شبکه های عصبی در پزشکی

17 ژوئن, 2019 تازه ها, تازه های هوش مصنوعی نظری بدهید

مقدمه

شبکه های عصبی از اواخر ۱۹۸۰ در پزشکی مورد استفاده قرار گرفتند. هر دو شبکه با یادگیری با معلم و یادگیری بدون معلم به عنوان راهکارهای موفق در طب استفاده شده اند. در بسیاری از تحقیقات طبی که نتیجه گیری از داده های حجیم مربوط به یک بیماری خاص به طور دستی امکان نداشته است، شبکه های عصبی توانسته اند در تشخیص بیماری به پزشکان یاری رسانند. دقت و صحت نتایج نهایی بدست آمده از شبکه فقط به ساختار شبکه وابسته نبوده بلکه به داده هایی که برای آموزش شبکه به کار می روند نیز بستگی دارد. اگر اطلاعات درست از تعداد بیماران بیشتری در دست باشد، عملکرد شبکه بهبود قابل توجهی خواهد یافت.

تکنولوژی به اشکال مختلف از خدمات پزشکی پشتیبانی می کند که یکی از مهم ترین محدوده ها حیطه الکترونیکی پزشکی (EMR) است. داشتن سیستم های کامپیوتری مدارک پزشکی، منافع بسیاری مانند پیشرفت درمان بیماری، کاهش هزینه ها، ارتباط بهتر میان داده های به دست آمده از بیمار، توانایی بیشتر در بالابردن کیفیت خدمات بهداشتی و … دارد. دلایل مختلفی برای رشد آهسته سیستم های کامپیوتری در پزشکی وجود دارد که از جمله آن، مسئله محرمانگی و امنیت داده ها می باشد.

شبکه عصبی

یک شبکه عصبی مصنوعی ( ANN ) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم پیوسته تشکیل شده؛ نورون ها که برای حل یک مسأله با هم هماهنگ عمل می کند. ANN ها ، نظیر انسان ها ، با مثال یاد می گیرند . یک ANN برای انجام وظیفه های مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یادگیری ، تنظیم می شود . در سیستم های زیستی یادگیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این روش در ANN ها هم صادق می باشد.

ساختار شبکه های عصبی

یک شبکه عصبی شامل اجزاء سازنده ای به نام لایه ها و وزن ها می باشد . رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکه های عصبی ۳ نوع لایه نورونی وجود دارد :

- - لایه ورودی : دریافت اطلاعات خامی که به شبکه تغذیه شده است.
  - لایه های مخفی : عملکرد لایه های مخفی به وسیله ورودی ها و وزن ارتباط بین آن ها و لایه های مخفی تعیین می شود. وزن های بین واحدهای ورودی و مخفی تعیین می کند چه وقت یک واحد مخفی باید فعال شود.
  - لایه خروجی : عملکرد واحد خروجی بسته به فعالیت واحد مخفی و وزن ارتباط بین واحد مخفی و خروجی می باشد.

شبکه های تک لایه و چند لایه نیز وجود دارند که سازماندهی تک لایه که در آن تمام واحد ها به یک لایه اتصال دارند بیشترین مورداستفاده را دارد و پتانسیل محاسباتی بیشتری نسبت به سازماندهی های چند لایه دارد. در شبکه های چند لایه واحدها به وسیله لایه ها شماره گذاری می شوند. هر دو لایه از یک شبکه به وسیله وزن ها و در واقع اتصالات با هم ارتباط می یابند.

کاربرد شبکه عصبی در تشخیص سرطان سینه :

برای تشخیص سرطان سینه در پزشکی از شبکه پرسپترون یک لایه و الگوریتم یادگیری پس انتشار خطا ( Back Propagation ) برای آموزش استفاده می شود. یک پرسپترون برداری از ورودی های با مقادیر حقیقی را گرفته و یک ترکیب خطی از این ورودی ها را محاسبه می کند. اگر حاصل از یک مقدار آستانه بیشتر بود خروجی پرسپترون برابر با ۱ و در غیر اینصورت معادل ۱‐ خواهد بود. برای یادگیری وزن های یک شبکه چند لایه از روش پس انتشار خطا ( Back Propagation ) استفاده می شود در این روش با استفاده از گرادیان نزولی ( Gradient Descent ) سعی می شود تا مربع خطای بین خروجی های شبکه و تابع هدف مینیمم شود.

در شبکه های عصبی با میسر کردن اطلاعاتی از جمله خوش خیمی و یا بد خیمی تومرها، همچنین تشخیص نوع پیشرفته سرطان که سابقاً فقط توسط جراحی های نمونه برداری بافت زنده قابل دسترسی بوده، پتانسیل زیادی برای بهبود روش های مدیریت بیماران دارای ضایعات سینه دارند. با استفاده از این شبکه ها می توان تعداد جراحی های غیر ضروری روی بیماران را کاهش داده و هزینه های مربوط را کم کرد . ماموگرافی و فراصوت دارای حساسیت خوبی است، بدین معنی که از روی تصاویر ماموگرافی با در صد اطمینان قابل قبولی می توان موارد سالم و غیر سرطانی را تشخیص داد ولی در تشخیص موارد سرطانی قابل اعتماد نیست و به همین دلیل ۶۵ % از مواردی که به نمونه داری ارجاع داده می شوند دارای ضایعات خوش خیم می باشند که در واقع نیازی به نمونه برداری ندارند.

ورودی شبکه :

ورودی های شبکه عصبی، اطلاعات کد شده پزشکی هستند که به وسیله ابزارهای آزمایشگاهی پزشکی نظیر ماموگرافی، فراصوت ( Ultra Sonic ) و یا از سوابق بیماران استخراج شده اند و خروجی های نهایی که به عنوان نتایج مطلوب به شبکه اعمال می شوند، نتایج حاصل از نمونه برداری ( Biopsy ) می باشند؛ که به سه دسته خوش خیم، بدخیم و سرطان پیشرو تقسیم می شوند. عکس ها توسط رادیولوژیست ها در سیستم BI0RADS تفسیر شده اند. در شبکه عصبی از یافته های ماموگرافی ( BI‐RADS ) و سوابق بیماران استفاده می کند تا تشخیص دهد که آیا ضایعات خوش خیم و یا بدخیم هستند. اگر شبکه به درستی تشخیص دهد که ضاعیات خوش خیمند آن بیماران می توانند با صرف هزینه کمتر به جای نمونه برداری تحت یک دوره کوتاه درمان و پیگیری با ماموگرافی قرار گیرند. از ۵۰۰ مورد مشکوک در ماموگرافی که تحت جراحی قرار گرفته بودند استفاده کرد، که شامل ۱۷۴ مورد بدخیم و ۳۲۶ فرد دارای سرطان خوش خیم است و در هر مورد ۱۰ پارامتر BI‐RADS به همراه سن بیماران استخراج و به عنوان ورودی برای آموزش به شبکه اعمال شده است. در خروجی داده مقادیری در بازه [۰،۱] قرار گرفته است که در اینجا یک به معنای سرطان بدخیم و صفر به معنای سرطان خوش خیم است. که برای جدا کردن این دو گروه در خروجی مقداری را به عنوان سطح آستانه در نظر می گیریم که مقادیر بالاتر از آن نشان دهنده بدخیم بودن آن مورد و مقادیر پائین تر به معنی خوش خیم سرطان آن فرد خواهد بود. هر چه مقدار حد آستانه کمتر باشد مواردی که زیر آن قرار می گیرند با احتمال بیشتری خوش خیمند و حساسیت بالاتر رفته است.

نتیجه گیری :

شبکه های عصبی با توجه به توانایی های منحصر به فرد خود کمک علم پزشکی آمده اند و در مواردی که این علم هنوز نتوانسته نارسایی های خود را به تنهایی بر طرف کند، کمک شایانی در رفع ناتوانایی های آن ارائه می دهند. کاهش هزینه ها، بالاترین اطمینان ودقت پزشکان در تصمیم گیری های خود، ساخت وسایل پزشکی کارا تر از جمله خدماتی است که شبکه های عصبی برای پزشکان انجام داده اند. امید است با تعامل هر چه بیشتر بین مهندسین و پزشکان ، گام های مؤثرتری در بهبود زندگی بشر برداشته باشد.