آیا هوش مصنوعی می‌تواند از وقوع اپدیمی ویروسی بعدی جلوگیری کند؟
هشدار هوش مصنوعی  پیش از اپیدمی کرونا
ویروس کرونا این روزها، به زادگاهش در ووهان چین بسنده نکرده و در حال تاخت تاز به چهار سوی عالم است. متاسفانه کشور ما هم جز یکی از نقاطی است که آلودگی نسبتا شدیدی را تجربه می‌کند و تعدادی از هموطنان ما جان خود را در اثر ابتلا به این ویروس از دست داده‌اند. مردم ما روزهای سخت و پراضطرابی را تجربه می‌کنند. اضطرابی که شاید می‌توانست با واکنش به موقع مقامات چینی در اولین روزهای شیوع بیماری و حتی پیش از آن، با توجه بیشتر به داده‌های هوش مصنوعی تا این حد شدید نباشد.

فناوری اطلاعات تاکنون خدمات ارزنده‌ای را در حوزه بهداشت و درمان ارایه کرده است. اما امید می‌رود که بیشترین تاثیر را در آینده نزدیک هوش مصنوعی در پیش‌گیری و درمان بیماری‌ها و به ویژه شیوع بیماری‌های ویروسی داشته باشد. وجود گوشی‌های موبایل در اغلب نقاط دنیا، حضور تعداد زیادی از مردم در شبکه‌های اجتماعی و سایت‌های مختلف و حجم بزرگی از اطلاعات که در این شبکه‌ها به وجود می‌آید، این امکان را فراهم می‌کند که الگوهای مشخصی از درون داده‌ها بیرون کشیده شود و به عنوان نخستین نشانی‌های یک بیماری در نظر گرفته شود. فرصتی که برای شناسایی و مهار ویروس کرونا مهیا بود اما متاسفانه از دست رفت. کرونا هم مانند سایر اپیدمی‌ها سرانجام مهار خواهد شد اما مهم این است که ما قبول کنیم در جهانی زندگی می‌کنیم که امکان جلوگیری از وقوع چنین فجایعی را دارد؛ تنها اگر بهای لازم به آن داده شود.

 زمانی که تازه ویروس کرونا در چین شناسایی شده بود، گروهی از محققان هوش مصنوعی به سراغ تکنیک‌های یادگیری ماشین رفتند تا اطلاعات موجود در شبکه‌های اجتماعی، وب‌سایت‌ها و سایر داده‌هایی که اشاره به عفونت‌های ریوی داشتند را برای شناسایی نشانه‌های ظریف این بیماری جمع‌آوری کنند تا مانع از آن شوند تا این بیماری مشکوک به سرعت فراگیر شود. عملکرد پژوهشگران در این زمینه مثبت بود و توانستند در روزهای آغازین این بیماری عفونی و مسری را شناسایی کرده و اطلاع‌رسانی به موقع را انجام دهند، اما عملکرد دولت‌ها و سازمان‌های بهداشتی در این زمینه ضعیف بود و همین مسئله باعث شد تا یک بیماری قابل کنترل تبدیل به یک آلودگی فراگیر شود. با توجه به این‌که در زمان نگارش این مقاله هیچ داروی خاصی برای این بیماری کشف نشده، پژوهشگران پیشنهاد دادند برای پیشگیری از بروز بیماری‌های فراگیر در آینده باید از هوش مصنوعی استفاده کرد تا روند شناسایی کوتاه‌تر و تولید داروها سریع‌تر شود.

شروع یک اپیدمی بزرگ

در روزهای پایانی سال 2019 میلادی، پاندمی (همه‌گیری جهانی) بزرگی در شهر ووهان چین آغاز شد که علایمی شبیه به بیماری‌های تنفسی حاد همچون سارس داشت. این ویروس جدید که ابتدا کرونا و پس از آن nCov-2019 نامیده شد در کمتر از 2 ماه توانست به بسیاری از کشورهای جهان سرایت کرده و باعث مرگ‌ومیر انسان‌های زیادی شد. گزارش‌های اولیه نشان می‌دهد بخش عمده‌ای از قربانیان ساکن کشور چین و در محدوده سنی 70 تا 80 سال قرار داشتند. سازمان بهداشت جهانی در گزارش‌های اولیه خود در تاریخ 31 دسامبر 2019 میلادی گزارشی در مورد ابتلا به پنومونی منتشر کرد که عامل پدیدآورده آن به ویروس‌های شناخته شده شباهتی نداشت. در نهایت ویروس جدید در تاریخ 7 ژانویه شناسایی و مشخص شد از خانواده ویروس‌های سرماخوردگی همچون سارس (SARS) و مرس (MERS) است. در شرایطی که اغلب کشورهای جهان در یک دهه گذشته تجربه مبارزه با بیماری‌های همه‌گیر را داشتند، اما ویروس جدید بازهم موفق شد بیشتر کشورهای جهان را غافل‌گیرد. اولین بار در تاریخ 29 ژانویه اعلام شد که نشانه‌های این ویروس تنفسی در 19 کشور مشاهده شده و تنها در دو شهر ووهان و هانگانگ چیزی نزدیک به 18 میلیون نفر قرنطیه شدند. شکل 1 نقشه آلودگی ویروس در ماه‌های اولیه انتشار در کشورهای مختلف را نشان می‌دهد.


شکل 1 - ویروس کرونا در کمتر از یک ماه موفق شد بیش از 6 هزار نفر را آلوده کرده و باعث مرگ 132 نفر شود. 

سهل‌انگاری و خطای انسانی عامل اصلی گسترش سریع ویروس

در روزهای اولیه متخصصان و پزشکان اعلام کردند مرگ‌ومیر ناشی از ویروس کرونا نزدیک به 3 درصد است که به نسبت سارس با 10 درصد و مرس با 34 درصد کمتر است، اما فرآیند انتقال کرونا از فردی به فرد دیگر در مقایسه با ویروس‌های یاد شده بیشتر است و افراد حتا با یک تماس ساده می‌توانند به این ویروس آلوده شوند. گمانه‌زنی‌هایی در این خصوص وجود دارد که سهل‌انگاری سازمان‌های بین‌المللی مسئول و اطلاع‌رسانی دیرهنگام، ملاحظات اقتصادی و سیاسی و تصمیم‌گیری دیرهنگام در خصوص تنویر افکار عمومی عامل شیوع این بیماری عفونی هستند. تئودور آدهانوم، دبیر کل سازمان بهداشت جهانی اولین بار در 29 ژانویه در حساب توئیتری خود از بابت اطلاع‌رسانی دیر‌هنگام در خصوص خطر جهانی ویروس کرونا عذرخواهی کرد و علت را خطای انسانی در ثبت گزارش اعلام کرد. این موضوع نشان می‌دهد نهادهای بزرگی همچون سازمان بهداشت جهانی نیز می‌توانند در برخی موارد دیر اقدام کنند، در حالی‌که فناوری‌های نوین در این زمینه اشتباه نمی‌کنند و می‌توانند در کوتاه‌ترین زمان ممکن بیماری‌ها را شناسایی کرده و حتا به شکل خودکار هشدارهایی برای نهادهای مسئول ارسال کنند. 

شناسایی اپیدمی بزرگ با کمک هوش مصنوعی

سایت وایرد در تاریخ 25 ژانویه در گزارشی اعلام کرد شرکت BlueDot اولین نشانه‌های هشدار این بیمار عفونی در ووهان را تشخیص داد و در تاریخ 31 دسامبر هشدارهایی برای سازمان‌های ذیرربط و مشتریان خود ارسال کرد. گزارش سایت وایرد نشان می‌دهد این شرکت کانادایی با استفاده از الگوریتم‌های یادگیری ماشین پیش‌بینی کرد کرونا در چه مناطقی مشاهده خواهد شد. BlueDot به مدیریت دکتر کامران خان در سال 2003 میلادی تاسیس شد. دکتر عمران خان در زمان شیوع بیماری فراگیر سارس تجربیات ارزشمندی در زمینه شناسایی و مبارزه با این بیماری پیدا کرد و تصمیم گرفت BlueDot را با رویکردی متفاوت و تلفیقی از کادر پزشکی متخصص و کارشناسان هوش مصنوعی تاسیس کند. شرکتی که اکنون 40 کارمند دارد و در سه مرحله توانسته سرمایه‌‌ای معادل 9.4 میلیون دلار جذب کند. راهکار ابداعی بلودات این‌گونه است که از یادگیری ماشین و پردازش زبان طبیعی برای تحلیل داده‌های موجود در اخبار محلی، بررسی تاریخچه بلیط‌های پروازی به انضمام گزارش انتشار بیماری‌های حیوانات و گیاهان استفاده می‌کند تا قبل همه‌گیر شدن بیماری‌ها هشدارهایی برای سازمان‌های مربوطه ارسال کند. این دومین تجربه بزرگ این شرکت در پیش‌بینی بیماری‌های فراگیر است. پیش از این بلودات موفق شده بود اپیدمی‌های بزرگ دیگری از جمله ویروس زیکا در جنوب فلوریدا را پیش‌بینی کند. دستاوردهای آن پژوهش در مجله Lancet به چاپ رسید. در ارتباط با ویروس کرونا این شرکت ضمن آن‌که موفق شد سریع‌تر از سازمان‌های مربوطه هشدار لازم را ارسال کند با موفقیت توانست انتشار بعدی این ویروس در شهرهای بانکوک، سئول، تایپه و توکیو را به درستی پیش‌بینی کند. 

زمان به‌کارگیری موثر فناوری‌های دیجیتال در حوزه بهداشت فرارسیده است 

فناوری‌های هوشمند این ظرفیت را دارند تا ضمن صرفه‌جویی میلیون‌ها دلاری در واحدهای تحقیق و توسعه، فرآیند آماده‌سازی داروها و واکسن‌ها را کاهش دهند. زمستان امسال یکی از پر التهاب‌ترین فصل‌ها برای سازمان‌های بهداشت و درمان بود. در حالی که کشورهای جهان در تلاش برای مهار و مقابله با ویروس کرونا بودند، مرکز کنترل و پیشگیری از بیماری‌های (CDC) ایالات متحده گزارش داد در یک سال گذشته نزدیک به 19 میلیون نفر در این کشور به بیماری آنفولانزا مبتلا شدند که از این تعداد 180 هزار راهی بیمارستان شدند و بیش از هزار نفر جان خود را از دست دادند. این گزارش در شرایطی منتشر شد که ویروس کرونا با نام عملی COVID-19 به سرعت در کشورهای مختلف مشاهده شد. گسترش سریع این بیماری باعث شد تا یکی از مهم‌ترین رویدادهای حوزه فناوری کنگره جهانی موبایل (MWC 2020) لغو شود، میزان تولید و فروش گوشی‌های آی‌فون به میزان قابل توجهی کاهش پیدا کند و برخی از شرکت‌های بزرگ همچون سامسونگ به دلیل شناسایی یک مورد مشکوک به کرونا فعالیت‌های تجاری خود را برای مدتی به حالت تعلیق در آورند. هوش مصنوعی تاکنون توانسته است در چند نوبت بیماری‌های مهم را به درستی تشخیص داده یا راه‌های درمانی دقیقی به پزشکان پیشنهاد دهند، به همین دلیل کارشناسان بر این باور هستند که این امکان وجود دارد تا فرمول‌ها و داروهایی که توسط هوش‌مصنوعی به شکل آزمایشگاهی و شبیه‌سازی شده طراحی شده‌اند را به تولید انبوه رساند و پیش از شیوع یک بیماری فراگیر دیگر در آینده از این فرمول‌ها برای ساخت یک واکسن موثر استفاده کرد. امروزه بیشتر روش‌های رایج برای تولید و ساخت دارو‌ها و واکسن‌ها ناکارآمد و زمان‌بر هستند. در یک دهه گذشته پزشکان و محققان به شکل جدی‌تر مولکول‌ها را تحلیل و ارزیابی کرده‌اند و همواره سعی کرده‌اند از رویکرد‌های مختلف آزمون و خطا برای شناخت علت بروز برخی بیماری‌ها همچون آنفولانزا استفاده کنند. پژوهشی که سال 2019 میلادی توسط مرکز تحقیقات تافتنز انجام شد، نشان داد که طراحی و توسعه یک داروی واحد برای درمان یک بیماری خاص به چیزی در حدود 2.6 میلیارد دلار سرمایه نیاز دارد و جالب‌تر آن‌که تنها 12 درصد از داروهایی که وارد مرحله آزمایش بالینی شده‌اند این شانس را پیدا کرده‌اند تا از سازمان غذا و داروی ایالات متحده مجوز لازم را کسب کنند. دکتر اوا ماریا اﺳﺘﺮاوچ (Eva-Maria Strauch)، استادیار علوم دارویی و زیست‌پزشکی دانشگاه جورجیا در گفت‌وگویی با سایت انگجت به نکته جالبی اشاره کرد: «سازمان غذا و داروی ایالات متحده به سختی مجوز به‌کارگیری یک دارو یا واکسن را صادر می‌کند. به‌طور معمول پنج تا ده سال زمان می‌برد تا شرکتی بتواند برای دارویی که تولید کرده از این سازمان مجوز لازم را دریافت کند. با این‌حال، با استفاده از سامانه‌های هوشمند و الگوریتم‌های یادگیری ماشین،، پژوهشگران حوزه زیست‌پزشکی می‌توانند فرآیند چرخه آزمون و خطا را کوتاه‌تر کنند. پژوهشگران به جای آن‌که به شکل متوالی روش‌های درمانی مختلف را آزمایش کنند تا شاید یکی از آن‌ها موثر واقع شود، این فرصت را دارند تا الگوریتم‌های هوشمند را به خدمت بگیرند تا مولکول‌ها و ترکیبات درون بانک‌های اطلاعاتی را جست‌وجو کرده و بر مبنای اثربخشی ترکیبات فهرستی کارآمد در اختیار پژوهشگران قرار دهد.»

جاشوا اسوامیداس (Joshua Swamidass)، متخصص زیست‌شناسی محاسباتی دانشگاه واشنگتن در سال ۲۰۱۹ در مصاحبه با سایت The Scientist گفت: «امروزه پرسش‌هایی که پیش روی تیم‌های توسعه دارو قرار دارد دیگر همچون گذشته پرسش‌های ساده‌ای نیستند که با نوشتن و مرتب کردن آن‌ها روی کاغذ پاسخی برایشان پیدا کرد. پژوهشگران برای پیدا کردن داده‌ها و پاسخ‌گویی به پرسش‌ها و کسب دانش لازم در خصوص چگونگی انجام کارها مجبور هستند از روش‌های سیستماتیک استفاده کنند. به‌طور مثال داروی تربینافین (terbinafine) را تصور کنید که یک داروی ضد قارچ خوراکی است که اولین بار در سال 1996 میلادی برای درمان برفک و تحت نام تجاری لامیفیل به بازار عرضه شد. سه سال پیش از عرضه این دارو به بازار، برخی از مردم پس از مصرف دارو با عوارض جانبی روبرو شدند. تا سال 2008 میلادی سه نفر به دلیل مسمومیت کبدی در اثر مصرف این دارو جان خود را از دست دادند و 70 نفر بیمار شدند. پژوهش‌های بیشتر نشان داد که یکی از ترکیبات تربینافین به‌نام TBF-A واکنش‌های زنجیره‌ای در بدن به وجود می‌آورد که باعث آسیب‌دیدگی کبد افراد می‌شود. با این حال، در آن زمان هیچ پزشکی موفق نشد چگونگی این واکنش در بدن انسان را تشخیص دهد. به این شکل جامعه پزشکی به مدت ده سال با یک معمای ناشناخته روبرو بود تا این‌که نالی‌دانگ دانش‌جوی دکترای دانشگاه واشنگتن یک الگوریتم هوشمند با هدف شناسایی این مشکل طراحی کرد. در ادامه الگوریتم خود را با داده‌های متابولیکی آموزش داد تا الگوریتم بتواند مسیرهای احتمالی که نشان می‌دهند کبد چگونه تربینافین را به TBF-A تجزیه می‌کند را پیدا کند. الگوریتم هوشمند تشخیص داد که این واکنش سمی در یک فرآیند دو مرحله‌ای انجام می‌شود. تشخیص تجربی چنین فرآیندی اگر نگوییم  غیر ممکن کاری بسیار دشوار بود، اما هوش مصنوعی در مدت زمان کوتاهی موفق شد چنین واکنشی را تشخیص دهد. در نیم قرن اخیر بیش از 450 دارو به علت عوارض شدید کبدی همچون مسمومیت از بازار جمع‌آوری شدند.»

سازمان غذا و داروی ایالات متحده با هدف پیشگیری از بروز مسمویت‌های کبدی تصمیم گرفت سایتی به‌نام Tox21.gov راه‌اندازی کند که یک بانک‌اطلاعاتی آنلاین از مولکول‌ها و سمی بودن آن‌ها در زمان ارتباط با پروتین‌های مختلف انسانی است. پژوهشگران می‌گویند این امکان وجود دارد تا الگوریتم‌های هوشمند را با مجموعه‌ای از داده‌ها آموزش داد تا ضمن کوتاه‌تر کردن فرآیند تولید داروها، هوش مصنوعی به بررسی این موضوع بپردازد که آیا یک دارو یا درمان بالقوه ممکن است باعث بروز عوارض جانبی شود یا خیر. سام مایکل (Sam Michael) مدیر ارشد فناوری‌اطلاعات مرکز تحقیقات ملی ایالات متحده که در ساخت این بانک‌اطلاعاتی مشارکت داشته در این خصوص می‌گوید: «در گذشته با مشکل بزرگی روبرو بودیم و همواره به دنبال پاسخی برای این پرسش بودیم که این امکان وجود دارد تا سمی بودن ترکیبات مختلف را پیش‌بینی کرد یا خیر. رویکرد فوق درست در نقطه مقابل فرآیند غربال‌گری یک مولکول کوچک در صنعت دارو‌سازی است. امروزه به دنبال این مسئله نیستیم که یک هدف دارویی پیدا کنیم، بلکه به دنبال آن هستیم تا سمی بودن ترکیبات مختلف را تعیین کنیم.»

سامانه‌های هوشمند در مسیر ساخت دارویی برای آنفلوآنزا و بیماری‌هایی مشابه با کرونا

هوش مصنوعی این ظرفیت را دارد تا داروها و واکسن‌های بهتری برای بیماری‌های مسری همچون آنفلوآنزا طراحی کند. در سال 2019 میلادی متخصصان هوش مصنوعی دانشگاه فلیندرز استرالیا از هوش مصنوعی برای تقویت یک واکسن عادی آنفلوآنزا استفاده کردند تا پس از تزریق، بدن انسان غلظت‌های بالاتری از آنتی‌بادی‌ها را تولید کند. البته هوش مصنوعی بدون دخالت پژوهشگران نمی‌تواند به شکل مستقل از ابتدا تا انتها واکسن‌ها و داروهای مربوطه را تولید کند. نیکولای پترووسکی، استاد دانشگاه فلیندرز در خصوص این پژوهش می‌گوید: «ما ابتدا الگوریتمی به‌نام AI Sam طراحی کردیم که یک الگوریتم‌ جست‌جوگر مولکول‌ها بود. این الگوریتم می‌تواند تفاوت میان مولکول‌هایی که در برابر آنفلوآنزا عملکرد موثری دارند و مولکول‌هایی که تاثیرگذاری خاصی ندارند را شناسایی کند. در مرحله بعد تیم برنامه دومی ایجاد کرد تا تریلیون‌ها ترکیب شیمیایی تولید کند و داده‌های به‌دست آمده را در اختیار الگوریتم AI Sam قرار دهد تا تجزیه و تحلیل نهایی را روی آن‌ها انجام دهد. در این مرحله الگوریتم باید این موضوع را مشخص می‌کرد که آیا ترکیبات ساخته شده قادر به مقابله با آنفلوآنزا هستند یا خیر. از میان ترکیب‌های موجود چند ترکیب برتر انتخاب و در اختیار پژوهشگران قرار گرفتند تا در آزمایشگاه ساخته شوند. در مرحله بعد داروهای ساخته شده روی حیوانات آزمایش شد. نتایج نشان داد واکسن تقویت شده توسط هوش مصنوعی به نسبت واکسن‌های پیشین که به صورت تجربی ساخته شده بودند، اثرگذاری بیشتری داشت. با آغاز سال 2019 میلادی روند آزمایش این واکسن روی داوطلبان ساکن در ایالات متحده آغاز شد که انتظار می‌رود این پرسه حداقل 12 ماه زمان ببرد. اگر واکسنی که هوش مصنوعی تولید کرده مشکل خاصی نداشته باشد، در یک بازه دو تا سه ساله در اختیار مردم قرار خواهد گرفت. در شرایط عادی شما برای ساخت چنین واکسنی به پنج تا 10 سال زمان نیاز دارید، در حالی که اکنون این فرآیند تنها دو سال زمان برده است.»
درست است که الگوریتم‌های یادگیری ماشین می‌توانند مجموعه‌ای حجیم از داده‌ها را سریع‌تر از متخصصان زیست‌شناسی جست‌وجو کرده و تخمین‌های دقیقی ارائه کنند و حتا ارتباط ناپیدای میان مولفه‌ها را پیدا کنند، اما در آینده بازهم این انسان‌ها هستند که در چرخه توسعه داروها نقش کلیدی دارند، زیرا داده‌های آموزشی که یک مدل هوشمند برای یادگیری به آن‌ها نیاز دارد باید توسط متخصصان جمع‌آوری، ترکیب، سازمان‌دهی، فهرست‌بندی و برچسب‌گذاری شوند. دکتر چارلز فیشر، مدیرعامل موسسه  Unlrearn.AI می‌گوید: «مهم‌ترین مشکلی که الگوریتم‌های هوشمند با آن روبرو هستند معضل داده‌های ناقض است. دانشمندان برای مقابله با داد‌ه‌های ناقض و به اصطلاح اریب مجبور هستند از بزرگ‌داده‌ها، نرم‌افزارهای پیشرفته‌تر و کامپیوترهای با توان پردازشی بالاتر استفاده کنند. مشکل دیگری که متخصصان باید به فکر حل آن باشند درست بودن داده‌ها است. داده‌های پاک (clean data) یکی از مولفه‌های کلیدی این چرخه است. اگر در زمان آموزش الگوریتم‌ها از داده‌های اشتباه یا ناکارآمد استفاده شود، ممکن است الگوریتم نتایج نامطلوب یا غیر منتظره‌ای تولید کند.»

هوش مصنوعی می‌تواند الگوها و نشانه‌هایی که از دید تحلیل‌های عادی آماری پنهان بوده‌اند را شناسایی کرده و مجموعه‌ای از قابلیت‌های جدید در اختیار دانشمندان قرار دهد. دکتر جیل بیکر مدیرعامل شرکت Kebotix در مصاحبه‌ای با سایت انگجت گفته است: «هوش مصنوعی می‌تواند به همان اندازه‌ای که کیت‌های آزمایش در تشخیص بیماری‌ها موثر هستند، نشانه‌های بیماری‌ها را تشخیص دهند، با این تفاوت که به جای نمونه‌گیری از خون از داده‌ها برای سنجش احتمالی استفاده می‌کنند. امروز فناوری با سرعت نمایی در حال توسعه است. اگر بتوانیم از منابع داده‌ای صحیح، چارچوب‌های نظارتی قانونمند و روش‌های صحیح پردازشی استفاده کنیم، به احتمال زیاد قادر خواهیم بود پیش از اپیدمی فراگیر بعدی آن‌را پیش‌بینی کرده و مانع گسترش سریع آن شویم.»

ماهنامه شبکه را از کجا تهیه کنیم؟
ماهنامه شبکه را می‌توانید از کتابخانه‌های عمومی سراسر کشور و نیز از دکه‌های روزنامه‌فروشی تهیه نمائید.

ثبت اشتراک نسخه کاغذی ماهنامه شبکه     
ثبت اشتراک نسخه آنلاین

 

کتاب الکترونیک +Network راهنمای شبکه‌ها

  • برای دانلود تنها کتاب کامل ترجمه فارسی +Network  اینجا  کلیک کنید.

کتاب الکترونیک دوره مقدماتی آموزش پایتون

  • اگر قصد یادگیری برنامه‌نویسی را دارید ولی هیچ پیش‌زمینه‌ای ندارید اینجا کلیک کنید.

ایسوس

نظر شما چیست؟