دوشنبه ۱۱ فروردین ۱۳۹۹ - ۱۲:۱۷
آیا هوش مصنوعی می‌تواند در تشخیص و کنترل کرونا کمک کند؟

باسم دَبور؛ پژوهشگر علوم داده در دانشگاه بوت برلین در جدیدترین پژوهش خود به دنبال بررسی و یافتن پاسخ این پرسش است که آیا فناوری هوش مصنوعی می‌تواند جلوی شیوع  بیشتر کووید 19 را بگیرد و در تشخیص و کنترل آن کمک کند؟

به گزارش خبرگزاری کتاب ایران(ایبنا)، کووید 19، ویروسی از خانواده کروناویروس‌هاست که شاید تا چند ماه قبل، بیشترمردم دنیا حتی نامی از آن‌ نشنیده بودند، اما امروز چنان شخصیتی به خود گرفته که نه تنها اکنون بلکه شاید تا سال‌ها و دهه‌ها بعد نیز کسی به سادگی نامش را از یاد نبرد. این ویروس از کشور چین خود را به جهان معرفی و رفته رفته حضورش را به همه دنیا اعلام کرد. بزرگترین و پیشرفته‌ترین کشورهای دنیا نیز تا امروز نتوانسته‌اند جلوی گسترش این ویروس و صدماتی که بر پیکره کشورهای مختلف ایجاد کرده را بگیرند. اما نبوغ و علم بشر شاید تا چند ماه دیگر باز هم بتواند داروی ضد کرونا را ساخته و آن‌را مهار و کنترل کند. همه ما امیدواریم این اتفاق هرچه زودتر رخ دهد.  
 
این ویروس نه تنها پژوهشگران و متخصصان عرصه‌های پزشکی، شیمی و زیست‌شناسی را درگیر کرده و به تکاپو واداشته، بلکه حتی محققان و تصمیم‌گیران حوزه‌های اجتماعی، اقتصاد و سیاست را نیز وارد میدان کرده است. در شاخه‌های مختلف فناوری ازجمله هوش مصنوعی نیز این روزها برای شناسایی، معرفی و راه‌های کنترل ویروس کرونا، تحقیقات بسیاری صورت گرفته که یکی از جدیدترین آن‌ها در روزهای اخیر به قلم باسم دَبور؛ پژوهشگر علوم داده در دانشگاه بوت برلین به نگارش درآمده و در قالب الکترونیک منتشر شده و سینا تفنگ‌چی؛ نویسنده و مدرس علوم ارتباطات در دانشگاه پیام نور آن‌را به فارسی ترجمه کرده است.

باسم دَبور؛پژوهشگر

فناوری به دنبال راهی برای پیش‌بینی اپیدمی‌ها
در سال 2009  گوگل یک مقاله علمی با عنوان «شناسایی همه‌گیری‌های آنفلوانزا با استفاده از داده‌های پرس‌وجوی موتور جستجو» منتشر کرد و ابزاری با استفاده از هوش مصنوعی تهیه کرد تا با ردیابی فعالیت‌های رفتار جستجو، به بررسی عمیق در نمایش داده‌های الگوهای جستجو بپردازد؛ اما این مدل پس از چند ماه با عدم پیش‌بینی بیماری آنفولانزای خوکی (H1N1) به پایان راه خود رسید. با این‌حال، گوگل مقاله علمی دیگری را در سال 2011 با نام «ارزیابی عملکرد گوگل در ایالات متحده در طول ویروس آنفلوآنزا ظA (H1N1) Pandemic 2009 » منتشر کرد که در آن در حال تلاش برای بهینه‌سازی روند آنفلوآنزای گوگل-GFT  خود بود؛ اما این مدل نیز در پیش‌بینی pH1N1 نتوانست موفق عمل کند و پس از مشاهده تغییرات شدید در رفتار جستجوی آنلاین در افراد سبب شده بود کل مدل اشتباه گرفته شود و نتوان پیش‌بینی کرد که چه اتفاقی در آینده خواهد افتاد.
 
در سال 2013، گوگل این پروژه را کنار گذاشت و نتایج را با تحقیقاتی که قبلاً توسط بسیاری از دانشگاه‌ها ازجمله دانشگاه‌های هاروارد و هوستون انجام شده بود، مقایسه کرد و متوجه شد که بین GFT  و مدل پایه ساخته شده با استفاده از مجموعه داده‌هایCDC ، شکاف بزرگی وجود دارد که باعث شد نتوان در مسیر پیش‌بینی از آن‌ها به‌خوبی استفاده کرد. اما این کافی نیست که GFT بتواند رفتار جستجوی ما را ردیابی کند و از آن در پیش‌بینی هرگونه بیماری همه‌گیر آینده مانند Coronavirus COVID-19 فعلی استفاده کند.

سینا تفنگ‌چی؛مترجم

کمک شرکت‌های هوش مصنوعی برای نظارت بر شیوع بیماری‌ها
امروزه با مشکلات مشابهی روبه‌رو هستیم. بسیاری از شرکت‌های علوم داده در حال کار روی تجزیه و تحلیل داده‌های COVID-19 برای پیش‌بینی بیشتر هستند؛ همچون شرکت کانادایی «دارووین» که یک مدل یادگیری عمیق با استفاده از تکنیک پردازش تصویر و شبکه‌های عصبی Convolutional CNN  برای یافتن الگوهای پنهان COVID-19 در اسکن‌های اشعه ایکس قفسه سینه آموزش داده است. این مدل بسیار کارآمد است، زیرا از یک رویکرد نیمه نظارتی استفاده می‌کند. با این‌حال ، این بهترین روش برای تشخیص مرحله اولیه ویروس نیست که 14 تا 27 روز طول بکشد تا علائم را در میزبان آلوده نشان دهد و این امر باعث می‌شود که این کار فقط در مراحل دیررس انجام شده و زمان کنترل شیوع آن سخت‌تر شود.
 
اقدامات فعلی یکی دیگر از مدل‌های هوش مصنوعی و ابزارهای تشخیصی است که برای کمک به توسعه واکسن مورد استفاده قرار می‌گیرند، اما هنوز در مراحل اولیه هستند و برای دستیابی به پیشرفت‌های بهتر، به یک مجموعه داده عظیم و اطلاعات جهانی برای باز کردن این قفل نیاز است. زمان زیادی خواهد برد تا یک واکسن موثر در دسترس سیستم‌های مراقبت‌های بهداشتی قرار گیرد، اما (N)  ماه بهتر از (N + M) ماه است.


 امروزه BlueDot و Metabiota شرکت‌های هوش مصنوعی یاریگر برای کمک به نظارت بر شیوع بیماری‌ها هستند و در 31 دسامبر سال 2019 نیز بهWHO  و دولت چین در مورد SARS-COVID2  یا آنچه اکنون به نامCoronavirus-COVID 19  می‌شناسیم، هشدار داده بودند. Metaniota  با خدمات خودکار هوش مصنوعی خود به نام HealthMap و مدل‌های حیرت‌انگیز BlueDot که هر دو در کمک به شناخت هشدارهای اولیه که باید وجود داشته باشد اقدام کرده بودند و اینگونه می‌شد تا جان انسان‌های بیشتری نجات پیدا کرده و اقدامات فوری صورت پذیرد که اکنون این امکان تحقق پیدا نکرده و اوضاع به مراتب بدتر از قبل شده است.
 
از سوی دیگرBlueDot   و Metabiota از الگوریتم‌های پردازش زبان طبیعی (NLP) استفاده کردند تا همه اخبار و گزارش‌های رسمی مراقبت‌های بهداشتی را به زبان‌های مختلف در سراسر جهان برسانند و پیش‌بینی خاصی را در مورد داده‌های سفر هوایی و خطر مسافرت ارائه دهند. از طرف دیگر، شرکتی به نام Startifyd پست‌های رسانه‌های اجتماعی مانند فیس‌بوک و توییتر را اسکن می‌کند و مرجع متقابل آن‌ها با سازمان‌های رسمی بهداشت و درمان WHO و CDC یا موارد دیگر برای اعتبارسنجی اطلاعات و انجام پیش‌بینی‌ها و تجزیه و تحلیل‌های خاص بر این اساس است.


به اشتراک نگذاشتن داده‌های بیماران به دلیل قوانین حریم خصوصی
بنابراین، جهان در حال حاضر دارای ابزاری است که می‌تواند به‌طور قابل قبول مراحل بعدی عفونت را به‌صورت جداگانه و شیوع مراحل اولیه در سطح جهان تشخیص دهد، اما (1) چطور مراحل بعدی شیوع در سطح جهان و (2) عفونت در مراحل اولیه به‌صورت جداگانه انجام می‌شود؟ مطالعات علمی زیادی با نتایج مختلف و متفاوت در مورد علائم بالقوه، دوره توسعه، مدت ماندگاری ویروس در هوا یا در سطوح مختلف و ارزش متناسب انتقال ویروس به دیگران وجود دارد.
 
سطح و آمار ارائه شده براساس داده‌های محلی برای غنی‌سازی مدل‌ها AI ، همچنین رویکردهای استراتژیک برای مهندسی معکوس جهش ویروس به منبع اصلی، بررسی چگونگی تکامل COVID-   19 با گذشت زمان و احتمال تغییر شکل RNA به ساختار جدیدی که می‌تواند مجدداً بیماران بهبودیافته را آلوده کند، نشان می‌دهد که بیش از 40 جهش از زمان شیوع رخ داده است. (1) و (2) تقریباً در ارتباط هستند که آشکار کردن یکی از هر دو به دیگری کمک می‌کند. مشکل فعلی همانطور که توضیح داده شد این است که پاسخ‌های کافی یا منسوج‌کننده نتایج موجود در تشخیص (2) وجود ندارد که منجر به تنظیم دقیق یک مدل و بهینه‌سازی روش کنترل شیوع و برعکس شود.
 
مشکل فعلی، به دلیل مقررات و قوانین حریم خصوصی مختلف در هر کشوری است که عمل خود را به شهروندان محدود کرده و داده‌های بیماران را به اشتراک نمی‌گذارد؛ شهروندان نیز نمی‌خواهند سوابق خصوصی خود را با شرکت‌ها، دولت‌ها یا سایر آژانس‌های شخص ثالث برای دانشمندان داده، محققان و توسعه‌دهندگان به اشتراک بگذارند تا متخصصان بتوانند از داده‌های موجود برای توسعه داروها استفاده کنند. با این‌حال باید درک کرد که این یک وضعیت بحرانی است؛ جایی که احساس جهل در آنجا وجود دارد و راه‌حل‌های فعلی با هوش مصنوعی نمی‌تواند (2) و (1) را در مقیاس وسیع پیش‌بینی و حل کند.

مثلث همه‌گیر؛ اقتصاد، امنیت عمومی و حفظ حریم خصوصی
سه مثلث Pendamic مثلث Thorey PTT می‌گوید باید برای مدت کوتاهی یکی از سه امتیاز مهم «اقتصاد»، «امنیت عمومی» یا «حفظ حریم خصوصی» را فدا کرد تا بتوان بر وضعیت فعلی با صدمه کمتری در تمام مقیاس‌ها فائق آمد. کشورهای آسیایی مانند چین، تایوان، کره و هنگ کنگ حریم خصوصی شهروندان خود را در یک مقیاس متفاوت نقض کردند و اقدامات لازم برای مهار موقتی شیوع را توانستند اجرایی کنند؛ بریتانیا نیز در ترجیح امنیت عمومی و حفظ حریم خصوصی بر اقتصاد، روند کاهشی برای حفظ اقتصاد و حریم خصوصی را دنبال کرد. البته نباید از یاد برد که فداکاری اقتصاد باعث افزایش نرخ بیکاری و ورشکستگی می‌شود؛ قربانی کردن امنیت عمومی میزان مرگ و میر را افزایش می‌دهد و قربانی کردن حریم خصوصی قوانین و مقررات فعلی GDPR و PwC را نقض می‌کند و تلاش برای توازن این سه، در درازمدت یک چالش سخت‌تر را ایجاد خواهد کرد.
 
در آلمان Telecom و Telefonica (O2) از تکنیک حفظ حریم خصوصی دیفرانسیل پیروی می‌کنند و داده‌های ناشناس را با موسساتی مانند رابرت کوک (RKI) برای تجزیه و تحلیل بیشتر حرکات جمعیتی بدون کشف هویت واقعی کاربران به اشتراک می‌گذارند؛ همچنین از یادگیری هوشمند استفاده شده توسط گوگل یا apple برای آموزش مدل داده‌های محلی، استفاده شده که شبیه به یک بازی پازل است که در آن هر قطعه یک مدل آموزش داده شده در داده‌های محلی کاربران و مدل master است. ولی متأسفانه باید اظهار کرد که هیچ داده‌ای در دسترس برای عموم وجود ندارد و این در حالی است که شفافیت جهانی به جای پخش اطلاعات در اینترنت می‌تواند سبب کنترل بحران شود؛ اکنون رسانه‌ها و دولت‌ها با بازی کردن با اطلاعات و پنهان کاری، بیشتر در حال ایجاد سوال در ذهن مردم شده‌اند و این موضوع منحنی رشد سوالات را به‌صورت تصاعدی بالا برده است. با این‌حال کشور چین از سیستم اعتباری اجتماعی استفاده کرده و از همه داده‌های شهروندان برای طبقه‌بندی اطلاعات استفاده می‌کند و از این اطلاعات برای کنترل افرادی که آلوده هستند و ساخت نقشه پراکندگی جغرافیایی بهره می‌برد.


تحریم‌ها، حقوق بشر و کنترل کرونا!
در پایان نباید فراموش کرد که این مطلب درباره کشورهایی بود که کاملاً تجهیز بوده و از فناوری بالایی برای مقابله با این ویروس برخوردارند و متأسفانه در کشورهایی که کمبود پزشکی مشهودی دارند، نمی‌توان اظهارنظر کرد. آن‌ها اکنون به سختی می‌توانند مسائل داخلی را مدیریت کنند. ولی سوالاتی پیش می‌آید که اگر پاسخ داده نمی‌شوند، شاید بهتر باشد تا درباره آن‌ها تأملاتی صورت گیرد و آن این است که آیا در شرایطی که برخی کشورها تحت‌تأثیر تحریم‌های خارجی هستند و اقتصاد و سیستم‌های بهداشت و درمانشان شکننده است، حقوق بشر را در کجا باید جستجو کرد؟
 
همچنین اردوگاه های پناهندگی که سابق بر این از تجویز مجدد مراحل «دست شستن» خودداری می‌کردند، با توجه به شرایط کنونی چه امکاناتی برای پناهندگان تخصیص داده‌اند تا مانع از شیوع بیشتر این بیماری شوند؟ آیا WHO و CDC برنامه اضطراری را برای چگونگی مقابله با COVID-19 در صورت برخورد با کشورهای فقیر یا اردوگاه های پناهندگی در سرتاسر جهان ایجاد می‌کنند؟ همچنین آیا شهروندان در ازای ایجاد فناوری بهتر و مدل‌های هوش مصنوعی که به کارکنان مراقبت‌های بهداشتی کمک می‌کند تا روند مهار ویروس را تسریع کنند، حاضرند اطلاعات پزشکی خود را در اختیار نهادهای فناوری پزشکی قراردهند یا خیر؟

نظر شما

شما در حال پاسخ به نظر «» هستید.

برگزیده

پربازدیدترین

تازه‌ها