نزدیک‌بینی، که به عنوان “میوپی” شناخته می‌شود، به طور فزاینده‌ای به ویژه در کودکان رایج شده است. کارشناسان پیش‌بینی می‌کنند که تا سال ۲۰۵۰، تقریباً ۵۰ درصد از جمعیت جهان به نزدیک‌بینی دچار خواهند شد، که ممکن است منجر به از دست دادن بینایی شود.
محققان این افزایش را تا حدودی به افزایش «کارهای نزدیک» نسبت می‌دهند، که شامل تمرکز روی اشیاء نزدیک مانند گوشی‌های هوشمند و صفحه‌های کامپیوتر است.
نزدیک‌بینی خطر از دست دادن بینایی را افزایش می‌دهد
در حالی که بسیاری از افراد نزدیک‌بینی را با عینک یا لنزهای تماسی مدیریت می‌کنند، برخی به یک حالت شدیدتر به نام “ماکولوپاتی نزدیک‌بینی” مبتلا می‌شوند.
این حالت زمانی رخ می‌دهد که ماکولا – بخشی از چشم که مسئول دید مرکزی و واضح است – به دلیل کشیدگی کره چشم به شکل فوتبال مانند آسیب می‌بیند. این تغییر شکل منجر به کاهش بینایی و ممکن است باعث از دست دادن شدید بینایی یا حتی نابینایی شود.
در سال 2015، ماکولوپاتی نزدیک‌بینی باعث ناتوانی بینایی در 10 میلیون نفر شد. اگر روندهای کنونی ادامه یابد، پیش‌بینی می‌شود تا سال 2050 بیش از 55 میلیون نفر از این شرایط دچار از دست دادن بینایی شوند و حدود 18 میلیون نفر در سراسر جهان از آن نابینا شوند.
بهبود تشخیص زودهنگام با فناوری
از آنجا که ماکولوپاتی نزدیک‌بینی غیرقابل بازگشت است، تشخیص زودهنگام حیاتی است. تشخیص این بیماری در مراحل ابتدایی می‌تواند نتایج بهتری برای سلامتی داشته باشد، به ویژه برای کودکان. چشم‌پزشکان می‌توانند لنزهای تماسی ویژه یا قطره‌های چشمی تجویز کنند که پیشرفت بیماری را کند می‌کند.
تیمی از محققان دانشکده رایانش و هوش افزوده دانشگاه ایالتی آریزونا در حال توسعه ابزارهای تشخیصی جدیدی هستند که از هوش مصنوعی برای غربالگری مؤثرتر ماکولوپاتی نزدیک‌بینی استفاده می‌کند.
یالین وانگ، استاد علوم کامپیوتر و مهندسی در این دانشگاه، بر پتانسیل فناوری برای ارائه راه‌حل‌های مهم تأکید می‌کند.
او می‌گوید: «هوش مصنوعی در حال ایجاد انقلابی است که با استفاده از دانش جهانی دقت تشخیص را به ویژه در مراحل اولیه بیماری بهبود می‌بخشد. این پیشرفت‌ها هزینه‌های پزشکی را کاهش می‌دهد و کیفیت زندگی جوامع را بهبود می‌بخشد.»
الگوریتم‌های هوش مصنوعی برنده جایزه
در پاسخ به این نیاز، جامعه محاسبات تصاویر پزشکی و مداخله کامپیوتری (MICCAI) در سال 2023 چالشی را برای بهبود سیستم‌های غربالگری مبتنی بر کامپیوتر برای تصاویر شبکیه صادر کرد.
در حال حاضر، ماکولوپاتی نزدیک‌بینی با استفاده از اسکن‌های توموگرافی انسجام نوری تشخیص داده می‌شود که تصاویر دقیقی از شبکیه با استفاده از نور بازتابی ایجاد می‌کند. این اسکن‌ها اغلب به صورت دستی توسط چشم‌پزشکان بررسی می‌شود که زمان‌بر و نیازمند تخصص ویژه است.
پروفسور وانگ و تیمش، از جمله دانشجوی دکترا ون‌هوی ژو و دکتر اوانا دومیتراسکو، متخصص مغز و اعصاب و عضو هیئت علمی، در این چالش MICCAI شرکت کردند و از برندگان بودند.
در اولین بخش از کار خود، آن‌ها ماکولوپاتی نزدیک‌بینی را بر اساس شدت آن به پنج دسته تقسیم کردند. طبقه‌بندی دقیق به چشم‌پزشکان کمک می‌کند تا درمان‌های مؤثرتر و متناسب‌تری ارائه دهند.
محققان الگوریتم‌های جدید هوش مصنوعی به نام NN-MobileNet را توسعه دادند که به نرم‌افزار کمک می‌کند تصاویر شبکیه را بهتر تحلیل کرده و طبقه‌بندی درست ماکولوپاتی نزدیک‌بینی را پیش‌بینی کند. تحقیقات آن‌ها در مجله “تحلیل ماکولوپاتی نزدیک‌بینی” منتشر شد.
بینش‌های کلیدی با شبکه‌های عصبی عمیق
در مرحله بعد، تیم بر تلاش‌های جامعه علمی برای استفاده از شبکه‌های عصبی عمیق – نوعی از هوش مصنوعی – برای پیش‌بینی معادل کروی در اسکن‌های شبکیه متمرکز شد. معادل کروی تخمینی از خطای انکساری چشم است که برای تجویز لنزهای اصلاحی ضروری است.
با توسعه الگوریتم‌های جدید هوش مصنوعی که بر کیفیت و مرتبط بودن داده‌ها تأکید داشتند، آن‌ها به نتایج استثنایی دست یافتند و در عین حال نیاز به توان محاسباتی را به حداقل رساندند. این تحقیق نیز در مجله “تحلیل ماکولوپاتی نزدیک‌بینی” منتشر شد.
علاوه بر این، پروفسور وانگ با دیگر تیم‌های برنده از چالش MICCAI در مقاله سومی که در سپتامبر در مجله JAMA Ophthalmology منتشر شد، همکاری کرد.
محققان یافته‌های خود را برای تحریک پیشرفت‌های بیشتر در تشخیص زودهنگام و مؤثر ماکولوپاتی نزدیک‌بینی در دسترس قرار دادند و هدف آن‌ها بهبود نتایج درمانی در سطح جهانی بود.
مقابله با نابرابری‌های بهداشتی
پروفسور وانگ توضیح داد که یکی از انگیزه‌های اصلی کارش مقابله با نابرابری‌های بهداشتی است. او گفت: «مردمی که در مناطق روستایی زندگی می‌کنند دسترسی به دستگاه‌های تصویربرداری پیشرفته و پزشکان را دشوار می‌یابند.»
وی افزود: «هنگامی که فناوری مبتنی بر هوش مصنوعی در دسترس قرار گیرد، کیفیت زندگی جمعیت‌های سراسر جهان، از جمله کسانی که در کشورهای در حال توسعه زندگی می‌کنند، به طور قابل توجهی بهبود خواهد یافت.»
راه‌حل‌هایی برای جلوگیری از از دست دادن بینایی
راس ماچیوفسکی، مدیر دانشکده رایانش و هوش افزوده، پروژه وانگ را نمونه‌ای مهم از کارهای نوآورانه در حوزه پزشکی تمجید کرد.
او گفت: «با افزایش نزدیک‌بینی و ماکولوپاتی نزدیک‌بینی، راه‌حل‌هایی برای جلوگیری از از دست دادن بینایی و کمک به متخصصان بهداشت و درمان برای ارائه بهترین گزینه‌های درمانی به بیماران خود لازم است.»
«تحقیقات نوآورانه یالین وانگ نمونه‌ای اصولی از استفاده از هوش مصنوعی برای رسیدگی به این مسئله پزشکی وخیم است.»
