تاثیر ابزارهای هوشمند بر کنترل شیوع بیماری‌های فراگیر

ویروس کووید ۱۹ که اواخر سال ۲۰۱۹ شناسایی شد یک تهدید جهانی به شمار می‌رود. در ارتباط با کووید ۱۹، مراکز کنترل و پیشگیری از بیماری‌ها اعلام کردند شواهد نشان می‌دهد گسترش فرد به فرد کووید ۱۹ از طریق انتقال تنفسی است. همچنین انتقال ویروس از طریق تماس با اشیا آلوده و عدم رعایت فاصله مطمئن با فردی که ناقل است وجود دارد. از مهم‌ترین علائم و نشانه‌های کووید ۱۹ می‌توان به تب، سرفه، و تنگی نفس اشاره کرد. بر اساس دوره کمون یا نهفتگی بیماری برای سندروم حاد تنفسی خاورمیانه‌ای (MERS) و سندروم حاد و شدید تنفسی (SARS) و بر اساس گزارشات مربوط به سفرها، مراکز کنترل و پیشگیری بیماری‌ها اعلام داشتند علائم کووید ۱۹ دو تا چهارده روز در افراد بیمار آشکار می‌شود.

‎طبق اعلام سازمان بهداشت جهانی (WHO) تا تاریخ  19 می ۲۰۲۰، ایالات متحده 1550297 مورد ابتلا را گزارش کرده که 91981 نفر از آن‌ها جان باخته‌اند. روسیه 290678 مورد ابتلا را گزارش کرده که 2722 نفر از آن‌ها جان خود را از دست داده‌اند در مکان دوم فهرست سازمان بهداشت جهانی قرار دارد. چین که منشا شیوع کووید 19 است با 82960 مورد ابتلا که 4634 نفر از آن‌ها جان خود را از دست داده‌اند در مکان 13 قرار دارد. در حالی که آمار ابتلا به ویروس کرونا همچنان روبه افزایش است، اما میزان مرگ و میر این ویروس در مقایسه با سایر بیماری‌های تنفسی مشابه کمتر است. شکل 1 موارد قطعی ابتلا به کووید ۱۹ در سراسر جهان را تا تاریخ 9 مارس نشان می‌دهد. همه‌گیری جهانی کرونا، باعث شد تا سازمان بهداشت جهانی وضعیت فوق‌العاده اعلام کرده و از تمامی کشورها درخواست کند پروتکل‌های بهداشتی را به دقت رعایت کنند. ویروس کرونا موردی غافلگیر کننده نبود، چرا که در ۲۰۰۳ میلادی، ویروس دیگری از خانواده کرونا  به‌نام سارس شناسایی شد. داشنمندان در آن زمان حدس زدند که سارس توسط عامل عفونی ناشناخته‌ای به وجود آمده است. در همان مقطع زمانی برخی از شرکت‌ها فعال در حوزه فناوری دست به کار شدند تا به غیر از روش‌ها و درمان‌های بالینی از هوش مصنوعی در زمینه تشخیص بیماری‌ها و شناسایی الگوهای جدید بهداشتی استفاده کنند. ابزارهای مبتنی بر هوش مصنوعی داده‌ها و رخدادهای موجود را ارزیابی کرده و در رابطه با شیوع ویروس در یک منطقه یا کشور خاص پیش‌بینی‌های اولیه را ارائه می‌کنند. البته این مدل‌ها کارکرد مهم دیگری نیز دارند. آن‌ها با تجزیه و تحلیل داده‌ها سعی می‌کنند منشا شیوع بیماری‌‌های فراگیر شبیه به ویروس کرونا و رفتار ذاتی این ویروس‌ها در طبیعت را تحلیل کرده و اطلاعات ارزشمندی در اختیار پژوهشگران قرار دهند. با این حال، کارشناسان علم داده‌ها بر این باور هستند که ابزارهای مبتنی بر هوش مصنوعی تنها زمانی عملکرد قابل قبولی خواهند داشت که توسط مجموعه غنی از داده‌های به دست آمده از منابع مختلف و معتبر آموزش دیده باشند. الگوریتم‌های یادگیری ماشین سنتی نیازمند مجموعه‌ای مرتب و طبقه‌بندی شده از داده‌های تفسیر شده هستند تا روند آموزش آن‌ها به درستی تکمیل شود. در دو  دهه گذشته در جهت حل مشکلات الگوریتم‌های هوشمند پیشرفت‌های شگرفی انجام گرفته، اما تا رسیدن به نقطه ایده‌آل فاصله داریم. هنوز هم مسائل مختلفی باید حل شوند که از آن جمله می‌توان به مدل‌سازی بر مبنای یک طبقه‌بندی دقیق، ارزیابی وسعت و بزرگی نمونه‌های آموزشی و اعتبارسنجی دقیق داده‌هایی که قرار است از منابع مختلف دریافت شوند اشاره کرد که باید راه‌حل جامعی برای آن‌ها پیدا شود. به‌طور مثال، آموزش یک مدل مبتنی بر یادگیری عمیق به حجم بسیار زیادی از داده‌ها نیاز دارد، زیرا آموزش این نوع مدل‌ها فرآیندی پیچیده است. یادگیری عمیق، فناوری نیست که برای کاربردهای عادی به کار گرفته شود، با توجه به این‌که یادگیری عمیق به منابع پردازشی قدرتمند، انرژی زیاد و حجم گسترده‌ای از اطلاعات نیاز دارد عمدتا در رابطه با استخراج ویژگی‌های کوچک درون تصاویر رادیولوژی استفاده می‌شود. 
جمع‌آوری حجم زیادی از داده‌ها فرآیند کم اهمیت یا ساده‌ای نیست، به همین دلیل متخصصان مجبور هستند مدت زمان زیادی را صرف جمع‌آوری اطلاعات هدفمند و مرتبط با یکدیگر کنند. به‌طور مثال، بخش عمده‌ای از ابزارها و فناوری‌های هوشمندی که در رابطه با ویروس کرونا به کار گرفته شدند، مدل‌های اثبات مفهومی بودند. بیشتر کارشناسان هوش مصنوعی به این حقیقت اذعان دارند که داده‌های محدود ممکن است نتایج ناقص یا اشتباهی ارائه کنند و شدت شیوع یک اپیدمی شبیه به ویروس کرونا را شدید یا ضعیف نشان دهند. در نتیجه این احتمال وجود دارد در یک شهر آماده‌باش کامل برای مقابله با یک اپیدمی به صدا در آید، اما با گذشت زمان چنین اتفاقی رخ ندهد.

مجله وال استریت در گزارشی اعلام کرد ویروس کرونا محدودیت‌های پیرامون ابزار‌های سلامت مبتنی بر هوش مصنوعی را آشکار کرد. برخی سازندگان برنامه‌های کاربردی تشخیص بیماری‌ها به دلیل کمبود داده‌ها در ارتباط با ویروس کرونا و محدودیت‌های خدمات درمانی و ضعیف بودن الگوریتم‌های هوشمندی که برای پیش‌بینی بیماری‌ها از آن‌ها استفاده می‌شود، تصمیم گرفتند به‌روزرسانی ابزارهای خود را متوقف کنند. به عبارت دقیق‌تر، ابزارهای رایج مبتنی بر هوش مصنوعی زمانی که داده‌های چندان زیادی در اختیار نداشته باشند، عملکردی در حد انتظار ندارند. برای شناسایی بیماری‌های فراگیر انتظار می‌رود ابزارهای هوشمند از مدل‌های مبتنی بر یادگیری فعال استفاده کنند که قادر هستند داده‌های چندوجهی و چندحالتی را به کار گیرند. یادگیری فعال یکی از گرایش‌های مهم هوش مصنوعی است که برای کاربردهایی همچون پیش‌بینی شیوع بیماری‌های فراگیر عملکرد خوبی دارد. 

یادگیری فعال (AL)

در مقایسه با یادگیری غیر فعال (طبقه‌بندی‌های سنتی یادگیری ماشین) از یادگیری فعال (Active learning) برای تشخیص بهتر یک مشکل استفاده می‌شود. در یادگیری فعال، الگوریتم تنها می‌تواند برچسب‌های آموزشی را برای مجموعه‌ای محدود از نمونه‌ها به دست آورده و مجبور است انتخاب اشیا را با هدف دستیابی به برچسب‌ها بهینه کند. هر زمان اتفاق مهمی شبیه به شیوع یک بیماری همه‌گیر رخ دهد، مدل‌های هوشمند به نظارت ویژه‌ای نیاز دارند تا چرخه بررسی داده‌ها و تصمیم‌گیری به شکل مداوم و درست انجام شود، بدون اینکه روزها، ماه‌ها و حتا سال‌ها وقت صرف جمع‌آوری اطلاعات شود. با توجه به این‌که در مواقع اضطراری این امکان وجود ندارد تا سال‌ها وقت صرف جمع‌آوری و آموزش مدل‌ها شود و از طرفی تفسیر و بررسی دستی نتایج ارائه شده توسط الگوریتم بیش از اندازه زمان‌بر هستند، استخراج بلادرنگ داده‌ها ضروری است.
به عبارت دقیق‌تر به جای در اختیار داشتن مجموعه‌ای از آموزش‌ها، اعتبارسنجی‌ها و آزمايش نتایج ابزارهای هوش مصنوعی باید بتوانند بدون داشتن اطلاعات کافی راجع به داده‌ها طی زمان آموزش ببینند. چنین فرآیندی یادگیری فعال نام دارد. به بیان دیگر، مکانیزم یادگیری فعال به رویکرد خودیادگیری توسط مدل در گذر زمان و زیرنظر متخصصان مربوطه اشاره دارد و مبتنی بر یادگیری افزایشی (Incremental Learning) است.  در روش فوق مدل بر مبنای یک چرخه تکرارشونده آموزش می‌بیند تا بتواند بدون محدودیت با داده‌های جدید آموزش دیده و شناختش از موضوعات جدید هماهنگ با موضوعاتی باشد که پیش‌تر آموخته است. شکل 2 نمودار شماتیک یک مکانیزم هوش مصنوعی را نشان می‌دهد که از داده‌های مختلف در آن استفاده شده است. در هنگام یادگیری، ممکن است در طول زمان تغییراتی در داده‌ها رخ دهد که این موضوع با کمک  تکنیک‌های تشخیص ناهنجاری (Anomaly Detection) شناسایی می‌شوند. در ابزارهای مبتنی بر هوش مصنوعی، تشخیص ناهنجاری به پیدا کردن و شناسایی موارد نادر، رویدادها یا مشاهداتی که شک و تردید در آن‌ها وجود دارد کمک می‌کند.

مدل‌های آزمایشی هوش‌محور 

در کنار به‌کارگیری یادگیری ماشین، لازم است از رویکردهای دیگری همچون مدل‌های آموزشی هوش‌محور برای شناسایی دقیق‌تر اپیدمی در یک منطقه یا کشور خاص استفاده کرد، به دلیل این‌که در بیشتر موارد برای دسترسی به داده‌های مورد نیاز زمان کافی نداریم. به‌‌طور مثال، نیاز داریم به‌طور خودکار
n تعداد ویروس در ایتالیا توسط مدلی که در ووهان چین آموزش دیده، شناسایی شوند. به بیان دیگر، برای موارد خاص همچون بیماری‌های فراگیر، ضروری است که مدل‌های مبتنی بر هوش مصنوعی به گونه‌ای آموزش ببینند که قابلیت تشخیص و شناسایی خودکار را پیدا کنند. به موازات آن، داده‌های جمع‌آوری شده نیز می‌توانند برای آموزش مدل‌ها طی زمان استفاده شوند. 

داده‌های چندوجهی و چندحالته 

اغلب اوقات، ابزارهای مبتنی بر هوش مصنوعی به یک نوع داده محدود می‌شوند. تصمیماتی که تنها بر پایه یک نوع داده اتخاذ می‌شوند (صرف‌نظر از اندازه داده) ممکن است شدت تاثیرات شیوع یک اپیدمی را متفاوت از حالت واقعی نشان دهند. در چنین مواردی، استفاده از داده‌های چندوجهی و چندحالته می‌تواند به فرآیند تصمیم‌گیری با ضریب اطمینان بیشتر کمک کند. از آن‌جایی که ویروس‌های مسری، ویروس‌هایی پوشش داده شده با ژنوم RNA تک‌رشته‌ای و نوکلئوکپسید با تقارن مارپیچی هستند، مطمئن‌ترین داده‌ها برای ابزار‌های مبتنی بر هوش مصنوعی، غالبا دنباله‌های RNA‌ها هستند. علاوه بر این، سوابق الکترونیکی سلامت (EHR)، اسکن‌های توموگرافی کامپیوتری (CR)، اشعه X قفسه سینه (CRR) و داده‌های دیگر نیز باید مدنظر قرار گیرند. در نمونه کووید 19 هلدینگ علی‌بابا یک سیستم مبتنی بر هوش مصنوعی راه‌اندازی کرد که موفق شد عفونت ویروس کرونا را توسط CT اسکن‌ها با دقت نزدیک به ۹۶٪ تشخیص دهد. همان‌گونه که قبلا اشاره شد تشخیص ناهنجاری در تصاویر شامل پیدا کردن بخشی از تصاویر (مجموعه‌ای از پیکسل‌ها) با ناهنجاری و الگوهای غیر معمول است. از آن‌جایی که تشخیص ناهنجاری فقط محدود به داده‌های تصویری نیست، این امکان وجود دارد از رویکرد فوق در ارتباط با داده‌هایی که از یک وکتور (آرایه/سیگنال/الگو یک بعدی)، ماتریکس دو‌بعدی (برای مثال تصویر) و داده‌های چند‌بعدی دریافت می‌شوند استفاده کرد. پژوهشی که به تازگی انجام شده، نشان می‌دهد این امکان وجود دارد تا CT اسکن سینه (شکل 3) که برای تشخیص کووید ۱۹ استفاده می‌شود را برای آزمایشات واکنش زنجیره‌ای پلیمراز (polymerase) معکوسRT-PRC استفاده کرد.  از این رو، به جای استفاده از مدل‌های یادگیری ماشین مبتنی بر یک نوع داده مشخص باید به دنبال تکنیک‌های جامع‌تر برای مرتبط کردن نتایج جست‌وجوها بود. به عبارت دقیق‌تر به تمامی محققان هوش مصنوعی توصیه می‌شود از داده‌های چندوجهی و چندحالته استفاده کنند و این فرضیه را دنبال کنند که آیا داده‌های مختلف می‌توانند در طول زمان به اخذ تصمیمات موثر در کنترل و محدود کردن بیماری‌های فراگیر کمک کنند. 

نتیجه‌گیری
با در نظر گرفتن شیوع اپیدمی‌‌های دیگری در آینده در این مقاله ضرورت توجه بیشتر به ابزارهای مبتنی بر هوش مصنوعی و مدل‌های آموزشی را بررسی کردیم. در این مقاله سعی کردیم به این نکته اشاره کنیم که متخصصان هوش مصنوعی نباید همواره در انتظار مجموعه داده‌های کاملی برای آموزش، تایید و آزمايش مدل‌ها باشند. بهتر است  از همان ابتدای جمع‌آوری داده‌ها از ابزارهای مبتنی بر هوش مصنوعی به موازات حضور محققان و از رویکرد یادگیری فعال استفاده کنند. برای حصول اطمینان در زمان تصمیم‌گیری، بهتر است به جای وابستگی به یک نوع داده، داده‌های مختلفی استفاده شوند. انتظار می‌رود ابزارهای مبتنی بر هوش مصنوعی تا شیوع بیماری فراگیر بعدی به اندازه‌ای پیشرفت کرده باشند که بتوانند اطلاعات جامع‌تر و دقیق‌تری در اختیار مقامات مربوطه قرار دهند.