الأحد، 12 يناير 2020

كيف يمكن للذكاء الاصطناعي علاج أمراض الكلى بكفائة عالية الدقة

هذه المقال وغيرها تحت وسم "أفضل تدوينة" تعبر عن أراء أصحابها 

توظيف الذكاء الاصطناعي في أمراض الكلى، وكيف يمكن للذكاء الاصطناعي علاج أمراض الكلى بكفائة عالية الدقة



نبذة مختصرة
خلفية: 
ان الذكاء الاصطناعي يلعب الآن دور كبير في كل مجال تقريبا من حياتنا اليومية والتخصصات الأكاديمية بسبب نمو قوة الحوسبة ، والتقدم في الأساليب والتقنيات ، وانفجار كمية البيانات الضخمة ؛ ولعل من اكثر المجالات انتشارا هو مجال الطب والأدوية. بدلا من استبدال الأطباء ، الذكاء الاصطناعي هو زيادة ذكاء الأطباء في التشخيص و الدقة في اتخاذ قرارات العلاج. ملخص:مرض الكلى هو مُعضلة طبية بالاضافة الى العدد الكبير من المرضى المصابين به ، حيث يؤدي إلى ارتفاع معدلات الاعتلال والوفيات وكذلك عبء اقتصادي كبير. على الرغم من أن القائمة قدمت البحوث والأعمال التطبيقية بعض المساهمات للتنبؤ أكثر دقة وفهم أفضل لعلم الأمراض النسيجية ، هناك الكثير من العمل الذي يتعين القيام به ومشاكل لحلها لاتقان فن العلاج الذكي .

مقدمة الذكاء الاصطناعي
الذكاء الاصطناعي يلعب الآن دورا حاسما في ان كل مجال من مجالات حياتنا اليومية والتخصصات الأكاديمية ؛ وخاصة  مجال الطب والأدوية ,اذن ما هو الذكاء الاصطناعى؟
وفقًا لأحد الخبراء كارثي يُعرّف الذكاء الاصطناعي بأنه سلوك وخصائص معينة تتسم بها البرامج الحاسوبية تجعلها تحاكي القدرات الذهنية البشرية وأنماط عمله ، فإن نمو قوة الحوسبة ، والتقدم في الأساليب والتقنيات ، وانفجار كمية البيانات توسعت بشكل كبير لحل مجموعة واسعة من المهام بدقة متقنة. أحد الفروع الرئيسية للذكاء الاصناعي هو التعلم الآلي ،والذي يعرف بأنه دراسة الخوارزميات والإحصائيات و النماذج التي تستخدمها أنظمة الكمبيوتر للتعلم من عينةالبيانات والخبرة السابقة دون أن تكون مبرمجة بشكل صريح لأداء مهام محددة. مع قدرة تحديد الأنماط الخفية في البيانات ، والتعلم الآلي يمكن استخدامه لحل المشاكل المختلفة ، كتصنيف الموضوعات من قبل بعض المعايير ، مما يجعل التنبؤات على أساس الخصائص الأساسية، والتعرف على الكائنات مع أنماط مماثلة. كما تتضمن خوارزميات التعلم الآلي ناقل الدعم الآلة ، غابة عشوائية ، تدرج تعزيز الأشجار ، ومصطنعة الشبكة العصبية (ANN)



_____________________________________
 آلة حاسبة على الشبكة لنظام طبقية المخاطر في
"Nanjing IgAN". 
___________________________________
إمكانيات وتحديات المستقبل للذكاء الاصطناعي في طب الكلي.
من المعروف أن أمراض الكلى متعددة العوامل ، بحيث أنها تتسم بالمظاهر السريرية المعقدة والمتداخلة والتشكل ، التشخيص المتأخر والتقدم المزمن على الرغم من أن البحوث الحالية وتطبيقها قدمت الكثير من الأعمال و المساهمات الدقيقة والتنبؤ في الوقت المناسب وفهم أفضل لعلم الأمراض النسيجية ،الا ان هنالك الكثير الذي يتعين القيام به بمساعدة الانظمة الذكية وجلب فوائد حقيقية للمرضى والأطباء في أمراض الكلى بمساعدة الباحثين . أمراض الكلى عادة ما تشمل أعضاء أخرى ، وبعض جهازية الأمراض تؤثر أيضا على الكلى ، مما يؤدي إلى هذا الاحتمال من التشخيص الخاطئ والتشخيص المفتقد لهذا المرض كما يمكن أن يساعد الذكاء الاصطناعي الأطباء في تقليل التشخيص الخاطئ في مزيد من الفحص في بعض المؤشرات الحيوية أو تقديم آراء ثانية. بالإضافة إلى ذلك ، سوف تلعب أدوات الذكاء الاصطناعي دورًا أساسيًا في تحليل الصور الدقيقة والمعقدة  ، وتحسين كفاءة نماذج التنبؤ الفردية مدعوم من الذكاء الاصطناعي فهو ضروري للغاية لطبقة المخاطر الدقيقة للمرضى. اما الطب الشخصي فهو نهج رئيسي آخر لتحسين التخمين والحرص على بقاءالمرضى على قيد الحياة  .
كما ان تقنيات الذكاء الاصطناعي مثل التعلم التعزيز ، العودية التقسيم ، والتجميع قادرون على تحديد مجموعات فرعية من المرضى الذين يعانون من ردود غير متجانسة لنظم العلاج المختلفة ، ولديه القدرة على تحديدالعلاج المناسب لبعض الامراض , تطبيقات الذكاء الاصطناعي في العالم الحقيقي سوف تزيد على الأرجح الرعاية الصحية في مجالات الموارد الطبية   ذات الموارد غير الكافية ،  على سبيل المثال ، الحياة  والظروف الصحية للسكان خاصة الفقراء بسبب محدودية الوصول إلى مقدمي الرعاية الصحية المؤهلين[25]. وبطبيعته مناسب لتطبيقه في هذه المناطق ، بحيث واحد من نظام دعم القرار السريري الذكي قادر على خدمة عدد كبير من السكان ضمن نطاقها.بسبب ارتفاع معدل انتشار وانخفاض الوعي لأمراض الكلى والتشخيص المبكر، خاصة في المناطق التي تعاني من نقص الموارد


تطبيقات الذكاء الاصطناعي في التشخيص والتنبؤ والعلاج بأمثلة مختارة في اعتلال الكلية وأمراض أخرى.
____________________________________________________

من الانظمة الذكية، سوف يقوم  الاطباء والصحيين في مثل هذه المناطق   على فحص مرضى أمراض الكلى المحتملين وجعل الإحالات وفقا إلى مستويات المخاطر الخاصة بهم. في حالات أخرى حيث مؤهلي أخصائيو الرعاية الصحية نادرين بالنسبة لعدد كبير من السكان ،سوف تساعد أدوات إدارة المريض الذكية الإضافية في تقليل المرض وقت الانتظار ، وإدارة  متابعة المرضى، وتثقيف المرضى الذين يعانون من مرض الكلى فتوافر بيانات عالية الجودة هو تحد كبيرلأداء نماذج التعلم الآلي بشكل عام عند الوصول إلى كميات كبيرة من بيانات التدريب الشامل. وبالتالي، القضية الرئيسية للتطبيق من التعلم الآلي سيكون الاستفادة منه كبيرة ومجموعات بيانات متنوعة لتحسين أداء التعليم الآلي. بالاضاقة الى البيانات متعددة الأساليب : الجمع بين أساسية المعلومات والاختبارات المعملية والبيانات الوراثية قد تساعد لبناء نماذج التعلم الآلي مع دقة أعلى منذ ان يتم تضمين معلومات أكثر شمولا.مشكلة أخرى هي جودة البيانات. على الرغم من أجهزة تقنيات التعلم و الذكاء الاصطناعي لديها قدرة قوية على التعامل مع البيانات الضخمة ، فهي مثالية لتدريب نموذج مع تنظيف البيانات وتنسيقها. يؤدي إلى استنتاجات غير موثوق بها. على سبيل المثال ، حاولت شركة جوجل للتنبؤ بالانتشار الموسمي للأنفلونزا باستخدام أحد الأنظمة الذكية فأدخلت مصطلحات البحث في محرك البحث الخاص بها سنة 2008 ولأن أشكال البحث عند الناس تتغير كل عام كان  النموذج سيئًا للغاية في التنبؤ فتم وقفه بسرعة على الرغم من أنها مهمة صعبة ، إلا أنه ينبغي بذل جهود كبيرة لتطوير البيانات السريرية عالية الجودة. ونقل الموقع الإلكتروني "تيك إكسبلور" عن الباحث أندرو وونج، المتخصص في هندسة تصميم الأنظمة الإلكترونية، قوله إن "منظومة بي تو كيه يمكنها تغيير قواعد اللعبة بالنظر إلى قدرتها على فك رموز الروابط البروتينية الدقيقة داخل البيئات الكيميائية المعقدة، وبالتالي يمكنها إجراء تنبؤات دقيقة اعتمادا على البيانات المتوافرة لديها".

وأكد وونج أن "القدرة على الوصول إلى المعلومات الدقيقة بناء على نتائج علمية مثبتة سيدفع مجال الأبحاث الدوائية قدما"، مشيرا إلى أن منظومة "بي تو كيه" لديها القدرة على تغيير كيفية الاستفادة من البيانات في المستقبل". ويقول الباحثون إنه بالرغم من جمع كميات هائلة من البيانات بشأن المتواليات الحيوية، ليس استخلاص معلومات مفيدة وذات مغزى من هذه البيانات بالأمر الهين، ولكن منظومة "بي تو كيه" يمكنها مواجهة هذا التحدي من خلال فك شفرة العلاقات المعقدة داخل المعادلات الكيميائية الحيوية والتنبؤ بالارتباطات بين الأحماض الأمينية التي تتحكم في التفاعلات البروتينية.


الكاتب : أحمد طواهرية
البلد : الجزائر
المراجع:
1 McCarthy J. What is artificial intelligence?
Stanford University, Computer Science Department;
edu/jmc/whatisai/whatisai [accessed
2019/11/28].
2 Dawes TJ, de Marvao A, Shi W, Fletcher T,
Watson GM, Wharton J, et al. Machine
Learning of Three-dimensional Right Ventricular
Motion Enables Outcome Prediction
in Pulmonary Hypertension: A Cardiac MR
Imaging Study. Radiology. 2017 May; 283(2):
381–90.
3 Esteva A, Kuprel B, Novoa RA, Ko J, Swetter
SM, Blau HM, et al. Dermatologist-level classification
of skin cancer with deep neural networks.
Nature. 2017 Feb; 542(7639): 115–8.
4 Liu Y, Gadepalli K, Norouzi M, Dahl GE,
Kohlberger T, Boyko A, et al. Detecting cancer
metastases on gigapixel pathology images.
arXiv: 170302442. 2017.
5 Berry WD, Feldman S. Multiple regression in
practice. Sage; 1985.
6 Lee ET, Wang J. Statistical methods for survival
data analysis. John Wiley & Sons; 2003.
7 Shipp MA, Ross KN, Tamayo P, Weng AP,
Kutok JL, Aguiar RC, et al. Diffuse large B-cell
lymphoma outcome prediction by gene-expression
profiling and supervised machine
learning. Nat Med. 2002 Jan; 8(1): 68–74.
8 Motwani M, Dey D, Berman DS, Germano G,
Achenbach S, Al-Mallah MH, et al. Machine
learning for prediction of all-cause mortality
in patients with suspected coronary artery
disease: a 5-year multicentre prospective registry
analysis. Eur Heart J. 2017 Feb; 38(7):
500–7.
9 Rajkomar A, Dean J, Kohane I. Machine
learning in medicine. N Engl J Med. 2019 Apr;
380(14): 1347–58.
10 Komorowski M, Celi LA, Badawi O, Gordon
AC, Faisal AA. The Artificial Intelligence Clinician
learns optimal treatment strategies for
sepsis in intensive care. Nat Med. 2018 Nov;
24(11): 1716–20.
11 De Fauw J, Ledsam JR, Romera-Paredes B,
Nikolov S, Tomasev N, Blackwell S, et al. Clinically
applicable deep learning for diagnosis
and referral in retinal disease. Nat Med. 2018
Sep; 24(9): 1342–50.
12 Caravagna G, Giarratano Y, Ramazzotti D,
Tomlinson I, Graham TA, Sanguinetti G, et
al. Detecting repeated cancer evolution from
multi-region tumor sequencing data. Nat
Methods. 2018 Sep; 15(9): 707–14.
13 Bello AK, Levin A, Tonelli M, Okpechi IG,
Feehally J, Harris D, et al. Assessment of
Global Kidney Health Care Status. JAMA.
2017 May; 317(18): 1864–81.
14 Yang L. Acute Kidney Injury in Asia. Kidney
Dis (Basel). 2016 Oct; 2(3): 95–102.
15 Wang J, Zhang L, Tang SC, Kashihara N, Kim
YS, Togtokh A, et al.; ISN North and East Asia
Regional Board. Disease burden and challenges
of chronic kidney disease in North and
East Asia. Kidney Int. 2018 Jul; 94(1): 22–5.
16 Chen T, Li X, Li Y, Xia E, Qin Y, Liang S, et al.
Prediction and Risk Stratification of Kidney
Outcomes in IgA Nephropathy. Am J Kidney
Dis. 2019 Sep; 74(3): 300–9.
17 Chen T. Nanjing IgAN Risk Stratification System.
Available from: http:// HYPERLINK "http://101.89.80.183/"101.89.80.183:
8084/ESRD.html.
18 Hermsen M, de Bel T, den Boer M, Steenbergen
EJ, Kers J, Florquin S, et al. Deep Learning–
Based Histopathologic Assessment of
Kidney Tissue. J Am Soc Nephrol. 2019 Oct;
30(10): 1968–79.
19 Ginley B, Lutnick B, Jen K-Y, Fogo AB, Jain S,
Rosenberg A, et al. Computational segmentation
and classification of diabetic glomerulosclerosis.
J Am Soc Nephrol. 2019 Oct; 30(10):
1953–67
20 Tomašev N, Glorot X, Rae JW, Zielinski M,
Askham H, Saraiva A, et al. A clinically applicable
approach to continuous prediction of
future acute kidney injury. Nature. 2019 Aug;
572(7767): 116–9.
21 Kolachalama VB, Singh P, Lin CQ, Mun D,
Belghasem ME, Henderson JM, et al. Association
of pathological fibrosis with renal survival
using deep neural networks. Kidney Int
Rep. 2018 Jan; 3(2): 464–75.
22 Escandell-Montero P, Chermisi M, Martínez-
Martínez JM, Gómez-Sanchis J, Barbieri C,
Soria-Olivas E, et al. Optimization of anemia
treatment in hemodialysis patients via reinforcement
learning. Artif Intell Med. 2014
Sep; 62(1): 47–60.
23 Barbieri C, Molina M, Ponce P, Tothova M,
Cattinelli I, Ion Titapiccolo J, et al. An international
observational study suggests that artificial
intelligence for clinical decision support
optimizes anemia management in hemodialysis
patients. Kidney Int. 2016 Aug; 90(2):
422–9.
24 Saez-Rodriguez J, Rinschen MM, Floege J,
Kramann R. Big science and big data in nephrology.
Kidney Int. 2019 Jun; 95(6): 1326–
37.
25 Strasser R, Kam SM, Regalado SM. Rural
health care access and policy in developing
countries. Annu Rev Public Health. 2016;
37(1): 395–412.
26 Lazer D, Kennedy R, King G, Vespignani A.
Big data. The parable of Google Flu: traps in
big data analysis. Science. 2014 Mar;
343(6176): 1203–5.
27 Lyell D, Coiera E. Automation bias and verification
complexity: a systematic review. J Am
Med Inform Assoc. 2017 Mar; 24(2): 423–31.
28 Na L, Yang C, Lo C-C, Zhao F, Fukuoka Y,
Aswani A. Feasibility of reidentifying individuals
in large national physical activity data
sets from which protected health information
has been removed with use of machine learning.


هناك 30 تعليقًا:

  1. good article !!

    ردحذف
  2. مقالة ممتازة في قمة الروعة ����

    ردحذف
  3. تدوينة في القمة

    ردحذف
  4. goood nice .!!!

    ردحذف
  5. مقالة ممتازة ومحترفة

    ردحذف
  6. مقالة ذات كفائة عالية 🎓🎓

    ردحذف
  7. 👍Boravail et bonne continuation

    ردحذف
  8. مقالة جيدة ومحتوى حديث

    ردحذف
  9. روعة 🙏 عمل ممتاز نتمنى لك المزيد من التقدم والاستمرار

    ردحذف
  10. Very good article!!����

    ردحذف
  11. مقال في قمة الروعة وااصل

    ردحذف
  12. مقالة رغم صغر حجمها لكنها مفيدة جدا

    ردحذف
  13. تدوينة ذات محتوى حديث نوعا ما 🙏 عمل جيد ، إستمر 👍

    ردحذف
  14. تدوينة جد محترفة ، استمر ����

    ردحذف

Ads link

Labels