پیاده‌سازی مدل‌های هوشمند با هدف مقابله با بیماری‌های فراگیر در آینده

در همین ارتباط سومیا سوامیناتان دانشمند ارشد سازمان بهداشت جهانی می‌گوید: «کنترل ویروس کرونا دست‌کم چهار یا پنج سال زمان خواهد برد. ما نمی‌توانیم درباره وضعیت همه‌گیری این بیماری اظهارنظر روشنی ارائه کنیم یا نمی‌توانیم به صراحت اعلام کنیم آیا موفق به ساخت واکسن کارآمدی خواهیم شد یا خیر. این احتمال وجود دارد که ویروس فوق هیچ‌گاه از میان نرود. شمار افرادی که تاکنون ویروس کرونا را گرفته‌اند به نسبت جمیعت کروه زمین تقریبا پایین است و به همین دلیل نتایج حاصل از آزمایش پادتن افراد نمی‌تواند پاسخ روشنی در اختیار ما قرار دهد. در حال حاضر کمتر از 10 درصد جهان به ویروس کرونا آلوده شده‌اند و با توجه به عدم وجود واکسن مربوطه، سال‌ها زمان خواهد برد تا بیماری به مرحله بومی یا همان اندمیک وارد شود. زمانی که بیماری به مرحله بومی وارد شود، اغلب مردم در معرض آن قرار خواهند داشت و همانند سایر ویروس‌های فصلی به حیات ادامه می‌دهد، با این تفاوت که میزان کشندگی آن کمتر می‌شود.» بهترین فناوری که برای مقابله با بیماری‌های مسری در اختیارمان دارد هوش مصنوعی و الگوریتم‌های هوشمند است. با این‌حال به این نکته مهم دقت کنید طراحی و توسعه مدل‌های هوشمند پیش‌گویانه محدود به کشورهای پیشرفته یا درگیر بیماری‌های خاص نیست و این فرصت وجود دارد تا از ظرفیت و توان متخصصان داخلی برای ساخت مدل‌های پیشگویانه‌ای که قادر به شناسایی اپیدمی‌های بعدی هستند استفاده کرد. برای انجام این‌کار لازم است متخصصان و مسئولان ذیربط شناخت دقیقی در این ارتباط داشته باشند. بر همین اساس در این مقاله سعی کردیم، موضوعات به شکلی ساخته و پرداخته شوند تا اطلاعات اولیه در اختیار جامعه علمی و متخصص کشور قرار گیرد.

کووید 19 چرخه‌ای مشابه با ویروس‌های تنفسی دارد. مرحله اولیه با شناسایی موارد کمی از افرادی که دچار مشکلات تنفسی و عفونت شده‌اند آغاز می‌شود و واکنش‌های محدودی برای تشخیص علت بروز عفونت آغاز می‌شود، در ادامه بیماری به شکل یک اپیدمی گسترده شیوع پیدا کرده به کشورهای دیگر سرایت کرد و سپس به شکل فراگیر در کشورهای مختلف شناسایی می‌شود. در زمان نگارش این مقاله تعداد کیس‌های شناخته ویروس کرونا از مرز 4 میلیون 600 هزار مورد عبور کرده و تعداد جانباختگان نیز بالغ بر 300 هزار نفر گزارش شده است. کاربران و شرکت‌ها سوال می‌کنند که سرانجام چه زمانی این ویروس تحت کنترل انسان‌ها درخواهد آمد؟ همان‌گونه که اشاره شد پاسخ روشنی وجود ندارد و همه چیز به آزمایشگاه‌ها، پزشکان، دانشمندان و البته هوش مصنوعی بستگی دارد.

یادگیری ماشین در خدمت پیش‌بینی همه‌گیری بعدی

اگر می‌خواهید از یادگیری ماشین برای پیش‌بینی تحولات مختلف در آینده استفاده کنید، ابتدا باید به سراغ مجموعه‌ اتفاقاتی بروید که رخ داده است. به عبارت دقیق‌تر، از ژانویه تا می 2020 اتفاقات کوچک و بزرگی در ابعاد علمی، پزشکی، تحقیقاتی، اقتصادی، سیاسی، اجتماعی، آموزشی و حتا فرهنگی رخ داده که مجموعه این عوامل اجازه می‌دهند آینده متاثر از کووید 19 یا بیماری‌ همه‌گیر بعدی را پیش‌بینی کرده و برای مقابله با تهدیدات طبیعی ناخواسته آینده آماده شویم. درست است که درباره پیش‌بینی شیوع ویروس کووید 19 اطلاعات زیادی در اختیار نداشتیم، اما اکنون داده‌هایی در اختیار داریم که اجازه می‌دهند موج دوم این اپیدمی که گفته می‌شود در فصل پاییز و زمستان از راه خواهند رسید را توسط الگوریتم‌های هوشمند پیش‌بینی کرده و تدابیر مناسب را اتخاذ کنیم.

دسترسی دقیق و درست به اطلاعات

عدم به‌اشتراک‌گذاری به موقع و دقیق اطلاعات باعث شد تا کووید 19 به شکل غیر قابل مهاری در سراسر جهان شیوع پیدا کند، به‌طوری که بسیاری از کشورها را مجبور کرد دست به قرطنیه بزنند و تقریبا چرخه اقتصاد خود را برای مدتی هرچند کوتاه به حالت تعلیق درآورند. دسترسی به اطلاعات بومی از مناطق درگیر یک بیماری همه‌گیر و تزریق این اطلاعات به مدل‌های هوشمند اجازه دسترسی سریع به اطلاعات اولیه را می‌دهد. فناوری‌های پیشرفته‌ای همچون هوش مصنوعی که طی 20 سال گذشته مشاغل بسیاری را دست‌خوش تغییرات اساسی کرده‌اند اجازه می‌دهند به شکل دقیق‌تری بیماری همه‌گیر بعدی را شناسایی کرد.

قدرتمندترین راهکار پیش‌بینی‌ کننده

هوش مصنوعی قدرتمندترین فناوری تشخیص و پیش‌بینی الگوها در جهان است. آیا می‌توانیم از هوش مصنوعی برای پیش‌بینی همه‌گیری جهانی بعدی استفاده کنیم و به اندازه‌ای سریع باشیم که یک ویروس مهلک را به محض شناسایی از میان برده یا از شیوع گسترده آن جلوگیری کنیم؟ این یک سوال فوق‌العاده مهم است، زیرا پاسخ نباید به هشدارهای پزشکی محدود شود و لازم است از تمامی ظرفیت‌های هوش مصنوعی نه تنها در علم پزشکی بلکه در صنایع مختلف استفاده شود. هوش مصنوعی یا به‌طور خاص‌تر یادگیری ماشین می‌تواند داده‌های تاریخی، سوابق و فاکتورهای کلیدی را تجزیه و تحلیل کرده و به پیش‌بینی اتفاقات همچون همه‌گیری‌های آینده بپردازد. یادگیری ماشین تنها زمانی موفق به انجام این‌کار خواهد شد که دانشمندان داده‌های مناسب در اختیارش قرار دهند. الگوریتم‌ها به‌طور دایم شبکه‌های اجتماعی، پست‌های درون وبلاگ‌ها و مقالات علمی را رصد می‌کنند و به همین دلیل است که الگوریتم‌هایی شبیه به نمونه شرکت بلودات موفق شدند بیماری کووید 19 را در روزهای آغازین شناسایی کنند. اگر در نظر دارید از یادگیری ماشین برای پیش‌بینی اتفاقات مهم استفاده کنید، باید به نمونه‌های مشابه زیادی دسترسی داشته باشید. یادگیری ماشین تنها زمانی عملکرد خوبی دارد که به نمونه‌های کافی مستتر در بطن مجموعه‌های تاریخی دسترسی داشته باشد و با شناسایی متغیرهای کلیدی به پیش‌بینی رویدادهای آینده بپردازد. این رویکرد در مورد سایر رویدادهای پراکنده و متفاوت از یکدیگر همچون زمین‌لرزه، اتفاقات فرهنگی، تغییرات ناگهانی اوضاع جوی، تغییرات نادر در بستر دریاها و بیماری‌های همه‌گیر صدق می‌کند.

اگر به داده‌ها دسترسی ندارید، بازهم تسلیم نشوید

شاید به داده‌های مستقیمی برای پیش‌بینی وقایع بزرگ مانند ویروس کرونا دسترسی نداشته باشیم، اما همواره به داده‌های مشابهی دسترسی داریم که اجازه می‌دهند با استناد به نمونه‌های مشابه، رویدادهای دیگر را پیش‌بینی کنیم. در این‌جا ما درباره اصطلاحی به‌نام proxy events صحبت می‌کنیم که اشاره به رخدادهایی دارد که راه را برای پیش‌بینی رخداد‌های بزرگ‌تر فراهم می‌کنند. به‌عنوان مثال، دانشمندان علم داده‌ها می‌توانند با هدف پیش‌بینی تعداد روزهای بیماری افراد، تعداد قرار ملاقات‌ها با پزشکان، روند افزایشی چت‌ها در شبکه‌های اجتماعی پس از شیوع یک بیماری فراگیر مدل‌های یادگیری ماشین خاص منظوره را ایجاد کنند یا حتا مدل‌های بی‌شمار دیگری را تولید کنند تا اطلاعات مختلف را جمع‌آوری کرده و در اختیار یک مدل بزر‌گ‌تر قرار دهند تا یک رویداد بزرگ را پیش‌بینی کند. اجازه دهید برای روشن‌تر شدن موضوع به یک مثال ساده اشاره کنیم. زمانی که کووید 19 به شکل گسترده شیوع پیدا کرد، دورکاری به شکل گسترده‌ای رواج پیدا کرد و مردم از منازل خود به اینترنت متصل شدند، این روند در مقطعی از زمان به اندازه‌ای سنگین شد که باعث شد نگرانی‌هایی از بابت قطع دسترسی به اینترنت به وجود آید. در بعد دیگر شیوع این بیماری به یکباره بار کاری بیمارستان‌ها را دوچندان کرد و بسیاری از پزشکان و پرستاران را مجبور کرد برای ساعت، روزها و حتا هفته‌های متوالی در محل کار حاضر شوند، بدون آن‌که آمادگی چنین اتفاقی را داشته باشند. در بعد دیگر سیستم‌های آموزشی به یکباره غافل‌گیر شدند و برای مدت زمانی هیچ‌کس به درستی نمی‌دانست اکنون باید بر مبنای چه راهکاری روند آموزش ادامه پیدا کند. در بعد اقتصادی نیز کشورها به یکباره در تراز تجاری خود با مشکلات مختلفی روبرو شدند و مجموعه‌ای از اتفاقات غیرمنتظره رخ داد که کاهش بی سابقه قیمت نفت از جمله این موارد بود. حال اگر برای هر یک از نمونه‌های یاد شده از قبل مدل‌های کوچکی آماده شده بود که داده‌های مربوط را جمع‌آوری و در صورت لزوم تحلیل می‌کرد و در نهایت داده‌ها را در اختیار مدل بزرگ‌تر و جامع‌تری قرار می‌داد، بسیاری از مشکلات قابل پیش‌بینی بود و تبعات منفی به حداقل می‌رسید. مدل فوق دقیقا همان چیزی است که اقتصاددانان، بازرگانان، خرده‌فروشان و بسیاری از صنایع دیگر برای پیش‌بینی تولید ناخالص داخلی، شناسایی بازار هدف و آن‌چه مشتریان خریداری می‌کنند از آن استفاده می‌کنند. برخی از صنایع به رویکردهای نوین مبتنی بر مدل‌های یادگیری ماشین روی آورده‌اند، در حالی که برخی دیگر (شاید بیشتر آن‌ها) از مدل‌های سنتی پیش‌بینی، ریاضیات یا مدل‌های مبتنی بر قواعد برای پیش‌بینی چنین رخدادهایی استفاده می‌کنند. دقت کنید بهترین نتایج زمانی حاصل می‌شود که ترکیب رویکردهای مختلف استفاده شوند.

تشخیص بیماری‌ها

علی‌بابا، هلدینگ بزرگ چین در اوج شیوع ویروس کرونا اعلام کرد سامانه مبتنی بر هوش مصنوعی را طراحی کرده که قادر است با دقت 96 درصد و کمتر از 20 ثانیه از روی تصاویر سی‌تی‌اسکن ریه افراد، موارد مشکوک به بیماری کرونا را تشخیص دهد. الگوریتمی که علی‌بابا از آن استفاده کرده بود، توسط موسسه تحقیقاتی آکادامی دامو ساخته شده بود. به گفته سازندگان، این الگوریتم هوشمند پس از مشاهده تصاویر سی‌تی‌اسکن بیش از 5 هزار مورد ابتلا به بیماری کرونا، پروتکل‌ها و مقالات منتشر شده در ارتباط با کووید 19 موفق به شناسایی علایم این بیماری شده بود. بیمارستان Zhengzhou Qiboshan اولین مرکز بهداشتی بود که به شکل رسمی از این سامانه برای شناسایی افراد بیمار استفاده کرد. در شرایط عادی پزشکان به 5 تا 15 دقیقه زمان نیاز دارند تا موارد ابتلا را از روی تصاویر سی‌تی‌اسکن شناسایی کنند، سامانه فوق توانست فشار کاری را به میزان قابل توجهی کم کرد. پس از طی دوره آزمایشی، این سامانه هوشمند در 100 بیمارستان دیگر چین به کار گرفته شد. کاربرد هوش مصنوعی محدود به تجزیه و تحلیل تصاویر سی‌تی‌اسکن نشد و در گامی دیگر پژوهشگران موفق به ساخت سامانه‌های هوشمندی شدند که برای تشخیص ویروس کرونا قادر به تشخیص دمای بدن انسان‌ها بود. این سامانه‌ها توسط شرکت‌های بایدو و مگوی طراحی و توسعه پیدا کردند. سامانه طراحی شده توسط این دو شرکت بزرگ چینی به این شکل کار می‌کنند که الگوریتم‌های یادگیری ماشین و دوربین‌های حرارتی را با یکدیگر ترکیب می‌کند و در ادامه مقامات مربوطه این سامانه ترکیبی را در متروها، فرودگاه‌ها و معابر پر تردد نصب می‌کنند تا از راه دور دمای بدن افراد را نشان دهد. سامانه شرکت مگوی با ضریب خطای 0.3 درجه سلسیوس و در محدوده 5 متری حتا زمانی که افراد کلاه و ماسک دارند، دمای بدن آن‌ها را اندازه‌گیری می‌کند. جالب آن‌که یک اپراتوار ساده با حداقل دانش فنی قادر است افراد مشکوک را شناسایی کند. شکل 1 نمونه‌ای از عملکرد این سامانه هوشمند را نشان می‌دهد. سامانه‌ای که شرکت بایدو طراحی کرده در هر دقیقه قادر به پویش دمای بدن 200 نفر با ضریب خطای 0.5 درجه سلسیوس است. این سامانه هر زمان دمای بدن فردی را بالاتر از 37.3 درجه تشخیص دهد، نشانه‌ای دال بر وجود ویروس کرونا تفسیر کرده و هشداری برای اپراتور صادر می‌کند.

شناسایی راه درمان

هوش مصنوعی در شناسایی راه‌های درمانی برای کووید 19 به موفقیت‌هایی دست پیدا کرده است. استوبنت مدیر اسبق زیست‌پایش ملی ایالات متحده که اکنون مدیر SAS بزرگ‌ترین شرکت تحلیل داده‌ها در ایالات متحده است در این ارتباط می‌گوید: «ساخت واکسنی برای ویروس کرونا بیشتر حول محور آزمون و خطا است. جامعه پزشکی در گذشته موفق به ساخت واکنس‌هایی برای ویروس‌های مشابه شده، درست در همین نقطه است که می‌توانیم از ظرفیت‌های هوش مصنوعی استفاده کنیم. هوش مصنوعی با شناسایی الگوهای مشابه ویروس‌ها شانس ساختن یک واکسن موثر را چند برابر افزایش داده و زمان ساخت واکسن دقیق را کوتاه‌تر می‌کند. به‌طور مثال، در یک نمونه آزمایشی هوش مصنوعی پیشنهاد ترکیب 6 داروی مختلف را به پزشکان ارائه کرده که ممکن است راهکاری برای غلبه بر کووید 19 باشد.»