هوش مصنوعی در تریاژ پزشکی: نجات جان ها با فناوری های پیشرفته متا و دانشگاه پنسیلوانیا

تیم تحریریه استاد ای تی گزارش می دهد: در دنیای پرشتاب امروز که فناوری با سرعتی بی سابقه در حال پیشرفت است، هوش مصنوعی پزشکی به عنوان یکی از امیدبخش ترین حوزه ها برای بهبود کیفیت زندگی و نجات جان انسان ها مطرح شده است. در همین راستا، همکاری پیشگامانه میان غول فناوری، متا (Meta)، و دانشگاه معتبر پنسیلوانیا (University of Pennsylvania) در حال رقم زدن انقلابی در سیستم های تریاژ پزشکی است.

این پروژه که بر پایه مدل های پیشرفته بینایی ماشین متا، یعنی DINO و SAM، استوار است، پتانسیل عظیمی برای تغییر نحوه مدیریت بحران های پزشکی و ارزیابی سریع و دقیق مصدومان در شرایط اضطراری دارد. این دستاورد نه تنها مرزهای هوش مصنوعی پزشکی را جابجا می کند، بلکه افق های جدیدی را برای کاربردهای بشردوستانه فناوری می گشاید.

تریاژ نوین: از میدان نبرد ناپلئون تا الگوریتم های هوشمند

مفهوم تریاژ که ریشه در واژه فرانسوی «trier» به معنای «دسته بندی کردن» دارد، برای اولین بار در دوران ناپلئون بناپارت به عنوان روشی انقلابی برای اولویت بندی مجروحان جنگی مطرح شد. این روش در ذات خود، به معنای کمبود منابع در مقایسه با نیازها است. آنچه که در ابتدا یک ضرورت عملی در میدان نبرد بود، در طول قرن ها تکامل یافته و به ستونی حیاتی در واکنش های اضطراری پزشکی تبدیل شده است.

امروزه، تریاژ توسط پروتکل های استاندارد و درخت های تصمیم گیری هدایت می شود که امدادگران نظامی و غیرنظامی را در تصمیم گیری های مرگ و زندگی راهنمایی می کند تا اطمینان حاصل شود که مراقبت ها برای نجات بیشترین تعداد جان ها اولویت بندی می شوند. با این حال، در هرج و مرج یک حادثه با تلفات گسترده (MCI) مانند فرو ریختن یک ساختمان یا انفجار در زمان جنگ، پیروی از این پروتکل های سختگیرانه یک چالش بزرگ است.

چگونه هوش مصنوعی DINO متا نظارت بر فضای سبز بریتانیا را متحول می کند؟

تا همین اواخر، اثربخشی تریاژ نه تنها به طراحی سیستم های پیچیده، بلکه به مقیاس منابع پزشکی و پرسنل حاضر در طول یک رویداد نیز وابسته بود. اما اکنون، پیشرفت ها در بینایی ماشین، رباتیک و یادگیری ماشین به طور موثری این محدودیت را از بین می برند و مرزهای هوش مصنوعی پزشکی را برای تریاژ سریع و موثر در محیط های نظامی جابجا می کنند.

آژانس پروژه های تحقیقاتی پیشرفته دفاعی ایالات متحده (DARPA)، بازوی تحقیقاتی پنتاگون، یک چالش سه ساله را برای تحریک نوآوری در این زمینه اعلام کرده است. هدف این چالش، استفاده از حسگرهای دوربرد در سیستم های خودمختار برای شناسایی و تشخیص نشانه های فیزیولوژیکی است که الگوهایی از سطح بیماری بحرانی یک فرد را نشان می دهند.

پروژه PRONTO: هم افزایی رباتیک و هوش مصنوعی متا

تیم «رباتیک غیرتماسی تریاژ و مشاهده پنسیلوانیا» (PRONTO) متشکل از متخصصان تروما از دانشکده پزشکی پنسیلوانیا و کارشناسان رباتیک و بینایی ماشین از دانشکده مهندسی پنسیلوانیا و آزمایشگاه GRASP این دانشگاه است. این تیم با ترکیب رباتیک پیشرفته با مدل های SAM و DINO متا، امکان تشخیص و ارزیابی سریع و خودمختار آسیب ها را در سناریوهای فاجعه بار فراهم می کند.

PRONTO نسخه اولیه سیستم خود را در فاز اول چالش DARPA در سال ۲۰۲۴ مستقر کرد. این سیستم از یک پهپاد برای بررسی سریع صحنه و یافتن قربانیان و یک ربات زمینی برای تصویربرداری پایدارتر و ثبت علائم حیاتی استفاده می کند. داده های جمع آوری شده سپس به مدل «Segment Anything Model 2» متا وارد می شوند که برای تقسیم بندی هر شی در هر تصویر یا ویدئویی طراحی شده است، حتی اشیاء و حوزه هایی که قبلا هرگز ندیده است. SAM 2 تقسیم بندی اشیاء را به دو روش امکان پذیر می سازد: با نقاط روی یک شی یا یک کادر مرزی از شی.

کارشناسان استاد آی تی معتقدند که این رویکرد ترکیبی، یعنی استفاده از پلتفرم های رباتیک برای جمع آوری داده و سپس پردازش آن ها با مدل های هوش مصنوعی قدرتمند، یک نمونه بارز از هم افزایی فناوری برای حل مشکلات پیچیده دنیای واقعی است. این ترکیب، نه تنها سرعت و دقت تریاژ را به شدت افزایش می دهد، بلکه خطراتی را که امدادگران انسانی در محیط های خطرناک با آن مواجه هستند، کاهش می دهد.

DINO و SAM: ستاره های هوش مصنوعی در خط مقدم پزشکی

داده های جمع آوری شده در طول چالش اول برای بهبود الگوریتم های تریاژ تیم PRONTO در طول سال گذشته برای فاز دوم چالش مورد استفاده قرار گرفته است. PRONTO شامل چندین خط لوله طبقه بندی آسیب موازی است که از SAM و DINO استفاده می کنند. برخلاف مدل های سنتی، DINO نیازی به داده های برچسب گذاری شده ندارد که آن را برای انواع وظایف کارآمدتر و مقیاس پذیرتر می کند.

این مدل قادر است در حوزه های متنوعی از جمله تصاویر پزشکی و ماهواره ای تعمیم یابد و در محیط هایی که داده های حاشیه نویسی شده کمیاب یا در دسترس نیستند، عملکرد فوق العاده ای داشته باشد. این قابلیت به PRONTO امکان می دهد تا از DINO برای استخراج ویژگی های بصری از تصاویر ربات استفاده کند که سپس از طریق یک شبکه عصبی عمیق سفارشی برای شناسایی آسیب ها به کار گرفته می شوند.

DINO در کنار SAM و «Grounding DINO»، یک مدل تشخیص شی با واژگان باز، کار می کند تا یک راه حل تریاژ جامع ارائه دهد. به عنوان مثال، PRONTO از Grounding DINO با دستورات متنی مانند: «زخم؟» و «خون؟» برای تشخیص ویژگی های مرتبط با آسیب در هر منطقه از تصویر استفاده می کند.

این مدل ها، همراه با ماژول های اضافی که وضعیت بدن را تخمین می زنند و از الگوریتم های مقایسه زخم با اسکلت برای ارزیابی آسیب استفاده می کنند، به سیستم چند رباتی PRONTO امکان می دهند تا آسیب ها را تشخیص داده و مشخص کنند، ضربان قلب، نرخ تنفس، هوشیاری و وجود زخم یا قطع عضو بیمار را شناسایی کنند. سپس مکان، توضیحات و نشانه های بالینی آسیب های هر قربانی برای امدادگران در یک رابط کاربری موبایل به تصویر کشیده می شود و به پزشکان امکان می دهد تا منابع محدود خود را به بهترین شکل اولویت بندی کنند تا شانس بقا را بهبود بخشند.

بینش های سال دوم و فاز بعدی چالش DARPA

امروزه، شواهد قطعی بسیار کمی در مورد اینکه کدام تکنیک تریاژ بیشترین قربانیان را با توجه به شرایط سناریو نجات می دهد، وجود دارد که مقایسه پروتکل های تریاژ را با رویکرد مبتنی بر شواهد دشوار می کند. چالش DARPA در حال تغییر این وضعیت است. فاز دوم چالش DARPA از ۲۷ سپتامبر تا ۴ اکتبر ۲۰۲۵ برگزار شد و ویژگی های سناریوهای واقعی حوادث با تلفات گسترده را در خود جای داده بود. هر سال از این رقابت سه ساله چالش برانگیزتر از سال قبل است و هدف آن نزدیک تر کردن فناوری های نجات بخش به استقرار موثر در میدان است.

در طول دو فاز اول، DARPA یک مجموعه داده عظیم را جمع آوری کرده است که زیرساختی منحصر به فرد را ایجاد می کند که می تواند به طور کلی برای ارزیابی استراتژی های مختلف واکنش به حوادث با تلفات گسترده مورد استفاده قرار گیرد. در فاز سوم، تیم ها از آموخته ها استفاده خواهند کرد و بررسی خواهند کرد که چگونه جدیدترین نسخه های SAM و DINO متا می توانند در تریاژ به کار گرفته شوند.

پروفسور اریک ایتون، رهبر تیم PRONTO، می گوید: «ما واقعا علاقه مندیم که این برنامه در دنیای واقعی کار کند. افرادی که در تیم من هستند، جراحان تروما هستند که هر روز با این مسائل درگیرند و محققانی که روی رباتیک و یادگیری ماشین پیشرفته کار می کنند. ما با هم به دنبال توسعه فناوری هایی هستیم که می توانند در نجات جان ها مفید باشند.»

این همکاری نشان دهنده یک جهش بزرگ در زمینه هوش مصنوعی پزشکی است و پتانسیل آن برای نجات جان انسان ها در شرایط بحرانی، واقعا هیجان انگیز است. برای اطلاعات بیشتر در مورد کاربردهای هوش مصنوعی متا برای تأثیرات اجتماعی، می توانید به وب سایت AI For Good مراجعه کنید.

جمع بندی: آینده ای روشن تر با هوش مصنوعی در پزشکی

همکاری متا و دانشگاه پنسیلوانیا در پروژه PRONTO، نمونه ای درخشان از پتانسیل بی کران هوش مصنوعی در خدمت بشریت است. با ادغام مدل های پیشرفته ای مانند DINO و SAM در سیستم های رباتیک برای تریاژ پزشکی، نه تنها سرعت و دقت ارزیابی مصدومان در حوادث گسترده افزایش می یابد، بلکه ایمنی امدادگران نیز تضمین می شود.

این پیشرفت ها، نویدبخش آینده ای هستند که در آن، هوش مصنوعی پزشکی نقش محوری در کاهش تلفات و بهبود مدیریت بحران های بهداشتی ایفا خواهد کرد. کارشناسان OstadIT بر این باورند که این دستاوردها، راه را برای توسعه نسل جدیدی از ابزارهای هوشمند در حوزه سلامت هموار می سازند که می توانند زندگی های بی شماری را نجات دهند و سیستم های درمانی را کارآمدتر کنند. این تنها آغاز راه است و باید منتظر نوآوری های بیشتری در این عرصه باشیم.