیدوارکننده در مورد کاربرد هوش مصنوعی در زمینه بالینی قلب در مورد نارسایی قلبی و فیبریلاسیون دهلیزی ظاهر شده است. [۱۴,۱۵]. از زمانی که کامپیوترها برای اولین بار اختراع شدند، برنامه نویسی کامپیوتر بر اساس الگوریتم ها بوده است. الگوریتم دنباله ای از دستورات است که می تواند ورودی را به خروجی تبدیل کند. این رویکرد برای مشکلات پیچیده زندگی روزمره ما به کار گرفته شده است. برای برخی از کارها، از جمله کارهای روزمره، مانند شناسایی افراد در عکس ها، رانندگی با اتومبیل، یا انجام مکالمات به زبان های مختلف، علیرغم دهه ها تحقیق، الگوریتم رضایت بخشی نداریم، اگرچه داده هایی داریم. [۱۶]. ایده یادگیری ماشینی (ML) برنامه‌ریزی رایانه‌ها برای استفاده از داده‌ها برای ساختن یک مدل خوب و مفید از مسئله به منظور پیش‌بینی در مورد محتمل‌ترین راه‌حل‌های آن است. [۳]. دو دسته کلی از ML وجود دارد: نظارت شده و بدون نظارت [۱۷,۱۸]. در یادگیری نظارت شده، کامپیوتر با ورودی های شناخته شده و خروجی های مربوطه آموزش می بیند: وظیفه آن ساخت یک مدل بهینه است که ورودی و خروجی را مطابقت دهد. سپس مدل به ورودی های ناشناخته اعمال می شود تا آنها را طبقه بندی کرده و خروجی مربوطه احتمالی را تولید کند. در یادگیری بدون نظارت، کامپیوتر فقط با ورودی ها ارائه می شود. وظیفه آن ایجاد یک مدل بهینه است که داده ها را خوشه یا گروه بندی می کند. سایر اشکال امیدوارکننده ML مبتنی بر مفهوم یادگیری تقویتی است [۱۹]. یکی از موضوعات داغ ML در آسیب شناسی انسان است، جایی که اسلایدهای پاتولوژیک به تصاویر دیجیتالی تبدیل می شوند که نرم افزار ویژگی ها و برچسب ها را از آنها استخراج می کند. محدودیت اصلی ML سنتی حجم زیادی از داده های مورد نیاز برای آموزش است. مدل های ML چند شات و یک شات سعی کرده اند با چارچوب بیزی بر این مشکل غلبه کنند، اما در حال حاضر، برنامه های کاربردی کاملا خاص هستند و این رویکردها نسبت به ML سنتی کمتر موثر هستند. [۲۰]. اصطلاح “داده های بزرگ” (BD) مجموعه داده هایی را با اندازه هایی فراتر از قدرت محاسباتی نرم افزارهای رایج تعریف می کند، به این معنی که برای مدیریت آنها به ابزارهای کامپیوتری موازی نیاز است. با این حال، از منظری متفاوت، BD را می‌توان بر اساس دامنه دانش و نه اندازه داده‌ها تعریف کرد، به این معنا که اگر در حالت ایده‌آل، تمام داده‌های مربوط به یک بیماری خاص در یک فضای ذخیره‌سازی واحد جمع‌آوری شود، آن دانش نشان دهنده “حقیقت زمین” (همچنین به عنوان حقیقت طلا شناخته می شود) برای بیماری داده شده است. ابزارهای کلان داده می توانند داده ها را معنا کنند و آنها را به دانش قابل فهم بشر تبدیل کنند [۱۹]. تعریف کلاسیک داده های بزرگ شامل ۵ برابر است: حجم، تنوع، سرعت، صحت و ارزش. [۲۱,۲۲]. BD حجم عظیمی از داده ها (حجم) را به شکل های ساختاریافته، نیمه ساختاریافته و بدون ساختار (تنوع)، که در فرآیندی با سرعت بالا (سرعت) تولید می شود، جمع آوری، ذخیره و دقیق می کند. مشخصه این داده ها صحت (صحت) و سودآوری بالا (ارزش) است. [۲۳]. یادگیری عمیق (DL) زیرمجموعه ای از یادگیری ماشینی است که بر اساس چندین لایه در شبکه است که به تدریج ویژگی ها را از داده های خام بدون ساختار استخراج می کند. DL مدرن مبتنی بر ساختارهای چند لایه ای است که مانند نورون های بیولوژیکی به هم متصل هستند. در برخی زمینه‌های بالینی، پیاده‌سازی ابزارهای هوش مصنوعی در تصمیم‌گیری‌های بالینی روزمره به پیشرفت‌هایی در تشخیص، شخصی‌سازی درمان و مدیریت کلی سلامت منجر شده است. انتشار ابزارهای هوش مصنوعی به طور بالقوه قادر به کاهش خطاهای تشخیصی و بهبود نرخ تشخیص چندین بیماری است. به عنوان مثال، هوش مصنوعی برای تفسیر ماموگرافی، نرخ مثبت کاذب را تا ۵٫۷٪ و نرخ منفی کاذب را ۹٫۴٪ کاهش داد، بنابراین از نظر دقت برای تشخیص سرطان پستان در مراحل اولیه (۹۱٪ در مقابل ۷۴٪) از رادیولوژیست های خبره دقیق تر است. [۲۴,۲۵]. مدل‌های یادگیری عمیق مبتنی بر هوش مصنوعی نیز در درماتولوژی عملکرد خوبی دارند، به طور دقیق ملانوم را تشخیص می‌دهند و درمان‌هایی مشابه ارزیابی‌های متخصص پوست را توصیه می‌کنند. [۲۶,۲۷,۲۸]. کاربرد جالب دیگر استفاده از یک الگوریتم هوش مصنوعی در تشخیص آپاندیسیت حاد است که دقت ۸۳٫۷۵ درصدی را نشان داد و به تصمیم گیری های جراحی به موقع کمک می کند. [۲۹]. یک بخش با تاثیر بالا برای مطالعات هوش مصنوعی، پزشکی دقیق در مراقبت از سرطان است، با نقش بالقوه در پیش‌بینی پاسخ به شیمی‌درمانی در گروه‌های خاصی از بیماران، اما کاربردهای این الگوریتم‌ها هنوز تجربی هستند. [۳۰,۳۱]. یکی دیگر از زمینه های مورد علاقه هوش مصنوعی در تجزیه و تحلیل پیشگویانه داده های جمعیت برای مداخله زودهنگام در پیشگیری از بیماری های مزمن، مانند بیماری های قلبی یا غدد درون ریز است. [۳۲].

۳٫ هوش مصنوعی برای پر کردن شکاف های غربالگری سرطان دهانه رحم

امروزه استاندارد طلایی برای پیشگیری از CC بر دو استراتژی اصلی استوار است. اولین مورد، که استراتژی “اولیه” نیز نامیده می شود، شامل استفاده از واکسن های ضد HPV به منظور جلوگیری از عفونت هایی است که می توانند به ضایعات پیش سرطانی مرتبط با HPV تبدیل شوند. [۳۳]. دومی از طریق پروتکل های غربالگری که به طور فزاینده ای در سطح بین المللی تدوین می شوند، توسعه می یابد [۳۴]. در مورد اول، مطالعات متعددی وجود دارد که نشان می‌دهد واکسن‌های دو ظرفیتی و چهار ظرفیتی که سروتیپ‌های پرخطر HPV را هدف قرار می‌دهند، کارایی بسیار بالایی در برابر عفونت‌های سرطان‌زای پایدار دارند، بیش از ۹۰ درصد در مقایسه با دارونما. [۳۵,۳۶]. از طرف دیگر، پیشگیری ثانویه شامل ارکان بالینی مختلفی است و از تست پاپ و تست HPV-DNA استفاده می کند. [۳۷]که طبق جدیدترین دستورالعمل ها، بدون توجه به در دسترس بودن منابع، باید به صورت جهانی تجویز شود [۳۸]. در واقع با توجه به حساسیت کمتر تست پاپ توسط سازمان بهداشت جهانی توصیه می شود [۳۹] و سایر دستورالعمل ها فقط به عنوان یک آزمون ثانویه [۴۰,۴۱]. در واقع، این روش تنوع قابل توجهی را در بین ناظران مختلف و همچنین خطر اثبات شده منفی کاذب ارائه می دهد. [۴۲]. این عیب همچنین از یک مطالعه تصادفی قوی، که محدودیت تست پاپ را در مقایسه با تست HPV-DNA برجسته می‌کند، آشکار می‌شود. [۴۳] در شناسایی ضایعات اولیه با درجه بالا دهانه رحم. در بیمارانی که نتیجه تست HPV-DNA مثبت یا غیر طبیعی دارند، کولپوسکوپی اندیکاسیون دارد و به عنوان یک آزمایش اساسی در نظارت بر زنان در طول زمان در نظر گرفته می شود. [۳۸]. با این وجود، این استراتژی مستلزم تلاش قابل توجهی از نقطه نظر آموزش فوق تخصصی، تهیه تجهیزات و هزینه های بالا است که ممکن است اجازه استفاده از آن را در مقیاس بزرگ ندهد. گلدی و همکاران از منظر مقرون به صرفه، غربالگری را با تمرکز بر دو مرحله پیشنهاد کرد: آزمایش HPV-DNA در سن اوج تعداد عفونت ها (۳۵ یا ۳۵-۴۰ سال) و درمان مستقیم زنان HPV مثبت مبتلا به سرماخوردگی. درمان [۴۴]. مزیت اصلی این استراتژی، مشاهده و درمان احتمالی ضایعات داخل اپیتلیال دهانه رحم (CIN) در محیط های کم منابع است. با این حال، با توجه به نقش مهم عفونت HPV مداوم در CC، مشکل در مورد دسترسی به پروتکل های غربالگری در مقیاس بزرگ برای درمان هدفمند و به موقع باقی می ماند. در این زمینه پیچیده، پیاده‌سازی نرم‌افزار برای تجزیه و تحلیل خودکار تصاویر کولپوسکوپی و تست پاپ می‌تواند نقطه عطفی را با ساده‌سازی، استانداردسازی و پیاده‌سازی رویه‌ها و همچنین قادر به کاهش تدریجی هزینه‌های گردش‌های کاری سفارشی‌شده جدید نشان دهد.

هوش مصنوعی و کولپوسکوپی در غربالگری سرطان دهانه رحم

کولپوسکوپی آزمایشی است که به طور گسترده در کشورهای با درآمد کم و متوسط (LMICs) به عنوان دومین سطح پس از آزمایش پاپ اسمیر غیرطبیعی / تست HPV تجویز می شود. هدف آن تشخیص CIN و انجام بیوپسی دهانه رحم در محل مورد نظر است [۴۵,۴۶]. با این حال، در اکثر کشورها، عملکرد کلی این آزمون به دلیل فقدان معیارهای حداقل و جامع کیفی هدفمند، رضایت بخش نیست. عملکرد کلی کولپوسکوپی رضایت بخش نیست [۴۷]. حساسیت تشخیصی CIN2 30-70 درصد گزارش شده است. [۴۸,۴۹]. برای افزایش دقت تشخیصی کولپوسکوپی، برخی از نویسندگان پیشنهاد کرده‌اند که تعداد بیوپسی‌ها را افزایش دهند یا از نمونه‌گیری تصادفی از دهانه رحم به ظاهر عاری از بیماری استفاده کنند. [۵۰]. استفاده از بیوپسی تصادفی در ۱۳ تا ۳۷ درصد موارد ضایعات با درجه بالا را نشان داد. [۵۱,۵۲]. در LMIC ها، کولپوسکوپی به دلیل عدم تجربه در دوره های آموزشی اپراتور و کولپوسکوپی، رنگ آمیزی شیمیایی با کیفیت پایین و عدم توافق بر سر ویژگی ها و دستورالعمل ها، دقت پایینی دارد. دقت تشخیصی برای بیوپسی دهانه رحم برای تشخیص CIN ها نسبتاً پایین است و از ۳۰٪ تا ۷۰٪ متغیر است، به خصوص در LMICها، به دلیل توانایی کم کولپوسکوپی. [۵۳]. حساسیت و ویژگی کولپوسکوپیست های ارشد برای تشخیص CIN 2 به ترتیب تا ۸۰% و ۷۱% می باشد. با این حال، کولپوسکوپیست های جوان در تشخیص بسیاری از موارد CIN2 یا حتی CC مشکل دارند. برای کولپوسکوپیست های جوان، حساسیت و ویژگی آنها در CIN2 به ترتیب ۵۹% و ۷۶% بود. [۵۴]. دیجیتالی کردن تجهیزات زنان و زایمان و اجرای کولپوسکوپی دیجیتال ممکن است به تولید تصاویر با کیفیت بالا برای نرم افزار تشخیصی کمک کند و در عین حال هزینه کمتر و در دسترس بودن بالاتر را با توجه به یک متخصص کولپوسکوپی به خوبی آموزش دیده حفظ کند. از این نظر، هوش مصنوعی ممکن است به پر کردن شکاف کمک کند. به طور خاص، یادگیری عمیق می تواند ویژگی های ضایعات دهانه رحم را برون یابی کند و ورودی برای معاینات کولپوسکوپی به کمک رایانه ایجاد کند. گردش کار تشخیصی کولپوسکوپی باید با هوش مصنوعی برای ارزیابی نقاط بیوپسی ادغام شود. در شکل ۱، ما یک گردش کار کولپوسکوپی با هوش مصنوعی بالقوه را توصیف می کنیم. برخی از مطالعات مقدماتی مطالعات گذشته نگر را در غربالگری سرطان دهانه رحم مبتنی بر ML اجرا کرده اند [۸].

دو مطالعه مرتبط برای تشخیص CIN2 توسط کیم و سونگ انجام شد [۵۵,۵۶] با استفاده از سرویکوگرافی دیجیتال، تکنیکی که توسط Stafl در سال ۱۹۸۱ معرفی شد [۵۷] که در آن کارکنان غیرپزشکی می توانند تصویر دیجیتالی را به دست آورند تا در تاریخ بعدی توسط پزشک مورد تجزیه و تحلیل قرار گیرد. کیم یک سیستم تجزیه و تحلیل تصویر خودکار سرویگرام را با تکنیک ماشین بردار پشتیبان آموزش داد تا ناحیه مورد نظر را جدا کند و در نهایت تصویر را به عنوان خوش خیم/CIN1 یا CIN2 طبقه بندی کند. [۵۶]. سیستم پیشنهادی به حساسیت و ویژگی ۷۵ درصد در تشخیص CIN2 از ۱۰۰۰ تصویر معمولی و ۱۰۰۰ تصویر CIN1 برای مجموعه آموزشی ۲۰۰۰ تصویری دست یافت. [۵۶]. هو و همکاران آموزش یک سیستم ML برای تشخیص CIN2 بر روی ۹۱۲۷ بیمار با تکنیک قوی تر: مجموعه آموزشی از ۹۴۰۶ تصویر برای اعتبارسنجی یک الگوریتم ML استفاده شد. [۵۸]. در یک مجموعه اعتبارسنجی از ۳۴۴ بیمار، الگوریتم آنها ناحیه زیر منحنی ۰٫۹۱ را در تشخیص CIN2 نشان داد. سونگ و همکاران یک شبکه عصبی کانولوشن چندوجهی برای تشخیص CIN2 در مجموعه آموزشی از ۷۸۱۱ تصویر دهانه رحم و داده های بالینی جمع آوری شده توسط موسسه ملی سرطان در مجموعه داده Guanacaste آموزش داد. آنها این پروتکل را روی ۲۸۰ بیمار مبتلا به CIN1 (140 نفر) و CIN2 (140 نفر) آزمایش کردند. نتایج دقت، حساسیت و ویژگی را به ترتیب در حدود ۸۹%، ۸۳% و ۹۴% نشان داد. میاگی و همکاران، در سال ۲۰۱۹، از ۲۵۳ تصویر گرفته شده از کولپوسکوپی سنتی بیمارانی که تحت بیوپسی دهانه رحم همراه با آزمایش HPV قرار گرفتند، برای آموزش الگوریتم ML خود استفاده کردند. [۵۹]. آنها به طور تصادفی تصاویر را تقسیم کردند و از ۸۰ درصد برای آموزش و ۲۰ درصد برای آزمایش استفاده کردند. حساسیت و ویژگی حدود ۹۵% و ۸۳% بود. آسیدو و همکاران آموزش یک سیستم ML با ۲۰۰۰ تصویر کولپوسکوپی و طبقه بندی گذشته نگر ۱۳۴ تصویر بیمار بازیابی شده از یک کولپوسکوپی جیبی با حساسیت، ویژگی و دقت به ترتیب در حدود ۸۱٪، ۷۸٪ و ۸۰٪، در تشخیص CIN2 از بافت طبیعی. [۶۰]. Simoes 170 تصویر بازیابی شده از یک کولپوسکوپ جیبی را با یک شبکه عصبی مصنوعی تجزیه و تحلیل کرد و ۵۸ تصویر را با دقت ۷۲٪، حساسیت ۶۹٪ و ویژگی ۶۸٪ طبقه بندی کرد. [۶۱]. به طور کلی، مطالعات نشان‌داده‌شده در جدول ۱ یک مسیر دلگرم‌کننده را نشان می‌دهند، اما به دلیل مجموعه آموزشی نسبتاً کوچک و فقدان اعتبارسنجی خارجی/آزمایش‌های بالینی آینده‌نگر برای تأیید نتایج در تنظیمات بالینی، نمی‌توان آنها را تعمیم داد. در آینده، ما انتظار داریم که شواهد پزشکی بیشتری برای باز کردن معمای کولپوسکوپی دیجیتال با هدایت ML قفل شود.

۶٫ هوش مصنوعی و بافت شناسی در غربالگری سرطان دهانه رحم

AI و DL به عنوان ابزارهای تحول آفرین در زمینه آسیب شناسی، به ویژه در مورد تشخیص ضایعات دهانه رحم مرتبط با HPV، در حال ظهور هستند. سرطان دهانه رحم همچنان یک بار سلامت جهانی است و عفونت HPV به عنوان یک عامل خطر اولیه برای توسعه آن شناخته شده است [۴۰]. روش های سنتی تجزیه و تحلیل سیتولوژی و بافت شناسی به شدت به تخصص آسیب شناسان متکی است که می تواند در معرض تنوع بین مشاهده گر و محدودیت در دقت باشد. با این حال، با ظهور فناوری‌های هوش مصنوعی و یادگیری عمیق، ممکن است در آینده‌ای نزدیک یک تغییر پارادایم در نحوه تشخیص و مدیریت این ضایعات رخ دهد. در واقع، با پیشرفت روزافزون تکنیک‌های AI و DL، تعداد فزاینده‌ای از روش‌های تشخیصی به کمک رایانه در غربالگری سیتولوژی دهانه رحم به دلیل نتایج با کارایی بالا استفاده شده است. [۷۴,۷۵,۷۶,۷۷]. از سال ۲۰۱۶، استفاده از DL برای غربالگری سیتولوژی دهانه رحم به طور قابل توجهی افزایش یافته است. به طور خاص، کار تشخیص شی از سال ۲۰۱۸ پیشرفت های قابل توجهی داشته است، در حالی که کار تجزیه و تحلیل تصویر کل اسلاید (WSI) که در سال ۲۰۲۱ آغاز شد، اخیراً پیشرفت قابل توجهی را نشان داده است. [۵].

امروزه به لطف بهبود تکنیک های دیجیتال و تجهیزات تصویربرداری، نمونه های تست پاپ را می توان از طریق اسکنرها به اسلایدهای دیجیتال تبدیل کرد تا امکان بررسی پاتولوژیک را فراهم کند. دیجیتالی شدن اسلایدهای شیشه ای در WSI ها ممکن است حجم کار آسیب شناسان را تا حد زیادی کاهش دهد و در عین حال کارایی تشخیصی را در مقایسه با مشاهده بصری در میکروسکوپ بهبود بخشد. [۴,۷۸].

در حوزه سیتولوژی دهانه رحم، فناوری‌های مبتنی بر هوش مصنوعی ممکن است با فعال کردن تجزیه و تحلیل خودکار نمونه‌های تست پاپ، برنامه‌های غربالگری را متحول کنند. این سیستم‌ها می‌توانند به‌طور مؤثری موارد را تریاژ کنند و مواردی را که نیاز به بررسی بیشتر و فوری توسط آسیب‌شناسان خبره دارند و در عین حال پردازش نمونه‌های منفی را تسریع می‌کنند، در اولویت قرار دهند. علاوه بر این، الگوریتم‌های هوش مصنوعی می‌توانند به طور دقیق سلول‌های غیرطبیعی را بر اساس درجه دیسپلازی یا بدخیمی طبقه‌بندی کنند و به طبقه‌بندی ریسک و تصمیم‌گیری بالینی کمک کنند. [۵].

یکی از مزایای کلیدی هوش مصنوعی در تشخیص ضایعات دهانه رحم، توانایی آن در تجزیه و تحلیل حجم وسیعی از داده های دیجیتال با سرعت و ثبات است. الگوریتم‌های DL که بر روی مجموعه داده‌های بزرگی از تصاویر حاشیه‌نویسی آموزش داده شده‌اند، می‌توانند الگوهای پیچیده و ویژگی‌های مورفولوژیکی ظریف را که نشان‌دهنده عفونت HPV و ضایعات پیش نئوپلاستیک و/یا نئوپلاستیک مرتبط هستند، تشخیص دهند. این الگوریتم ها می توانند سلول های غیر طبیعی را با دقت بالایی شناسایی کنند. با استفاده از شبکه‌های عصبی عمیق، سیستم‌های هوش مصنوعی می‌توانند از مجموعه‌ای از مثال‌ها بیاموزند و به طور مداوم عملکرد و سازگاری خود را در طول زمان بهبود بخشند. علاوه بر این، با کمک به تشخیص زودهنگام ضایعات دهانه رحم، هوش مصنوعی ممکن است پتانسیل کاهش بروز سرطان دهانه رحم در مراحل پیشرفته و بهبود نتایج را داشته باشد. تکنیک‌های مختلف هوش مصنوعی، مانند شبکه‌های عصبی کانولوشن (CNN)، ماشین‌های بردار پشتیبان (SVM)، شبکه‌های عصبی مکرر (RNN)، حافظه کوتاه‌مدت (LSTM) و واحدهای بازگشتی دروازه‌ای (GRU) که هر کدام دارای مزایای منحصربه‌فردی هستند. وظیفه CNN ها به ویژه برای تجزیه و تحلیل تصویر و تشخیص در تشخیص زودهنگام سرطان دهانه رحم مناسب هستند. به عنوان مدل های یادگیری عمیق طراحی شده برای پردازش داده های تصویر، CNN ها در شناسایی الگوها و ویژگی های تصاویر پزشکی مانند اسلایدهای پاپ اسمیر و تصاویر کولپوسکوپی برتری دارند. برخلاف الگوریتم‌های سنتی، CNN‌ها می‌توانند نشانه‌های بصری ظریفی را که ممکن است توسط چشم انسان نادیده گرفته شود، شناسایی کنند، و آنها را برای کارهایی مانند شناسایی مناطق مشکوک پیش سرطانی بسیار موثر می‌سازد. در مقابل، SVM های سنتی ممکن است با پیچیدگی تصاویر پزشکی دست و پنجه نرم کنند، زیرا آنها بهترین عملکرد را با داده های ساختار یافته و با ابعاد پایین تر دارند. با این حال، SVM ها همچنان می توانند در کارهای طبقه بندی ساده تر که وضوح تصویر و ویژگی ها به خوبی تعریف شده اند، ارزشمند باشند. علاوه بر این، برای پیش‌بینی سطوح خطر فردی بر اساس داده‌های تست HPV و سابقه بیمار، SVMها و Random Forests اغلب از CNNها بهتر عمل می‌کنند. این مدل‌ها به‌گونه‌ای طراحی شده‌اند که با مجموعه داده‌های ساختاریافته مانند اطلاعات دموگرافیک، نتایج آزمایش و سابقه پزشکی به خوبی کار کنند. SVM ها، به ویژه، زمانی مؤثر هستند که داده ها حاوی مرزهای واضح بین کلاس ها باشند (مثلاً بیماران پرخطر در مقابل بیماران کم خطر). جنگل‌های تصادفی نیز برای این کار مناسب هستند، زیرا می‌توانند روابط غیرخطی درون داده‌ها را مدیریت کنند و بینشی در مورد اینکه کدام عوامل (به عنوان مثال، سن، سویه HPV) بیشترین خطر را پیش‌بینی می‌کنند، ارائه می‌دهند. سی‌ان‌ان‌ها، که پیچیده‌تر و با منابع فشرده‌تر هستند، معمولاً برای چنین داده‌های جدولی ضروری نیستند. علاوه بر این، در تنظیمات از راه دور و با منابع کم، مدل‌های مبتنی بر CNN که در دستگاه‌های کولپوسکوپی قابل حمل استفاده می‌شوند، تشخیص از راه دور را با تجزیه و تحلیل تصاویر در محل ممکن می‌سازند. این مدل‌ها می‌توانند به سرعت ارزیابی اولیه را ارائه دهند، و به افراد غیرمتخصص اجازه می‌دهند تصاویر را بگیرند، در حالی که متخصصان آن‌ها را از راه دور بررسی می‌کنند. CNN ها در اینجا مورد علاقه هستند زیرا آنها در پردازش و تجزیه و تحلیل داده های تصویر پیچیده در زمان واقعی، حتی در دستگاه های کم مصرف، عالی هستند. تکنیک‌های دیگر، مانند SVMها، به دلیل ماهیت بسیار بعدی و بدون ساختار داده‌های تصویر، برای این کار مؤثر نیستند. به‌علاوه، هنگام مرحله‌بندی سرطان دهانه رحم و برنامه‌ریزی درمان، CNN‌ها به دلیل توانایی آن‌ها در تفسیر اسکن‌های رادیولوژی (MRI، CT) نقش اصلی را بازی می‌کنند. CNN ها می توانند مراحل مختلف تومور را با تجزیه و تحلیل اندازه، شکل و گسترش تومور در داده های تصویربرداری تشخیص دهند. سی‌ان‌ان‌های سه‌بعدی، توسعه‌ای از سی‌ان‌ان‌های سنتی، به‌ویژه در پردازش اسکن‌های حجمی مؤثر هستند و اطلاعات مکانی دقیقی را به‌دست می‌آورند که برای مرحله‌بندی دقیق بسیار مهم است. مدل‌های یادگیری ماشین سنتی، مانند SVM یا K-Nearest Neighbors (KNN)، ممکن است پیچیدگی لازم برای تفسیر داده‌های رادیولوژی با ابعاد بالا را نداشته باشند.

اخیراً، توسعه سیستم های نسل جدید تجزیه و تحلیل برای سیتولوژی خودکار دهانه رحم به سرعت در حال بهبود است. نمونه های عالی این سیستم ها BestCyte (CellSolutions، Greensboro، NC، USA) هستند. [۷۹,۸۰]CytoProcessor (DATEXIM، Caen، فرانسه) [۸۱]و Genius Digital Diagnostics System (Hologic, Marlborough, MA, USA) [82]. BestCyte دسترسی از راه دور را از طریق نرم افزارهای مبتنی بر وب امکان پذیر می کند و شامل یک اسکنر دیجیتال و الگوریتم تجزیه و تحلیل WSI است. CytoProcessor، از طریق روش‌های یادگیری ماشینی، قادر است تمام سلول‌های غیرطبیعی مشکوک را انتخاب کرده و سپس آنها را برای بررسی بیشتر توسط آسیب‌شناسان سلولی نمایش دهد. CytoProcessor مبتنی بر یک برنامه وب است که به کاربران اجازه می دهد وارد یک محیط کاری طبیعی شبیه میکروسکوپ مجازی شوند. سیستم تشخیص دیجیتال Genius از یک تصویرگر دیجیتال، یک سرور مدیریت تصویر (IMS) و یک ایستگاه بررسی تشکیل شده است. این سیستم مبتنی بر الگوریتم جدیدی از هوش مصنوعی و فناوری پیشرفته تصویربرداری سه بعدی است که امکان تشخیص سلول‌های دیسپلاستیک یا سرطانی غیرطبیعی را فراهم می‌کند. علاوه بر این، شامل یک پلتفرم ابری است که امکان اتصال فوری بین آزمایشگاه‌های داخل یک شبکه را فراهم می‌کند. به طور خلاصه، هر سه سیستم غربالگری مبتنی بر استفاده از الگوریتم های هوش مصنوعی برای تشخیص اولیه هستند و شامل پلتفرم هایی برای به اشتراک گذاری تصویر از طریق اتصال وب هستند. ممکن است فرض کنیم که سیستم‌های هوش مصنوعی در حال ظهور در آینده برای غربالگری سیتولوژی دهانه رحم، الگوریتم‌های تحلیلی قدرتمند هوش مصنوعی (مبتنی بر ML/DL) را ترکیب کرده و بیشتر بهبود می‌بخشند، همچنین دستگاه‌های تصویربرداری با کیفیت بالا و نرم‌افزار/رابط مشاهده با کاربری آسان را ارائه می‌دهند.

در هیستوپاتولوژی، آنالیز تصویر مبتنی بر هوش مصنوعی تاکنون کمتر توسعه یافته است، اما پتانسیل افزایش دقت تشخیصی و کارایی تفسیر بیوپسی دهانه رحم را دارد. در آینده نزدیک، مدل‌های یادگیری عمیق ممکن است به تجزیه و تحلیل بخش‌های بافتی برای شناسایی ویژگی‌های بافت‌شناسی خاص مرتبط با عفونت HPV، مانند کویلوسیتوز، دیسپلازی و کارسینوم مهاجم کمک کنند. این فناوری ممکن است به آسیب شناسان اجازه دهد تا تشخیص های مطمئن تری را انجام دهند، به ویژه در مواردی که ضایعات ظریف یا ناهمگن هستند. علاوه بر این، الگوریتم‌های هوش مصنوعی ممکن است استانداردسازی معیارهای تشخیصی را تسهیل کنند و از سازگاری در طبقه‌بندی و گزارش ضایعه اطمینان حاصل کنند.

علیرغم وعده عظیم هوش مصنوعی در تشخیص ضایعات دهانه رحم، چالش های متعددی هنوز باقی مانده است که باید مورد توجه قرار گیرند. ادغام فن‌آوری‌های هوش مصنوعی در عملکرد روزانه نیاز به اعتبارسنجی دقیق و تأیید نظارتی دارد تا از ایمنی، اثربخشی و قابلیت اطمینان آنها اطمینان حاصل شود. علاوه بر این، نگرانی‌های مربوط به حریم خصوصی داده‌ها، تعصب الگوریتم و تفسیرپذیری تصمیمات مبتنی بر هوش مصنوعی باید برای تقویت اعتماد و پذیرش در بین ارائه‌دهندگان مراقبت‌های بهداشتی و بیماران مورد توجه قرار گیرد. تلاش های مشترک بین محققان، آسیب شناسان، سهامداران صنعت و آژانس های نظارتی برای غلبه بر این چالش ها و استفاده از پتانسیل کامل هوش مصنوعی در بهبود تشخیص سرطان دهانه رحم ضروری است.

۷٫ محاسبه ریسک پیشرفت و یادگیری ماشین

در طول غربالگری سطح II، بیمارانی که تست HPV مثبت دارند و نیاز به کولپوسکوپی دارند، به کولپوسکوپیست ارجاع داده می شوند. تصمیمات مدیریتی پس از کولپوسکوپی بر اساس دستورالعمل‌های تعیین‌شده تعیین می‌شوند، که ممکن است بر اساس ویژگی‌های مورد، بیوپسی، روش اکسیزیون یا پیگیری دوره‌ای را پیشنهاد کند. فرآیند تصمیم گیری پیچیده است و باید طیف وسیعی از متغیرها را در نظر بگیرد، از جمله سن بیمار، مدت زمان HPV مثبت، درجه سیتولوژی، یافته های بافت شناسی، ارزیابی کولپوسکوپی، تجسم محل اتصال سنگفرشی، تعیین ژنوتیپ HPV، وضعیت واکسیناسیون، عادت سیگار کشیدن، و وجود عفونت های مکرر یا همزمان. پیشرفت های اخیر در درک پیشرفت بیماری مرتبط با HPV، اهمیت ادغام عوامل اضافی در فرآیند ارزیابی خطر را برجسته کرده است. [۸۳,۸۴,۸۵,۸۶,۸۷]. تحقیقات نشان می‌دهد که پاسخ‌های ایمنی فردی، از جمله ارزیابی میکروبیوتای واژن و نسبت نوتروفیل به لنفوسیت، اجزای حیاتی برای ارزیابی دقیق‌تر خطر هستند. [۳۷,۸۸,۸۹]. این نشانگرهای زیستی می‌توانند بینش‌هایی را در مورد وضعیت ایمنی بیمار و پیشرفت احتمالی بیماری ارائه دهند، که ممکن است با روش‌های ارزیابی سنتی به طور کامل شناسایی نشود. علاوه بر این، ادغام هوش مصنوعی در این فرآیند این پتانسیل را دارد که به طور قابل توجهی طبقه بندی ریسک را افزایش دهد [۹۰]. ابزارهای هوش مصنوعی می‌توانند بسیاری از متغیرها، از جمله ژنوتیپ HPV، یافته‌های سیتولوژیک و بافت‌شناسی و نشانگرهای ایمنی را تجزیه و تحلیل و وزن کنند تا یک امتیاز خطر جامع ایجاد کنند. این امتیاز می تواند به پزشکان در تعیین اینکه آیا رویکرد مداخله ای بیشتری نیاز است یا اینکه نظارت مستمر مناسب است، کمک کند. به عنوان مثال، ژنوتیپ HPV 16 در مقایسه با سایر انواع پرخطر HPV با مشخصات ریسک بالاتری همراه است و این تفاوت در خطر باید در امتیازات خطر ایجاد شده توسط هوش مصنوعی منعکس شود. [۹۱]. گنجاندن هوش مصنوعی در عمل بالینی نیازمند توسعه و اعتبارسنجی دقیق برای اطمینان از دقت و قابلیت اطمینان است. برنامه های آموزشی برای متخصصان مراقبت های بهداشتی باید بر اساس ادبیات فعلی و بهترین شیوه ها برای استفاده موثر از ابزارهای هوش مصنوعی در تصمیم گیری باشد. سیستم‌های هوش مصنوعی باید به گونه‌ای طراحی شوند که عوامل خطر مختلفی را در نظر بگیرند و وزن‌های مناسبی را برای هر کدام اعمال کنند و در نتیجه استراتژی‌های مدیریت شخصی بیمار را بهبود بخشند. [۱۹,۹۲,۹۳]. مزایای بالقوه هوش مصنوعی در این زمینه شامل ارزیابی دقیق‌تر ریسک، بهبود نتایج بیمار و استفاده کارآمدتر از منابع مراقبت‌های بهداشتی است. همانطور که تحقیقات در حال تکامل است، به روز رسانی مداوم ابزارها و دستورالعمل های هوش مصنوعی برای ترکیب یافته های جدید و حفظ بهترین شیوه ها در مدیریت بیماری های مرتبط با HPV ضروری خواهد بود. [۹۲]. با وجود پتانسیل تحول آفرین هوش مصنوعی در مراقبت های بهداشتی، ادغام عملی با محدودیت های متعددی مواجه است. هزینه بالای ابزارهای هوش مصنوعی، معمولاً اختصاصی و تحت حق چاپ و محدودیت ها، آنها را برای بسیاری از امکانات کوچکتر با بودجه محدود غیرقابل دسترس می کند. استاندارد پایین سیستم‌های انفورماتیک مراقبت‌های بهداشتی همچنین ممکن است در انتشار سیستم‌های هوش مصنوعی برای مسائل سازگاری هنگام تلاش برای پیاده‌سازی فناوری‌های جدید هوش مصنوعی نقش داشته باشد. پزشکانی که به روش‌های سنتی عادت کرده‌اند، ممکن است استفاده از مدل‌های پیچیده مبتنی بر هوش مصنوعی را در جریان کار روزانه خود دشوار بدانند. این تردید تا حدی به دلیل ماهیت “جعبه سیاه” بسیاری از الگوریتم‌های هوش مصنوعی است که به نظر می‌رسد پیش‌بینی‌هایی را بدون توضیح واضح ارائه می‌دهند و ارائه‌دهندگان مراقبت‌های بهداشتی را در مورد اعتماد و عمل به آنها محتاط می‌کنند. محدودیت مهم دیگر، مسائل بالقوه حریم خصوصی مرتبط با قوانین ملی است. به طور کلی، این محدودیت‌ها – هزینه، سازگاری و تفسیرپذیری – نشان می‌دهد که اگرچه هوش مصنوعی نویدبخش است، دستیابی به پذیرش موثر و گسترده بالینی مستلزم پرداختن به این چالش‌های ساختاری، فنی و فرهنگی است.

۸٫ نقاط قوت و محدودیت ها

تا جایی که ما می دانیم، این اولین بررسی این حوزه است که توسط یک تیم چند رشته ای متشکل از متخصصان در زمینه های مختلف تخصص (زنان، هیستوپاتولوژی و علوم کامپیوتر) انجام شده است. علاوه بر این، برای این تحقیق، ما به طور خاص مقالاتی را انتخاب کردیم که به جنبه های هیستوپاتولوژیک و کاربرد بالینی بالقوه هوش مصنوعی می پردازند. علاوه بر این، پتانسیل آینده هوش مصنوعی پیشنهاد شده است، مانند ساختار نرم افزار برای شخصی سازی درمان، که می تواند منجر به مطالعات جدید و پروژه های آزمایشی شود. علیرغم این مشارکت، این بررسی محدودیت‌هایی را ارائه می‌کند که ممکن است ذاتی موضوع تحت پوشش باشد، اما بیش از همه، مختص هوش مصنوعی است. در مورد دوم، این محدودیت‌ها می‌توانند ماهیت دوگانه داشته باشند، هم ساختاری (به عنوان مثال، مرتبط با نوع/شکل‌گیری نرم‌افزار یا حتی به کیفیت تصاویر) و هم تفسیری. این چالش ها یا به دلیل کمیت و ویژگی داده هایی است که باید تجزیه و تحلیل شوند یا به دلیل ناتوانی دستگاه در تشخیص ویژگی های پاتگنومونیک یک ضایعه خاص در مقایسه با سایر موارد مشابه، شاید از نوع واکنشی. در این مورد خاص، یکی از محدودیت‌های ذاتی بررسی ما، تعداد محدود مقالاتی است که به این موضوع می‌پردازند، به‌ویژه مربوط به کولپوسکوپی. این در واقع یک بخش خاص است. علاوه بر این، نتایج الگوریتم‌های یادگیری مختلف به دلیل عدم یکنواختی در نتایج گزارش‌شده، با برخی از مطالعات فقط دقت و برخی دیگر حساسیت و ویژگی را گزارش کردند، مقایسه نشدند. این مشکلی است که برای متخصصان شناخته شده است. در واقع، مشخص است که ما اغلب با داده های دیجیتالی مواجه هستیم که برای تحلیل های الگوریتمی مفید نیستند. در واقع، حجم زیادی از اطلاعات به طور خودکار با کیفیت بهتر برنامه های به دست آمده مطابقت ندارد. اگر به اندازه کافی انتخاب نشده و به درستی تفسیر نشود، داده های ساده نیز بی فایده هستند [۹۴]نشان می دهد که این فناوری ها نیستند که تعیین کننده هستند، بلکه توانایی استخراج ارزش از استفاده از آنها هستند. محدودیت دیگری در تحلیل پیشنهادی مربوط به عدم همگنی داده‌های مورد استفاده همراه با تصاویر کولپوسکوپی برای پیش‌بینی وجود سرطان است. به خوبی شناخته شده است که سن بیمار، وجود عود، وضعیت استعمال دخانیات، وابستگی به مواد، رفتارهای ناهنجار و سایر متغیرهای مرتبط با وضعیت سلامتی بیمار یا رفتارها یا مرحله قاعدگی می تواند تأثیر عمده ای در تفسیر تصاویر کولپوسکوپی داشته باشد. در نتیجه، در تشخیص. از سوی دیگر، مقالات مورد تجزیه و تحلیل عمدتاً بر روی تکنیک‌های طبقه‌بندی تصویر یا شناسایی مناطق برای نمونه‌برداری بافت‌شناسی متمرکز شده‌اند، در حالی که جزئیات در مورد پارامترهای اضافی، در صورت وجود، کم و ناهموار هستند، که مانع از مقایسه دقیق بین تکنیک‌های مختلف تجزیه و تحلیل شده و محدود می‌شود. امکان تکرارپذیری و تأیید تکنیک های توصیف شده. مقالات تجزیه و تحلیل شده همچنین توجه کمی به جنبه‌های توضیح‌پذیری مربوط به تکنیک‌های AI اتخاذ شده داشته‌اند (که در ادبیات مربوطه به آن “هوش مصنوعی قابل توضیح” یا XAI گفته می‌شود). این مشکل می تواند تا حدی حل شود اگر داده های به اصطلاح دنیای واقعی، مانند رجیستری ها یا پرونده های الکترونیک سلامت همیشه در دسترس باشد. اتحاد چنین داده هایی نه تنها در چشم انداز مراقبت شخصی اساسی است، بلکه همانطور که مشخص است، می تواند قدرت پیش بینی بستری مجدد برخی از بیماران را بهبود بخشد. [۹۵]بنابراین نه تنها بر مدیریت بیماری بلکه بر هزینه ها و تنوع سیستم مراقبت های بهداشتی نیز تأثیر می گذارد که می تواند یک مانع اجتماعی نیز باشد. [۹۵]. با این وجود، استفاده از کلان داده همچنان در ماهیت خود دارای محدودیت هایی است، مانند خطرات سوگیری در انتخاب و جمع آوری نمونه (مثبت کاذب و منفی کاذب)، یا در پردازش اطلاعات، که می تواند نتایج را تغییر دهد. بنابراین، اعتبارسنجی توسط منابع خارجی برای جلوگیری از رسیدن به نتایج اشتباه مطلوب است [۹۶]. همچنین مشکلات احتمالی مربوط به انتساب مسئولیت در صورت بروز خطاهای پزشکی که با سوگیری های روش شناختی ذکر شده در بالا و با حفاظت از حریم خصوصی و امنیت داده های شخصی در هم تنیده شده است، به این حوزه مرتبط است. یکی دیگر از محدودیت های پژوهش ادبیات، کمبود اطلاعات در مورد تعمیم پذیری رویکردهای پیشنهادی است. در مقالات شناسایی‌شده، در واقع، نمونه‌های مورد تجزیه و تحلیل کوچک هستند و نشان‌دهنده تنوع شدید موقعیت‌های قابل تشخیص در عمل بالینی نیستند، هم از نظر ناهمگونی شرایط بیماران، تفاوت در ابزار بالینی در دسترس کولپوسکوپیست‌ها، و سطوح مختلف آمادگی. و روش های مختلف انجام معاینه کولپوسکوپی توسط پرسنل پزشکی و/یا پیراپزشکی در این زمینه. ما همچنین باید محدودیت های پزشکی مربوط به نواحی خاکستری ذاتی دانش ما از مشکلات، مانند HPV را بررسی کنیم. در حالی که آزمایش‌های غربالگری HPV انجام می‌شوند، علی‌رغم اینکه «استاندارد طلایی» و نسل‌های متعدد یا جدید را نشان می‌دهند، آنها نیز در معرض خطر عدم قطعیت تفسیری هستند. بسته به انتخاب مورد استفاده برای آموزش الگوریتم، سطوح دقت می تواند متفاوت باشد. همه اینها همچنین بی اعتمادی خاصی را نسبت به استفاده از سیستم های مبتنی بر هوش مصنوعی ایجاد می کند که می تواند محدودیتی برای پذیرش آنها باشد.

۹٫ نتیجه گیری

هوش مصنوعی با پیشرفت های قابل توجهی در اقدامات تشخیصی و درمانی، به سرعت در حال دگرگونی حوزه پزشکی است. در کولپوسکوپی، هوش مصنوعی پتانسیل قابل توجهی را برای افزایش دقت و کارایی برنامه های غربالگری سرطان دهانه رحم نشان می دهد. دیجیتالی کردن تجهیزات زنان و هیستوپاتولوژیک یک عامل کلیدی در این پیشرفت است که تولید تصاویر با کیفیت بالا را تسهیل می کند که می تواند توسط نرم افزارهای تشخیصی و درمانی پیشرفته استفاده شود. این تکامل تکنولوژیکی یک رویکرد پیشرفته برای بهبود غربالگری سرطان دهانه رحم ارائه می‌کند که نویدبخش مراقبت دقیق‌تر و شخصی‌شده‌تر از بیمار است. کاربردهای آینده هوش مصنوعی در پزشکی گسترده است. در رادیولوژی، الگوریتم‌های هوش مصنوعی در حال حاضر پیشرفت‌هایی در تجزیه و تحلیل داده‌های تصویربرداری دارند و به تشخیص زودهنگام بیماری‌ها کمک می‌کنند. در آندوسکوپی، هوش مصنوعی می‌تواند به تصمیم‌گیری در زمان واقعی کمک کند، در حالی که میکروسرجری رباتیک از توانایی هوش مصنوعی در افزایش دقت و کنترل سود می‌برد. علاوه بر این، پتانسیل هوش مصنوعی برای متحول کردن پزشکی شخصی، مراقبت های پیشگیرانه، و نظارت مداوم بر سلامت از طریق فناوری پوشیدنی، بر قدرت تحول آفرین آن در حوزه های مختلف پزشکی تاکید دارد. یکی از مزیت‌های اصلی هوش مصنوعی که می‌تواند حوزه غربالگری دهانه رحم را متحول کند، توانایی ابزارهای آن برای تجزیه و تحلیل متغیرهای ماهیت مختلف به منظور ادغام آنها برای ایجاد امتیاز ریسک است. این جنبه دارای یک پتانسیل دوگانه است: هم پیش آگهی، زیرا امکان پیش بینی پیشرفت بیماری یا پاسخ به درمان را در اختیار پزشک قرار می دهد و هم تحقیق، زیرا پتانسیل شناسایی و انتخاب نشانگرهای زیستی جدید را دارد که تا به امروز به جای ناشناخته بودن، از “تحلیل های نسل قدیم” پنهان می ماند. این بزرگترین زمینه تحقیقاتی است که در آینده نیاز به بررسی دارد.

علی‌رغم چشم‌اندازهای امیدوارکننده، ادغام هوش مصنوعی در عمل بالینی چندین ملاحظات مهم را مطرح می‌کند. در حالی که پتانسیل بهبود قابل توجهی در دقت غربالگری سرطان دهانه رحم و سایر روش های تشخیصی دارد، شناخت محدودیت ها و چالش های مرتبط با اجرای آن ضروری است. تخصص متخصصان زنان و پاتولوژیست ها ضروری است، زیرا مهارت های فوق تخصصی آنها برای تفسیر نتایج و تصمیم گیری های بالینی دقیق ضروری است. علاوه بر این، الگوریتم‌های هوش مصنوعی بر روی داده‌هایی آموزش داده می‌شوند که ممکن است دارای سوگیری یا خطا باشند، که می‌تواند منجر به نتایج نادرست شود. این امر بر اهمیت تحقیقات مداوم برای اصلاح سیستم‌های هوش مصنوعی و اطمینان از اینکه آنها مبتنی بر داده‌های جامع و بی‌طرف هستند، تأکید می‌کند. رویکرد هوش مصنوعی نه به عنوان جایگزینی برای پزشکان، بلکه به عنوان یک ابزار مکمل که برای حمایت و تقویت عملکرد بالینی طراحی شده است، حیاتی است. هدف باید ارائه ابزارهای پیشرفته به پزشکان باشد که مسیرهای تشخیصی و درمانی ایمن‌تر، هدفمندتر و شخصی‌شده‌تر را تسهیل کند. در نتیجه، در حالی که هوش مصنوعی دارای پتانسیل تحول آفرین برای بهبود دقت تشخیصی و نتایج بیمار است، پرداختن به چالش های مرتبط با در نظر گرفتن متفکرانه بسیار مهم است. تضمین شفافیت، کاهش تعصبات، و ادغام هوش مصنوعی در نقش حمایتی به جای جایگزینی برای تخصص انسانی ضروری است. با ادامه پیشرفت فناوری، تلاش‌های مشترک فن‌آوران، پزشکان و محققان در بهره‌گیری از مزایای هوش مصنوعی و در عین حال حفظ یکپارچگی عملکرد بالینی و مراقبت از بیمار، محوری خواهد بود.

منبع: https://www.mdpi.com/2673-2688/5/4/144