بیمارستان فارابی

با توجه به سخنرانی دکتر مسعود اقصائی‌ فرد، استاد گروه چشم‌پزشکی دانشگاه علوم پزشکی تهران در بیمارستان فارابی با موضوع «تجارب من با هوش مصنوعی در نوروافتالمولوژی»، اهمیت ادغام فناوری‌های نوین در رویکردهای بالینی بیش از پیش نمایان شده است. بر اساس مقالات و گزارش‌های منتشر شده در آکادمی چشم‌پزشکی آمریکا (www.aao.org)، هوش مصنوعی (AI) و یادگیری عمیق (Deep Learning) در حال ایجاد یک انقلاب در تشخیص و پایش بیماری‌های عصبی-چشمی هستند. در این مطلب آموزشی، کاربردهای کلیدی این فناوری را برای دستیاران چشم‌پزشکی مرور می‌کنیم. علاقه مندان می توانند با کلیک روی مطالعه بیشتر در انتهای مطلب، فیلم سخنرانی دکتر اقصائی فرد را مشاهده کنند.

 ۱. افتراق پاپیلدما (Papilledema) از سودوپاپیلدما

یکی از چالش‌برانگیزترین معاینات در اورژانس‌های چشم‌پزشکی و نوروافتالمولوژی، افتراق تورم واقعی دیسک اپتیک ناشی از افزایش فشار داخل جمجمه‌ای (ICP) از موارد کاذب مانند دروزن دیسک اپتیک (Optic Disc Drusen) است.

• نقش AI: بر اساس مطالعات تایید شده در AAO، شبکه‌های عصبی پیچشی (CNNs) آموزش‌دیده با هزاران تصویر فاندوس (Fundus Photographs) می‌توانند با حساسیت و ویژگی (Sensitivity & Specificity) بالا، پاپیلدما را از دیسک‌های طبیعی و سودوپاپیلدما افتراق دهند. این ابزار به عنوان یک سیستم پشتیبان تصمیم‌گیری بالینی (CDSS) در مناطق با دسترسی محدود به متخصص نوروافتالمولوژی بسیار کارآمد است.

۲. تحلیل پیشرفته تصاویر OCT (Optical Coherence Tomography)

تصویربرداری OCT پایه و اساس ارزیابی‌های نوروافتالمولوژی مدرن است.

• نقش AI: الگوریتم‌های یادگیری ماشین (Machine Learning) اکنون قادرند تغییرات میکروسکوپی در ضخامت لایه فیبر عصبی شبکیه (RNFL) و لایه سلول‌های گانگلیونی (GCC) را با دقتی فراتر از چشم انسان ارزیابی کنند. این فناوری در پایش پیشرفت بیماری‌هایی نظیر مولتیپل اسکلروزیس (MS)، نوریت اپتیک و نوروپاتی‌های اپتیک ایسکمیک (NAION) کاربرد دارد و می‌تواند خطر افت دید آتی را پیش‌بینی کند.

۳. تفسیر هوشمند میدان بینایی (Visual Field Analysis)

تفسیر تست‌های پریمتری، به ویژه در بیمارانی که همکاری مناسبی ندارند یا در مراحل اولیه بیماری هستند، می‌تواند مبهم باشد.

• نقش AI: مدل‌های هوش مصنوعی با تحلیل الگوهای پنهان در تست‌های میدان بینایی (Humphrey Visual Field)، قادرند پیشرفت نقص‌های عصبی را زودتر از شاخص‌های آماری سنتی (مانند MD و PSD) تشخیص دهند. این الگوریتم‌ها نویزهای ناشی از خستگی یا عدم تمرکز بیمار (Artifacts) را فیلتر کرده و دیتای خالص‌تری را در اختیار پزشک قرار می‌دهند.

۴. ارزیابی حرکات چشم و اختلالات مردمک

ارزیابی دقیق حرکات چشم در فلج اعصاب جمجمه‌ای (Cranial Nerve Palsies) یا نیستاگموس‌ها نیازمند تجربه بالینی بالایی است.

• نقش AI: نرم‌افزارهای مبتنی بر بینایی ماشین (Computer Vision) و ردیابی چشم (Eye-tracking) که حتی روی تلفن‌های هوشمند نیز قابل پیاده‌سازی هستند، می‌توانند با اندازه‌گیری دقیق زوایای انحراف چشم و سرعت واکنش مردمک‌ها (Pupillometry)، به تشخیص زودهنگام پاتولوژی‌های ساقه مغز و اعصاب حرکتی چشم کمک کنند.

چالش‌ها و نکاتی برای رزیدنت‌ها (از دیدگاه AAO)

در حالی که هوش مصنوعی ابزاری قدرتمند است، آکادمی چشم‌پزشکی آمریکا بر درک محدودیت‌های آن توسط رزیدنت‌ها تاکید دارد:

1. پدیده جعبه سیاه (Black Box):

   بسیاری از الگوریتم‌های یادگیری عمیق، مسیر رسیدن به تشخیص را نشان نمی‌دهند. پزشک باید همواره داده‌های AI را با یافته‌های بالینی خود (Clinical Correlation) تطبیق دهد.

2. سوگیری داده‌ها (Data Bias):

   الگوریتم‌ها بر اساس جمعیتی که روی آن‌ها آموزش دیده‌اند عمل می‌کنند. اگر سیستم با داده‌های نژادی یا جمعیتی متفاوتی آموزش دیده باشد، ممکن است در بیماران بومی خطای تشخیصی داشته باشد.

3. مسئولیت قانونی:

    هوش مصنوعی جایگزین قضاوت بالینی پزشک نیست. تصمیم‌گیری نهایی و مسئولیت درمان همچنان بر عهده متخصص چشم‌پزشکی است.

آشنایی با مبانی و کاربردهای هوش مصنوعی برای دستیاران چشم‌پزشکی دیگر یک انتخاب نیست، بلکه یک ضرورت آموزشی است. همان‌طور که در تجربیات اساتیدی چون دکتر اقصائی‌فرد مشاهده می‌شود، آینده نوروافتالمولوژی ترکیبی از تخصص و شهود انسانی بالینی در کنار قدرت پردازش بی‌نقص ماشین‌ها خواهد بود.