شیعه نیوز | نزدیک بینی یک نگرانی جهانی در حال رشد است که می تواند بینایی و کیفیت زندگی را مختل کند، اما تشخیص زودهنگام کلید پیشگیری است. هوش مصنوعی، از طریق یادگیری ماشینی و عمیق، در تشخیص، ارزیابی و پیش‌بینی نزدیک‌بینی نوید بسیار خوبی را نشان می‌دهد، اگرچه چالش‌هایی مانند کیفیت داده‌ها و پذیرش بالینی همچنان باقی است.
به گزارش «شیعه نیوز»، مدل‌های هوش مصنوعی پتانسیل زیادی برای تشخیص نزدیک‌بینی، ارزیابی عوامل خطر و پیش‌بینی پیامدهای آن دارند.
نزدیک بینی یا نزدیک بینی در حال حاضر بیش از دو میلیارد نفر را در سراسر جهان تحت تاثیر قرار می دهد. هنگامی که اصلاح نشود، می تواند به طور قابل توجهی بینایی را مختل کند، آموزش، فرصت های شغلی و کیفیت کلی زندگی را مختل کند. تا سال ۲۰۵۰، نزدیک به نیمی از جمعیت جهان به نزدیک بینی مبتلا خواهند شد. به طور خاص، نزدیک بینی بالا با عوارض جدی همراه است که می تواند منجر به از دست دادن دائمی بینایی شود و بار شخصی و اقتصادی را بیشتر کند.
تشخیص زودهنگام برای جلوگیری از آسیب طولانی مدت بینایی و مدیریت موثر پیشرفت نزدیک بینی ضروری است.
هوش مصنوعی (AI) به عنوان ابزاری امیدوارکننده در پرداختن به این موضوع رو به رشد بهداشت عمومی ظاهر شده است. فناوری‌های درون هوش مصنوعی، مانند یادگیری ماشینی (ML) و یادگیری عمیق (DL)، می‌توانند داده‌های پزشکی پیچیده را برای پشتیبانی از تشخیص بیماری، شناسایی عوامل خطر و نشانگرهای زیستی و پیش‌بینی نتایج بالینی تجزیه و تحلیل کنند.
دکتر لی لی، دکتر جیفنگ یو و دکتر نان لیو از گروه چشم پزشکی دانشگاه پزشکی کپیتال چین، در 18 مارس 2025، در ژورنال Pediatric Investigation، در یک بررسی متون منتشر شده، کاربردها و چالش های فعلی هوش مصنوعی را در زمینه نزدیک بینی بررسی کردند. بررسی آنها نشان می دهد که چگونه هوش مصنوعی می تواند به تشخیص، ارزیابی ریسک و توسعه مدل های پیش بینی برای بهبود مراقبت از بیمار کمک کند.
هوش مصنوعی برای تشخیص نزدیک بینی
جالب توجه است که مدل‌های هوش مصنوعی را می‌توان با استفاده از ML/DL برای تشخیص نزدیک‌بینی از عکس‌های فوندوس و تصاویر توموگرافی انسجام نوری آموزش داد. با تغذیه یک مدل با مقدار زیادی از تصاویر فوندوس از بیماران نزدیک‌بین، می‌توان به هوش مصنوعی یاد داد که تغییرات جزئی در رنگ و الگوی شبکیه چشم را که با نزدیک‌بینی مرتبط است، تشخیص دهد. این به مدل اجازه می دهد تا بیماران آینده را از روی عکس های فوندوس تشخیص دهد.
علاوه بر این، تجهیزات خود نظارتی مانند SVOne، یک دستگاه دستی که از حسگر جبهه موج برای اندازه گیری عیوب چشم استفاده می کند، می تواند از الگوریتم های هوش مصنوعی برای تشخیص عیوب انکساری چشم استفاده کند. این دستگاه می تواند به یک پایگاه داده آنلاین از تصاویر دسترسی داشته باشد که هوش مصنوعی می تواند از آن به عنوان مرجع برای تشخیص نزدیک بینی استفاده کند. علاوه بر این، هوش مصنوعی را می توان برای تشخیص تغییرات رفتاری مرتبط با شروع نزدیک بینی آموزش داد. چنین تشخیصی به ویژه برای تشخیص زودهنگام نزدیک بینی در کودکان مفید است، که در غیر این صورت اغلب نادیده گرفته می شود. برای مثال، مانیتور Vivior از الگوریتم‌های ML برای یادداشت تغییرات در رفتارهای بصری، مانند زمان صرف شده برای فعالیت‌های دید نزدیک، در کودکان 6 تا 16 ساله استفاده می‌کند.
شناسایی و ارزیابی عوامل خطر
علاوه بر این، روش‌های ML مانند ماشین بردار پشتیبان، رگرسیون لجستیک و XGBoost را می‌توان برای شناسایی عوامل خطر نزدیک‌بینی به کار برد.
دکتر لی لی توضیح می‌دهد: «یک مدل مبتنی بر XGBoost می‌تواند مقادیر زیادی از داده‌های طولی را تغذیه کند، که به آن امکان می‌دهد پیامدها و عوامل خطر مرتبط با نزدیک‌بینی را در بسیاری از بیماران بیاموزد. این به نوبه خود به مدل اجازه می‌دهد تا عوامل خطر بیماران جدید را بر اساس ژنتیک، سابقه خانوادگی، محیط و پارامترهای فیزیولوژیکی آنها ارزیابی کند.
پیش بینی پیشرفت و نتیجه نزدیک بینی می تواند به پزشکان کمک کند تا رویکرد بالینی خود را تنظیم کنند. در مقیاس بزرگ، می تواند عملکرد بالینی و سیاست گذاری را شکل دهد که به کنترل نزدیک بینی کمک می کند. با تغذیه مدل هوش مصنوعی مقادیر زیادی از داده‌های بیومتریک، داده‌های انکساری، پاسخ‌های درمانی و تصاویر چشمی از تعداد زیادی از بیماران نزدیک‌بینی، می‌توان هوش مصنوعی را برای پیش‌بینی نتایج نزدیک‌بینی در بیماران جدید آموزش داد.
با وجود پتانسیل بزرگ هوش مصنوعی در نزدیک بینی، چندین چالش باید برطرف شود. در مرحله اول، مهم است که اطمینان حاصل شود که مجموعه داده مورد استفاده برای آموزش یک مدل هوش مصنوعی صحیح و با کیفیت است. سوگیری، منفی/مثبت کاذب، و کیفیت داده ضعیف می‌تواند بر دقت تشخیصی و پیش‌بینی مدل تأثیر منفی بگذارد. ثانیاً، بیشتر مدل‌های هوش مصنوعی با استفاده از داده‌های بیمارستان‌های بزرگ آموزش داده می‌شوند، که ممکن است نماینده بیمارانی که به کلینیک‌های کوچکتر مراجعه می‌کنند نباشد. این باعث ایجاد اختلاف بین جمعیت واقعی و آموزشی می شود. ثالثاً، یک مدل هوش مصنوعی یک پزشک آموزش دیده نیست و ممکن است نتواند مبنای بالینی برای تشخیص خود ارائه دهد، که می تواند باعث رد تشخیص توسط متخصصان پزشکی شود. در نهایت، با وجود چنین مقادیر گسترده ای از داده های بیمار که برای آموزش مدل های هوش مصنوعی استفاده می شود، اطمینان از حفظ حریم خصوصی سوابق پزشکی بیماران بسیار مهم است.
منبع: تک دیلی
