استفاده دانشمندان از علوم داده ها برای مبارزه با سرطان

استفاده دانشمندان از علوم داده ها برای مبارزه با سرطانReviewed by رضابیگدلی on Feb 24Rating: 5.0استفاده دانشمندان از علوم داده ها برای مبارزه با سرطاناستفاده دانشمندان از علوم داده ها برای مبارزه با سرطان

پیچیدگی پیدا کردن درمان برای سرطان دهه‌ها است که دانشمندان را آشفته کرده است. با این‌که آن‌ها پیشرفت‌های قابل ملاحظه‌ای در مقابله با سرطان داشته‌اند، اما این بیماری همچنان یکی از اصلی‌ترین عوامل مرگ و میر در سرتاسر جهان است و هنوز پژوهشگران درگیر نبرد سختی با آن هستند.اما ممکن است در آینده‌ی نزدیک پزشکان، متحد جدیدی برای نبرد با سرطان در کنار خود ببینند: ماشین‌های هوشمند، که می‌توانند به‌گونه‌ای دیگر به حل این پیچیدگی کمک کنند. برای پی بردن به قدرت هوش مصنوعی به مثالی از دنیای گیمینگ توجه کنید: سال پیش، پلتفرم هوش مصنوعی گوگل با نام AlphaGo با استفاده از تکنیک‌های یادگیری عمیق موفق شد Lee Sedol از کره‌ی جنوبی را که استاد بزرگ بازی پیچیده‌ی Go است، شکست دهد. تعداد حرکت‌های محتمل در این بازی پیچیده از تعداد ستاره‌های موجود در عالم بیشتر است.
همان تکنیک‌های یادگیری ماشین و هوش مصنوعی می‌تواند به ما در حل پازل بزرگ و پیچیده‌ی سرطان کمک کند. یک موضوع قطعی است؛ اگر ما داده‌های کافی در مورد سرطان نداشته باشیم، شانسی برای غلبه بر آن با استفاده از این تکنیک‌های جدید نخواهیم داشت. بسیاری از این داده‌ها از جمله سوابق پزشکی، آزمایش‌های ژنتیک و ماموگرام‌ها در داخل ذهن‌ بهترین دانشمندان و در داخل بهترین الگوریتم‌های یادگیری ماشینی محبوس و دور از دسترس هستند.خبر خوب این است که اکنون نقش دسترسی وسیع به داده‌ها در استفاده از روش‌های هوش مصنوعی برای یافتن درمانی برای انواع سرطان‌ در کانون توجه قرار گرفته است. شماری از بزرگ‌ترین طرح‌های بهداشتی دولتی آمادگی دارند اطلاعات خود را به اشتراک بگذارند. از جمله‌‌ی این طرح‌ها می‌توان به این موارد اشاره کرد: برنامه‌ی دپارتمان امور رزمندگان ایالات متحده با نام یک میلیون رزمنده، پروژه‌ی ۱۰۰ هزار ژنوم از بریتانیا و اطلس ژنوم سرطان از NIH که اطلاعات مربوط به بیش از ۱۱ هزار بیمار سرطانی را به‌صورت رایگان با محققان سراسر دنیا از طریق سرویس کلود (cloud) به اشتراک گذاشته است. بر مبنای مطالعات جدید، تا سال ۲۰۲۵ ژنوم بیش از ۲ میلیارد انسان شناسایی خواهد شد.
اما در کنار این موضوع، دلایل دیگری نیز باعث افزایش میل به استفاده از داده‌های ژنتیکی شده است. در سال ۲۰۰۷ شناسایی ژنوم یک انسان ۱۰ میلیون دلار هزینه داشت. امروزه انجام این کار کمتر از ۱۰۰۰ دلار هزینه دارد. به عبارت دیگر، با هزینه‌ی شناسایی ژنوم انسان در ۱۰ سال پیش، امروزه می‌توان ژنوم ۱۰ هزار انسان را شناسایی کرد. تبعات این کار بسیار پراهمیت است: با تشخیص این‌که کسی دارای جهش‌های ژنتیکی مرتبط با ریسک بالاتر بروز سرطان‌های مختلف است، می‌توان اقدامات پیشگیرانه‌ای انجام داد که ممکن است به نجات جان انسان‌ها منجر شود. با توجه به این‌که هزینه‌های این روش رفته‌رفته برای استفاده‌ی عموم قابل‌قبول‌تر می‌شود، مطالعات دانشمندان اکنون به مرحله‌ی حساس در ابعاد کلان نزدیک شده است.چالش اصلی پیش روی محققان و جامعه‌ی پزشکی این است که میزان داده‌ها اندک است و همچنین تنوع نژادی کمی در بین آن‌ها وجود دارد. به علاوه، محققان اغلب با محدودیت‌های قانونی برای دسترسی به اطلاعات مواجه می‌شوند یا افراد و مؤسسات بهداشتی تمایل کمی برای به اشتراک گذاشتن اطلاعات دارند. حتی زمانی که سازمان‌ها با به اشتراک گذاشتن اطلاعات ژنتیکی موافقت می‌کنند، این توافق‌ها معمولا بین سازمان‌های خصوصی و برای اطلاعات اشخاص محدود است. با این‌که امروزه همراهی بعضی مؤسسات اطلاعاتی بزرگ و پایگاه‌های داده منجر به پیشرفت چشمگیر کارها شده است، اما ما برای سرعت بخشیدن به کارها به قوانین و پلتفرم‌های استاندارد نیازمند هستیم.
فواید احتمالی استفاده از این تکنولوژی‌های جدید، فراتر از شناسایی ریسک ابتلا به بیماری یا غربال‌گری است. پیشرفت‌های به وجود آمده در یادگیری ماشین می‌توانند به افزایش سرعت تولید داروهای سرطانی و انتخاب روش درمانی مناسب برای بیماران بینجامند. بنابراین پزشکان می‌توانند روش‌های درمانی شخصی‌سازی شده برای هر بیمار سرطانی را توسعه دهند.محققان باور دارند که به‌منظور افزایش دسترسی به اطلاعات بهداشتی افراد در تحقیقات مرتبط با سرطان، سه اتفاق باید روی دهد؛ ابتدا باید بیماران بتوانند به‌راحتی اطلاعات خود را به اشتراک بگذارند. این اطلاعات شامل سوابق پزشکی، عکس‌های رادیولوژی و آزمایش‌های ژنتیک است. شرکت‌های آزمایشگاهی و مراکز درمانی باید با توسعه‌ی پلتفرم مشترک به فرآیند اشتراک‌گذاری اطلاعات سرعت ببخشند و آن را قانونی و استاندارد کنند. ثانیا باید منابع بیشتری به محققان بخش هوش مصنوعی اختصاص یابد. برای مثال بنیاد چان زاکربرگ در حال تأمین سرمایه‌ی تحقیقات مربوط به توسعه‌ی ابزار نوین پزشکی است. تحقیقات مرتبط با کاربرد پزشکی در حوزه‌ی هوش مصنوعی باید تأمین مالی شوند. سوما باید مجموعه داده‌های جدیدی تولید شود و البته بر تنوع نژادی تمرکز شود؛ ما باید مطمئن شویم که پیشرفت‌ها در تحقیقات سرطانی به‌طور کامل در دسترس همگان قرار می‌گیرد.