کاربرد پایتون در پزشکی – به زبان ساده

کاربرد پایتون در پزشکی بسیار گسترده است. برای مثال می‌توان به مواردی مانند کشف دارو، ارائه مشاوره‌های پزشکی، مدیریت بیمارستان و غیره اشاره کرد. کامپیوتر‌ها و دستگاه‌هایی مانند تلفن‌های هوشمند و تبلت‌ها به بخش‌های مختلف زندگی انسان ورود کرده‌اند. حوزه پزشکی هم از این تغییرات سریع و بزرگ عقب نمانده است. در نتیجه تمام سازمان‌های فعال در حوزه بهداشت و سلامت، حجم بسیار زیادی داده تولید می‌کنند. دانشمندان علوم کامپیوتر، اغلب اوقات از پایتون استفاده می‌کنند. زیرا این زبان برنامه نویسی تقریبا در تمام تکنولوژی‌های نوظهور ورود کرده است. پایتون ابزارهای بسیار زیادی برای کمک به مختصصان بهداشت و سلامت فراهم کرده است. با کمک پایتون می‌توان اطلاعات بسیار مفیدی از داده‌های انبوه جمع آوری شده استخراج کرد. در این مطلب از مجله فرادرس با کاربرد پایتون در پزشکی آشنا می‌شوید. ابتدا مهم‌ترین کاربرد‌های پایتون و علت استفاده از این زبان برنامه نویسی را توضیح می‌دهیم. سپس چند مورد از استفاده‌های پایتون را با ارائه جزئیات بیشتر بررسی می‌کنیم. در انتهای مطلب هم درباره کاربرد‌های آینده پایتون نوشته‌ایم.

کاربرد پایتون در پزشکی چیست؟

در فهرست پایین، چند مورد از کاربردهای پایتون در پزشکی نوشته شده‌اند.

• ارتقا کیفیت سیستم مدیریت کلینیک‌های پزشکی
• ارتقا کیفیت آموزش در حوزه Genomics
• کشف داروهای تازه
• پیش بینی نتیجه استفاده از درمان‌های مختلف
• انجام تشخیص‌های پزشکی

اپلیکیشن‌های توسعه داده شده با پایتون به متخصصان امور سلامت کمک می‌کند با سرعت بیشتری بیماری‌ها و مشکلات مختلف را تشخیص بدهند. همچنین به وسیله این اپلیکیشن‌ها می‌توان کیفیت مراقبت از بیماران را نیز افزایش داد. پایتون اصلی‌ترین زبان برنامه نویسی برای تولید محصولات اختصاصی بخش پزشکی است. در صنعت سلامت از پایتون برای ساخت مدل‌های بینایی ماشین و سیستم‌های نظارت لحظه‌ای وضعیت بیمار استفاده می‌شود.

اغلب اوقات، پایتون به عنوان زبانی با کاربری آسان شناخته می‌شود. پایتون سینتکس شفاف، جامعه کاربری بزرگ و منحنی یادگیری ساده‌ای دارد. سینتکس ساده و خوانای پایتون به توسعه‌دهندگان کمک می‌کند که به سرعت کدهای کاربردی بنویسند. در ضمن این ویژگی‌ها زمان مورد نیاز برای دیباگ کردن و عیب‌یابی برنامه را هم کاهش می‌دهند. ویژگی مهم بعدی پایتون این است که می‌توان کدهای آن را بر روی سیستم عامل‌های مختلف اجرا کرد.

در جدول زیر، چند حوزه مهم از کاربردهای پایتون در پزشکی را نوشته‌ایم.

مدیریت کارهای بیمارستان

انجام بهینه امور اداری در بیمارستان‌ها برای ارائه خدمات صحیح و به موقع به بیماران از اهمیت بالایی برخوردار است. در گذشته، بیشتر سازمان‌های درمانی مانند بیمارستان‌ها از سیستم‌های اداری دیجیتال جامع و یک‌پارچه برخوردار نبودند. اما الان بیشتر کارهای اداری به وسیله کامپیوتر‌ها و اپلیکیشن‌های پایتون به صورت خودکار انجام می‌شود.

کارهای بیمارستانی بدون وقفه و به صورت ۲۴ ساعته انجام می‌شوند. مدیریت بیمارستان اغلب شامل کارهایی مانند برنامه‌ریزی برای دکترها، پرستارها و سایر نقش‌های فعال در سازمان است. برای انجام صحیح این کار باید مسئولیت‌های هر نقش را به صورت مجزا در مقابل بیماران مشخص بکنیم.

گاهی اوقات ممکن است فرآیندهای مدیریتی با بی‌نظمی همراه باشند. با این حال، استفاده از پایتون در سال‌های اخیر باعث شده است برنامه‌ریزی و مدیریت انجام فعالیت‌های مختلف با دقت بیشتری انجام شود. به لطف تلاش‌های دانشمندان علوم کامپیوتر، در بخش مراقبت‌های بهداشتی، پایتون برای اهدافی مانند تجزیه و تحلیل داده‌ها ورود کرده و کیفیت انجام کارها را ارتقا داده است.

به خاطر استفاده از تکنولوژی «علم داده» (Data Science) در پایتون، به راحتی می‌توانیم فرایند‌های بیمارستانی را بررسی و تحلیل کنیم. یکی دیگر از خدمات دیجیتالی در این حوزه مربوط ساخت اپلیکیشن بیمه‌های درمانی است. این اپلیکیشن به کاربران در مدیریت بیمه‌نامه‌ها، ثبت درخواست‌ها و دسترسی به خدمات پزشکی با سهولت و شفافیت بیشتر کمک می‌کند.

کاربرد پایتون در پزشکی: تجزیه و تحلیل تصاویر MRI و غیره

پایتون نسبت به سایر زبان‌های برنامه نویسی کاربری ساده‌تری دارد. در ضمن عیب‌یابی کدهای نوشته شده با آن هم به مراتب ساده‌تر و سریع‌تر از دیگر زبان‌ها انجام می‌شود. در زمان انجام تشخیص‌های درمانی، درک درست تصاویر پزشکی از اهمیت بسیار بالایی برخوردار است. نتیجه‌گیری‌هایی که از این تصاویر به دست می‌آید نیز اهمیت دارند.

در این حوزه، تکنولوژی‌های تصویربرداری مانند «توموگرافی کامپیوتری» ( Computed Tomography | CT) و «تصویربرداری عصبی» (Neuroimaging) یا همان MRI مورد استفاده قرار می‌گیرند. این دستگاه‌ها در واقع نوعی اسکنر هستند. با این حال، در بسیاری از موارد این فرایند همچنان به شکل سنتی و دستی انجام می‌شود. یعنی پزشکان ناچارند تصاویر به‌دست‌آمده را به صورت جداگانه و با بررسی چشمی تحلیل کنند.

کشف و دسته‌بندی تومور‌ها

یکی از رایج‌ترین کاربرد‌های ماشین لرنینگ در پزشکی مربوط به کشف تومورها با استفاده از سیستم «تشخیص خودکار کامپیوتری» (Computer-Automated Detection | CAD) است. در این روش از شبکه‌های کانولوشنی یا CNN برای محاسبه احتمال وجود داشتن ضایعه‌های واقعی استفاده می‌شود.

برای مثال در ماموگرافی می‌توان از هوش مصنوعی برای دادن نظر دوم به رادیولوژیست‌ها کمک گرفت. پزشکان زیادی از کمک‌های هوش مصنوعی استفاده می‌کنند. این فناوری به میزان چشم‌گیری دقت غربالگری را افزایش داده است. در صورتی که پزشک یا سیستم درمانی می‌خواست از دو پزشک مختلف برای گرفتن نظر استفاده کند باید هزینه مالی بیشتری را بر عهده می‌گرفت.

پزشکان اغلب اوقات در تشخیص و دسته‌بندی «گلیوبلاستوما» (Glioblastoma | GBM)، نوعی تومور بدخیم مغزی، دچار مشکل می‌شوند. مشکل اصلی اینجاست که این دسته از تومور‌ها به صورت تهاجمی، عمیق و گسترده رشد کرده و پخش می‌شوند. این نوع از تومور‌ها برعکس دیگر تومور‌های مغزی به سختی تشخیص داده می‌شوند. در ضمن بررسی واکنش آن‌ها به درمان‌های مختلف هم مشکل است. اما پایتون با کمک «یادگیری عمیق» تصاویر MRI گیلوبلاستوما را به صورت خودکار تجزیه‌ و تحلیل کرده و نتایج دقیق‌تری در اختیار پزشکان قرار می‌دهد.

تشخیص ناهنجاری‌های قلبی و عروقی

استفاده از پایتون برای خودکار‌سازی تشخیص «ناهنجاری‌های قلبی و عروقی» (Cardiovascular Abnormalities) با بررسی تصاویری مانند «اشعه ایکس» (X–ray) از قفسه سینه، سرعت شناسایی مشکل را بیشتر کرده و خطر بروز عوارض را کاهش می‌دهد. با بررسی این تصاویر می‌توان احتمال بروز «کاردیومگالی» (Cardiomegaly) را هم بررسی کرد. ابزارهای هوش مصنوعی ساخته شده با پایتون به اجرای خودکار وظایف مربوط به دستیاران پزشکان هم کمک می‌کنند. این وظایف شامل اندازه‌گیری قطر «سرخرگ ریوی» (Pulmonary Artery) و «زاویه کارینا» (Carina Angle) هم می‌شود.

الگوریتم‌های یادگیری ماشین می‌توانند تصاویر را ارزیابی کرده و به صورت خودکار، گزارش‌ بنویسند. استفاده از این مدل‌ها در زمان نیروی‌های انسانی صرفه‌جویی می‌کند. زیرا به آن‌ها برای دسته‌بندی ناهنجاری‌های مختلف کمک می‌کند. کاربرد دیگر این گزارشات در انجام مقایسه ساده‌تر بین نتایج معمولی و غیرمعمولی است.

تشخیص شکستگی‌ها و سایر آسیب‌های فیزیکی

دانشمندان علم داده از نرم‌افزارهای مجهز به یادگیری ماشین برای تشخیص شکستگی‌ها و آسیب‌های وارد شده بر روی بافت نرم در جاهایی استفاده می‌کنند که مشاهده آن‌ها مشکل است. این اطلاعات به جراحان کمک می‌کند که تصمیم‌های درمانی را با اطمینان بیشتری بگیرند. استفاده از الگوریتم‌های «بدون سوگیری» (Unbiased) در هنگام تحلیل تصویر به پزشکان کمک می‌کند تا تمام آسیب‌های موجود در بدن را تشخیص داده و در نتیجه بهترین روش‌های درمانی را پیشنهاد بدهند.

ابزارهای هوش مصنوعی می‌توانند تحلیل کاملی از تصاویر پزشکی ارائه بدهند. آن‌ها گزارش‌های دقیقی را در کمترین زمان ممکن ارائه می‌دهند. وجود چنین داده‌هایی تاثیر مستقیمی بر سلامت بیماران گذاشته و تا جای ممکن عوارض درمان‌های نادرست را کاهش می‌دهد.

تشخیص مشکلات و عوارض قفسه سینه

بیماری‌های سینه مانند ذات‌الریه به درمان‌ سریع نیاز دارند. دکتر‌ها برای تشخیص عوارض ذات‌الریه از تصاویر رادیولوژی استفاده می‌کنند. با بررسی دقیق این تصاویر می‌توان بیماری ذات‌الریه را از عوارض طولانی مدت بیماری‌هایی مانند «کرونا » (COVID-19) تشخیص داد. هر چند همیشه امکان دسترسی دائمی به رادیولوژیست و تحلیل تصاویر و تولید گزارش برای ارائه به پزشک وجود ندارد. حتی در صورت در دسترس بودن این افراد باز هم تشخیص ذات‌الریه برای بیمارانی که از قبل با عوارض ریوی درگیر بودند کمی مشکل است.

الگوریتم‌های هوش مصنوعی مبتنی بر پایتون می‌توانند تصاویر تولید شده با اشعه ایکس و سایر روش‌های پزشکی را تجزیه و تحلیل کرده و ذات‌الریه را تشخیص بدهند. سپس این برنامه‌ها به صورت خودکار کادر درمان را درباره مشکلات سلامتی بیمار مطلع می‌کنند. در نتیجه بیماران از روش‌های درمانی دقیق‌تر و سریع‌تری برخوردار می‌شوند.

غربالگری برای بررسی سرطان‌های شایع

انکولوژیست‌ها از تصویربرداری پزشکی برای غربالگری‌های منظم و پیشگیرانه سرطان استفاده می‌کنند. این غربالگری‌ها شامل سرطان‌هایی مانند سرطان روده بزرگ (کولون)، سرطان پروستات و سرطان پستان هستند. رادیولوژیست‌ها ممکن است در زمان غربالگری سرطان سینه با مشکلاتی روبه‌رو شوند.

• تشخیص اشتباه تومور‌ خوش‌‌خیم: گاهی از اوقات دسته‌بندی صریح تومور‌ها مشکل است. هر تومور‌ می‌تواند خوش‌خیم یا بدخیم باشد. اعلام نتایج مثبت غلط، باعث بروز مشکلات جدی می‌شود. برای مثال شاید پزشکان دست به آزمایشات تهاجمی بزنند که واقعا نیازی به آن‌ها نیست. یا حتی فرایند‌های درمانی را شروع کنند که اصلا بیمار احتیاجی به آن‌ها ندارد.
• تشخیص اشتباه تومور‌ بدخیم: در چنین مواردی، تشخیص اشتباه منجر به شناسایی دیرهنگام بیماری و عوارض خطرناک برای بیمار می‌‌شود.

استفاده از هوش مصنوعی توانایی پزشکان را در تحلیل تصاویر و ارائه تشخیص درست بیشتر می‌کند. در نتیجه تعداد نمونه‌برداری‌های غیرضروری از تومورهای خوش‌خیم به مقدار قابل توجهی کمتر می‌شود.

آموزش تحلیل داده با کمک فرادرس

کاربرد پایتون در صنعت، بسیار گسترده است. کاربرد پایتون در پزشکی فقط یکی از زیرمجموعه‌های قابلیت‌ها و کارآمدی‌های پایتون است. اما برای توسعه این کاربردها که بیشتر هم در حوزه هوش مصنوعی، داده کاوی و شبکه‌های عصبی است باید تکنیک‌های مختلف تحلیل داده را بلد باشیم. متخصصان تحلیل داده، تقریبا در هر حوزه‌ای به کار گرفته می‌شوند. یادگرفتن مهارت‌های مربوط به این رشته باعث می‌شود فرصت‌های شغلی بسیار خوب و متنوعی برای توسعه‌دهندگان پایتون به وجود بیاید. بنابراین افراد زیادی تمایل به یادگیری تحلیل داده با پایتون دارند.

تعداد زیادی کتابخانه و ابزار برای تحلیل داده با زبان پایتون توسعه داده شده‌اند. وجود این کتابخانه‌ها و فریم‌ورک‌ها در کنار انعطاف‌پذیری بالا و کدهای خوانا، پایتون را به یکی از بهترین گزینه‌ها برای تحلیل داده تبدیل کرده‌اند. با استفاده از پایتون به سادگی می‌توان تحلیل‌های پیچیده‌ای انجام داد. فرادرس برای کمک به آموزش تحلیل داده با پایتون مجموعه کاملی از فیلم‌های آموزشی باکیفیت را تولید و منتشر کرده است. با بررسی این فیلم‌ها به راحتی می‌توانید در این حوزه متخصص شوید.

در فهرست پایین، چند مورد از فیلم‌های آموزش تحلیل داده در پایتون را معرفی کرده‌ایم. برای مشاهده فیلم‌های بیشتر بر روی تصویر بالا، کلیک کرده و به صفحه اصلی این مجموعه آموزش هدایت شوید.

• فیلم آموزش آشنایی با شغل کارشناس تحلیل داده ها، بررسی وظایف، فرصت ها و بازار کار
• فیلم آموزش ساخت عامل هوشمند تحلیلگر داده با LangChain و Ollama در پایتون، گام‌به‌گام و عملی
• فیلم آموزش تجزیه و تحلیل داده های مالی با پایتون، بخش یکم + گواهینامه
• فیلم آموزش شناسایی ناهنجاری داده با پایتون، از روش‌های پایه تا پیشرفته + گواهینامه
• فیلم آموزش SymPy در پایتون برای محاسبات پارامتریک، دوره مقدماتی

در ادامه با چند مورد از رایج‌ترین کاربردهای NLP در پزشکی آشنا می‌شوید.

کاربرد پایتون در پزشکی: پردازش زبان طبیعی

دانشمندان علم داده و کادر درمان از فناوری «پردازش زبان طبیعی» (Natural Language Processing | NLP) برای مدیریت و مطالعه چیز‌های مختلف استفاده می‌کنند. برای مثال در هنگام ویزیت بیمار با بررسی نشانه‌ها و علائم حیاتی می‌توانند وضعیت او را تشخیص بدهند. NLP به سرعت اسناد پزشکی را مطالعه کرده و داده‌های بدست آمده را به پایگاه داده اضافه می‌کند. سیستم‌های NLP با توجه به داده‌های قابل خواندن از متن و تصاویر پزشکی، کلمات و عبارت‌های مهم را تشخیص می‌دهند.

روش‌های شگفت‌انگیز زیادی برای استفاده از NLP در سازمان‌های بهداشت و درمان وجود دارند. بیشتر این تکنیک‌ها به انجام تحقیقات در حوزه‌های پزشکی و درمانی کمک می‌کنند.

در این بخش از مطلب، چند روش مختلف را برای استفاده از NLP در پزشکی بررسی می‌کنیم. البته تصویر بالا تمام کارایی این تکنولوژی را نشان نمی‌دهد. اما چند مورد از کاربردهای یادگیری ماشین را معرفی کرده است.

ساخت سیستم پشتیبانی تصمیم‌گیری بالینی با NLP

برنامه نویسان پایتون با کمک NLP و استفاده از داده‌های قبلی بیماران می‌توانند سیستمی برای «پشتیبانی از تصمیم‌‌گیری بالینی» (Clinical Decision Support | CDS) بسازند. این سیستم‌ها به پزشکان کمک می‌کنند تا بر اساس دانش ذخیره شده از وضعیت بیمار در پایگاه داده، تصمیمات درمانی صحیح و سریع بگیرند.

این پایگاه داده می‌تواند شامل اطلاعاتی از دست نوشته‌های پزشکان مختلف (به صورت دستی یا تایپ شده)، نتایج آزمایشگاه و فایل‌های صوتی رونویسی شده باشند. این سیستم اطلاعات بیمار را از روی داده‌های پزشکی برمی‌دارد. سپس با متصل کردن آن‌ها به همدیگر و بیماری‌های احتمالی، وضعیت بیمار را تشخیص می‌دهد. انجام این کار نیاز به داده‌های موجود از بیمار‌های قبلی یا سایر تحقیقات پزشکی دارد.

استفاده از NLP برای افزاش توانایی‌های فنوتیپی

فنوتیپ به ویژگی‌های قابل مشاهده و اندازه‌گیری در اورگانیزم‌‌های طبیعی گفته می‌شود. فنوتیپ‌ها می‌توانند فیزیکی یا بیوشیمی باشند. درمانگران بالینی با بررسی فنوتیپ‌های مختلف می‌توانند بیماران را دسته‌بندی بکنند. با بررسی فنوتیپ‌ها پزشکان بهتر متوجه داده‌های بیمار شده و می‌توانند آن‌ها را با سایر بیماران مقایسه کنند.

• NLP ابزار بسیار خوبی برای استخراج و تحلیل داده‌های غیرساختاریافته است. با استفاده از NLP به ۸۰٪ از داده‌های بیماران دسترسی پیدا می‌کنیم.
• با کمک NLP می‌توانیم به شکل خیلی بهتری فنوتیپ‌های مختلف را بررسی کنیم. زیرا گزارش‌های پاتولوژی شامل حجم عظیمی از اطلاعات درباره بیماران است.
• NLP با استخراج داده‌ها به تحلیل‌گران کمک می‌کند تا به سوالات پیچیده و خاص جواب دهند. برای مثال می‌توانیم بفهمیم که کدام جهش‌های ژنتیکی با کدام نوع بافت سرطانی ارتباط دارد.

بررسی احتمال وقوع بیماری‌های روانی

محققان در گزارشی کاربرد‌ NLP و تکنیک «تحلیل معنایی پنهان» (Latent Semantic Analysis | LSA) را درباره اندازه‌گیری احتمال بروز بیماری‌های روانی در جوانان پرخطر، بررسی کرده‌اند. آن‌ها از داده‌های مربوط به فایل‌های صوتی رونویسی شده در NLP استفاده کردند. این مدل در داده‌های آموزشی با میزان دقت ۹۳٪ و در داده‌های آزمایشی با میزان دقت ۹۰٪ بهترین نتیجه را داده بود. مدل مورد اشاره، در پیش‌بینی اینکه آیا بیمار به روان‌پریشی، مبتلا خواهد شد یا نه، عملکرد خوبی داشت. البته باید توجه کنیم که در آن گزارش، جامعه نمونه کوچکی با حدود ۴۰ نفر بررسی شده بودند.

شناسایی و طبقه‌بندی بیماران سیروز کبدی

کاربرد دیگر پایتون در پزشکی، استفاده از NLP برای شناسایی بیماران التهاب کبد یا سیروز است. در مطالعه‌ای از کابرد NLP برای شناسایی این بیماران و طبقه‌بندی آن‌ها بر اساس میزان خطر و وخامت حالشان استفاده شده است. این سیستم با بررسی داده‌های سلامتی الکترونیکی،‌ کدهای «ICD-9» و اسکن‌های رادیولوژی با بیش از ۹۷٫۷۱٪ دقت به خوبی موفق به شناسایی بیماران مورد نظر شده است. یعنی اینکه با داشتن چنین سیستمی می‌توانیم بیماران التهاب کبدی یا سیروز را با کمک بررسی داده‌های بیمارستانی به راحتی پیدا کرده و برای درمان اقدام کنیم.

تشخیص موارد سرطان قابل گزارش

کاربرد دیگر NLP در تشخیص موارد سرطان قابل گزارش به «سازمان ملی ثبت سرطان» (National Cancer Registries) است. هدف اصلی از این کار، خودکار‌سازی فرایند اعلام گزارش بیماران سرطانی به «برنامه ملی ثبت سرطان در ایالات متحده آمریکا» (U.S. National Program of Cancer Registries)‌ است. این مطالعه از NLP برای تحلیل گزارش‌های پاتولوژی و عوارض بیماران استفاده می‌کند. مدل «یادگیری ماشین نظارت‌شده» (Supervised Machine Learning) در این روش، ۸۲٪ دقت در اعلام صحیح نتایج دارد.

کاربرد NLP برای انجام تحلیل‌های پیشگویانه

یکی از جذاب‌ترین مزایای استفاده از NLP آن است که توسعه‌دهندگان پایتون با کمک این فناوری می‌توانند تحلیل‌های پیشگویانه‌ای ارائه بدهند. این تحلیل‌ها به افزایش نرخ سلامتی کلی جامعه منتهی می‌شوند. برای مثال NLP می‌تواند برای تشخیص موراد خودکشd پست‌های منتشر شده در شبکه‌های اجتماعی را تجزیه و تحلیل بکند.

با تشخیص صحیح این موارد، افراد فعال در حوزه درمان‌های روانشناختی مداخله کرده و از بروز اتفاقات ناخوشایند جلوگیری می‌کنند. خودکشی یکی از مهم‌ترین عوامل مرگ‌ومیر در آمریکاست. گزارشی که اخیرا توسط «سازمان ملی سلامت روان» (National Institute of Mental Health | NIMH) منتشر شده نشان می‌دهد که حدود ۱۲ میلیون نفر بزرگسال در آمریکا به طور جدی به خودکشی فکر می‌کنند. در حدود ۱۰٪ از این افراد نیز برای انجام خودکشی برنامه‌ریزی و اقدام کرده‌اند.

متخصصان حوزه بهداشت و درمان در پی پیدا کردن افراد یا گروه‌های در معرض خطر هستند. کشف آن‌ها به انجام اقدامات پیش‌دستانه و کمک به افراد نیازمند منتهی می‌شود. چند مطالعه مختلف برای پیش‌بینی اقدام به خودکشی بر اساس پست‌های شبکه‌های اجتماعی اتفاق افتاده است.

یکی از این مطالعات مدل خود را بر اساس داده‌های جمع‌آوری شده از توئیتر آموزش داد. این مدل، دقت بالایی در حد ۷۰٪ از خودش نشان می‌دهد. در این بررسی چند نکته کلیدی مشخص شد. برای مثال می‌توان به موارد زیر اشاره کرد.

• افراد در معرض خطر از ایموجی‌هایی کمتری در متن‌های خود استفاده می‌کنند.
• در صورت استفاده هم بیشتر ایموجی‌های آبی رنگ یا نماد قلب شکسته را به کار می‌برند.
• در ضمن بیشتر توئیت‌های قبل از اقدام به خودکشی، محتوای غمگین یا عصبانی دارند.

تحلیل احساسات در توییتر با پایتون یکی دیگر از کاربردهای جالب و مفید این زبان برنامه نویسی است. برای آشنایی با این تکنیک پیشنهاد می‌کنیم که مطلب مربوط به آن را در مجله فرادرس مطالعه بکنید.

سازمان‌های فعال در حوزه بهداشت و درمان، همین الان نیز از NLP استفاده می‌کنند. این سازمان‌ها با کمک پایتون و پیاده‌سازی NLP به سادگی نتایج بسیار مهم و مفیدی را از حجم انبوه داده‌ها استخراج می‌کنند. شرکت‌های بزرگ تکنولوژی هم در حال ساخت ابزارهای NLP برای ارائه خدمات به سازمان‌های درمانی هستند.

برای مثال، آمازون ابزار NLP ساده‌ای برای کار در بیمارستان‌ها فراهم کرده است. کادر درمان با کمک این ابزار می‌توانند اطلاعات ارزشمند موجود در حجم انبوه داده‌ها را استخراج کنند.

• با این ابزار می‌توان بیماران مناسب را برای مطالعات آزمایشی پیدا کرد.
• در ضمن وضعیت بیماری آن‌ها با درصد بالایی درست تشخیص داده می‌شود.
• از این ابزار می‌توان در ساخت سیستم‌های اعلام هشدار نیز استفاده کرد. این سیستم‌ها به تشخیص زود‌هنگام بیماری‌های خاصی مانند «اسکلروز» (Sclerosis) کمک می‌کنند.

کاربرد پایتون در پزشکی: پیش‌بینی و تحلیل بیماری‌های پیچیده

تحلیل‌گران، الگوریتم‌های یادگیری ماشین در پایتون را برای مطالعه بر روی ژن‌های انسان به کار می‌برند. آن‌ها از این الگوریتم‌ها برای پیش‌بینی وقوع بیماری‌های واگیردار و درمان آن بیماری‌ها استفاده می‌کنند. درک این نکته که ژنتیک انسان در طول تکامل ممکن است با چه خطراتی روبه‌رو شود، به پیش‌گیری از وقوع آن‌ها و کشف درمان کمک می‌کند. اطلاعات مفید بدست آمده از این بررسی‌ها به دکترها کمک می‌کند که دارو‌ها و درمان‌های اختصاصی و مجزا را برای هر بیمار تجویز کنند. این پروژه‌های تحقیقاتی خطر ظهور بیماری‌های خیلی پیچیده‌تر را کاهش می‌دهند.

پیش‌بینی روش تغییر بیماری‌ها در گذر زمان کار سختی است. سیستم‌های خیلی کمی می‌توانند این وظیفه را به خوبی انجام بدهند. به خصوص به این دلیل که بعضی از بیماری‌ها باسرعت خیلی زیاد و به شکل‌های غیرمنتظره‌ای تغییر می‌کنند. توسعه‌دهندگان با کمک زبان برنامه نویسی پایتون می‌توانند مدل‌های یادگیری ماشین کارآمدی بسازند. این مدل‌ها وقوع بیماری‌ها را حتی قبل از ظهورشان پیش‌بینی می‌کنند.

«توالی‌یابی نسل بعدی» (Next-Generation Sequencing | NGS) در ژنتیک انسان یکی از مهم‌ترین پیشرفت‌های این حوزه است. NGS بخش بسیار مهمی از تحقیقات دارویی و بیولوژیکی است. اهمیت این پیشرفت باعث شده است نیاز شدیدی به پردازش و تحلیل داده‌های تولید شده توسط آن داشته باشیم. تحلیل این داده‌ها به رسیدن پاسخ‌ سوالات محققان کمک می‌کند. برای مثال، می‌توان به موارد زیر اشاره کرد.

• طبقه‌بندی و اندازه‌گیری «متاژنومیک» (Metagenomic)
• پیداکردن گونه‌های ژنتیکی مختلف
• تشخیص ویژگی ژن‌ها
• و غیره

با کمک یادگیری ماشین، دانشمندان می‌توانند الگو‌ و روند تغییر شکل بیماری‌ها را پیدا کرده و سپس از آن‌ها برای پیش‌بینی تغییرات احتمالی آینده استفاده کنند. با کمک این ویژگی ماشین لرنینگ می‌توانیم با دقت بالایی احتمال بروز بیماری‌های مختلف را در افراد پیش‌بینی کنیم. برای نمونه می‌توان از بیماری‌های خونی، انواع سرطان‌ها و آلزایمر نام برد.

در زمینه باید بگوییم که گوگل، الگوریتم شبکه عصبی خاصی را توسعه داده است. این الگوریتم با کمک بررسی داده‌های پزشکی می‌تواند وجود سرطان را در بیماران تشخیص دهد. الگوریتم گوگل، بسیار کار‌آمد است. نه تنها فرایند درمان را سریع‌تر می‌کند بلکه با جلوگیری از تشخیص‌های اشتباه، خطر ناشی از پیچیده‌تر شدن بیماری را هم کاهش می‌دهد.

کاربرد پایتون در پزشکی: ارتقای تجربه بیماران

بیشتر این مدل‌ها با کمک تکنولوژی یادگیری ماشین، توسعه داده می‌شوند. یادگیری ماشین به غیر از بهینه‌سازی رفتار‌های سازمانی می‌تواند داده‌های عددی و درمانی را هم پردازش بکند. در صورت علاقه به آموزش این مهارت، پیشنهاد می‌کنیم که فیلم آموزش پردازش داده های عددی پزشکی با یادگیری ماشین همراه با بررسی مثال‌های عملی + گواهینامه را در فرادرس مشاهده کنید. لینک دسترسی به این فیلم را در پایین نیز قرار داده‌ایم.

مدیریت پرسنل درمانی

بیمارستان‌ها می‌توانند با کمک پایتون مشکلات مربوط به کمبود منابع را مدیریت کنند. دانشمندان داده مدل‌هایی را برای مدیریت بهتر فرایند کاری کارمندان تهیه کرده‌اند. با کمک این مدل‌ها بیمارستان از به‌‌کارگیری کارمندان خیلی زیاد در روز‌هایی که بیمار کم است پرهیز می‌کند. به همین ترتیب با پیش‌بینی روز‌های شلوغ می‌توان تعداد کارمند مورد نیاز را تشخیص داده و از کم شدن آن‌ها جلوگیری کرد.

مدیریت امور اداری مانند نوبت دهی

اپلیکیشن‌های پایتون حتی در نوبت‌دهی بیمارستان‌ها هم به کار برده می‌شوند. منابع ICU در بیمارستان‌ها محدود است. بنابراین آن‌ها باید از این منابع به بهترین شکل ممکن استفاده کنند. در مطالعه‌ای که در سال ۲۰۲۱ انجام شده محققان سعی کردن با کمک یادگیری ماشین میزان زمان مورد نیاز برای بستری بیماران در بخش ICU را حدس بزنند. آن‌ها از چهار روش مختلف در یادگیری ماشین استفاده کردند.

• «ماشین بردار پشتیبان» (Support Vector Machine)
• «جنگل تصادفی» (Random Forest)
• یادگیری عمیق یا «دیپ لرنینگ» (Deep Learning)
• «درخت تصمیم گرادیان تقویتی» (Gradient Boosting Decision Tree)

آخرین گزینه با ۷۴٫۷٪ دقت بهترین عملکرد را دارد. تحلیل‌گران صنعتی می‌گویند که استفاده از هوش مصنوعی می‌تواند تا سال ۲۰۲۶ سالانه ۱۵۰ میلیارد دلار صرفه‌جویی اقتصادی برای آمریکا به همراه داشته باشد.

مجموعه داده‌های اوپن‌سورس زیادی وجود دارند که دانشمندان داده با استفاده از آن‌ها می‌توانند مدل‌های یادگیری ماشین خود را برای پیش‌بینی میزان استفاده از ICU توسط کارکنان آموزش بدهند. با کمک این مدل‌ها سیستم تصمیم‌گیری بیمارستان بهتر می‌تواند مصرف منابع را در بخش‌های مختلف مدیریت کند. برای مثال می‌توانید از وب‌سایت «Kaggle» کمک بگیرید. علاوه بر این مورد، دانشمندان علم داده می‌توانند از ویژگی‌های بسیار قدرتمند پایتون در حوزه یادگیری ماشین مانند کتابخانه‌های «Scikit-Learn» و «Keras» و «TensorFlow» و «Pytorch» استفاده کنند. تولیدکنندگان نرم‌افزارهای بیمارستانی با کمک این ابزارها هزینه‌های سازمانی را مدیریت کرده و از امکانات خود به شکل بهتری استفاده می‌کنند.

کشف دارو

پایتون یکی از بهترین زبان‌های برنامه نویسی برای ساخت سیستم‌های کشف دارو است. بررسی آگهی‌های شغلی در وب‌سایت «indeed.com» نشان می‌دهد که بخش خیلی زیادی از موقعیت‌های شغلی در سازمان‌های تحقیقاتی حوزه کشف دارو، به دنبال متخصصان مسلط به پایتون می‌گردند. در نتیجه، یادگیری پایتون فقط یک انتخاب اختیاری نیست. بلکه به ضرورتی مهم برای ورود و اشتغال در حوزه کشف دارو تبدیل شده است.

«PyMOL» (‌توسعه داده شده توسط آسترازنکا) مثال بسیار خوبی درباره استفاده از پایتون در حوزه کشف دارو است. «آسترا زنکا» (AstraZeneca) یکی از شرکت‌هایی است که از پایتون برای سریع‌تر کردن فرایند کشف دارو استفاده می‌کند. PyMOL ابزار قدرتمندی برای نمایش ساختارهای سه‌بعدی اهداف بیماری است و از ۱۲ حالت مختلف برای نمایش سه‌بعدی پشتیبانی می‌کند. این حالت‌ها به کاربران کمک می‌کنند ویژگی‌های ساختاری گوناگون اهداف را به طور واضح مشاهده کرده و به راحتی از یکدیگر متمایز کنند.

دانشمندان از این ابزار برای بررسی محل اتصال مناسب مولکول‌های دارویی استفاده می‌کنند. PyMOL طوری ساخته شده است که به خوبی با انواع روش‌های پیشبینی کار بکند. در تصویر بالا روش کار این ابزار برای ترکیب میلیون‌ها داده به منظور کمک به طراحی نمونه‌های دارویی را مشاهده می‌‌کنید.

مزایای برنامه نویسی پایتون در پزشکی

استفاده از زبان‌های مربوط به توسعه اپلیکیشن‌ برای دستگاه‌های همراه با سرعت بسیار زیادی در حال گسترش است. زیرا هم پشتیبانی از آن‌ها ساده‌تر است. هم کاربران راحت‌تر از امکانات آن‌ها استفاده می‌کنند. همه‌گیری «COVID-19» باعث شده که بخش بهداشت و درمان سیستم‌های خود را با توجه و دقت بیشتری به روزرسانی کند. سیستم‌های قدیمی‌ و سنتی جای خود را به تکنولوژی‌هایی مانند هوش مصنوعی و یادیگری ماشین داده‌اند. زبان‌های برنامه نویسی به راحتی و با ساختن برنامه‌های موبایل این تکنولوژی‌های پیشرفته را در اختیار عموم مردم قرار می‌دهند.

توسعه اپلیکیشن‌های مراقبت‌های بهداشتی، به صنعت پزشکی کمک می‌کند تا به تغییرات جدید، پاسخ دهد. با استفاده از این اپلیشکن‌ها بخش پزشکی می‌تواند به طور کامل به دنیای مدرن و دیجیتال مهاجرت کند. این تغییرات شامل تمام افراد فعال در در این صنعت مانند دکتر‌ها، کارمندان بیمارستان و حتی بیماران و مربیان فیتنس می‌شود.

تکنولوژی‌های سلامتی همراه، روش‌های جدیدی درباره کمک به بیماران در اختیار متخصصان و پزشکان قرار می‌دهند. حتی بخش‌های درمانی و آزمایشگاه‌ها هم می‌توانند از این تکنولوژی‌های مدرن استفاده کنند. با کمک اپلیکیشن‌های جدید بهتر و دقیق‌تر می‌توان داده‌های مربوط به بیماران را ثبت و ضبط کرد. حتی افراد معمولی هم می‌توانند با کمک اپلیکیشن‌های مربوط به سلامتی وضعیت خود را در شرایط مختلف زیر نظر بگیرند.

چطور از فرادرس برای یادگیری ماشین کمک بگیریم؟

فرادرس یکی از بهترین منابع آموزشی را برای کمک به یادگیری ماشین، تولید و منتشر کرده است. همین‌طور که تا به اینجای مطلب دیدیم، یکی از مهم‌ترین دلایل کاربرد پایتون در پزشکی استفاده از آن در فناوری یادگیری ماشین است. یادگیری ماشین در عرصه‌های بسیار متنوعی کاربرد دارد. از پزشکی گرفته تا رباتیک، ورزش، صنایع مالی و غیره همه می‌توانند از یادگیری ماشین استفاده کنند. این حوزه هم به عنوان یکی از زیرمجموعه‌های هوش مصنوعی دسته‌بندی می‌شود. برای همین روزبه‌روز دامنه کاربرد آن گسترش پیدا می‌کند. با استفاده از فیلم‌های فرادرس و تمرین در کنار آن‌‌ها می‌توانید خود را برای فعالیت در شغل‌های مربوط به هوش مصنوعی آماده بکنید.

در فهرست پایین، چند مورد از فیلم‌های مربوط به یادگیری ماشین در فرادرس را معرفی کرده‌ایم.

• فیلم آموزش یادگیری ماشین و پیاده سازی در پایتون، بخش یکم + گواهینامه
• فیلم آموزش یادگیری ماشین به جامع و با مفاهیم کلیدی + گواهینامه
• فیلم آموزش رایگان کتابخانه های پایتون برای یادگیری ماشین و یادگیری عمیق + گواهینامه
• فیلم آموزش مبانی یادگیری عمیق یا Deep Learning + گواهینامه
• فیلم آموزش ریاضی برای یادگیری ماشین، پیاده سازی در پایتون + گواهینامه

برای مشاهده فیلم‌های بیشتر بر روی تصویر زیر کلیک کنید.

آینده کاربرد پایتون در پزشکی

به دلیل وجود مجموعه‌داده‌های بزرگ، نیاز به کاهش هزینه‌ها و کمبود نیروی کار انسانی، رشد ابزارهای هوش مصنوعی و یادگیری ماشین در حوزه بهداشت و درمان در حال شتاب گرفتن است. همکاری بین متخصصان انسانی و ابزارهای هوش مصنوعی روزبه‌روز بیشتر می‌شود. استارت‌آپ‌ها در حال توسعه سیستم‌های هوش مصنوعی «آگاه به انسان» (Human-Aware) هستند و استفاده از ربات‌ها در مراقبت‌های بهداشتی رو به افزایش است.

در زمینه‌های مختلفی مانند «اسکلت بیرونی» (Exoskeleton)، پروتزها (اندام‌های مصنوعی)، «نانوربات‌ها» (Nano-Robots) و اعمال جراحی،‌ ربات‌ها به کار گرفته می‌شوند. در ایالات متحده، پیش‌بینی می‌شود تا سال ۲۰۲۷ بازار رباتیک مراقبت‌های بهداشتی به ۳۲.۵ میلیارد دلار برسد و با «نرخ رشد مرکب سالانه» (Compound Annual Growth Rate | CAGR) ۲۱.۳٪ افزایش یابد. فناوری هوش مصنوعی بعد از همه‌گیری کووید-۱۹ رشد زیادی کرد و هم چنان هم در حال گسترش و تقویت است. امروزه این ابزارها در زمینه‌های تشخیص تصویربرداری، کشف دارو، ژنومیک و «تحلیل‌های پیش‌بینی‌کننده» (Predictive Analytics) نقش مهمی ایفا می‌کنند.

«کتابخانه ملی پزشکی آمریکا» (U.S. National Library of Medicine)،پزشکی شخصی‌سازی شده و دقیق را رویکردی می‌داند که در آن، عوامل ژنتیکی، محیطی و سبک زندگی هر فرد به صورت اختصاصی برای پیشگیری و درمان بیماری در نظر گرفته می‌شوند. کاربرد پایتون در پزشکی، آینده حوزه بهداشت و درمان را دگرگون خواهد کرد و «پزشکی دقیق» (Precision Medicine) یکی از بزرگ‌ترین دستاوردهای آن خواهد بود.

هدف این رویکرد، ارائه درمان‌های کاملاً هدفمند بر اساس سابقه پزشکی، اطلاعات ژنتیکی، سبک زندگی و نتایج آزمایش‌های بیمار است. برای توسعه ابزارهای «پزشکی دقیق» از روش‌های هوش مصنوعی مانند یادگیری عمیق، الگوریتم‌های جستجو، یادگیری تقویتی و مدل‌های احتمالاتی استفاده می‌شود.

این سیستم‌ها می‌توانند خطر ابتلا به بیماری‌های مختلف را از طریق غربالگری زودرس یا چک‌آپ‌های معمولی پیش‌بینی کنند. زبان برنامه نویسی پایتون به طور گسترده در ساخت ابزارهای هوش مصنوعی به کار می‌رود و به پزشکان کمک می‌کند تا پیش از بروز علائم، اقدامات پیشگیرانه انجام دهند.

از دیگر کاربردهای جذاب می‌توان به «ربات‌های جراحی دیجیتال» (Digital Surgery Robots) اشاره کرد. این ربات‌ها می‌توانند عمل‌های جراحی بسیار دقیق را با رعایت کامل نکات ایمنی در اتاق عمل انجام دهند. ربات‌های هوشمند مبتنی بر هوش مصنوعی، جراحان را با ارائه تحلیل‌های داده‌محور از جراحی‌های قبلی و نتایج آن‌ها یاری می‌کنند. زبان برنامه نویسی پایتون فرصت‌های گسترده‌ای در عرصه مراقبت‌های بهداشتی ایجاد کرده است. برای نمونه می‌توان به توسعه سیستم‌های «پزﺷﮑﯽ از راه دور» (TeleMedicine) و امکان انجام اقدامات درمانی جزئی به صورت ریموت اشاره کرد.

جمع‌بندی

کاربرد پایتون در پزشکی بدون چالش نیست. حفظ امنیت داده‌ها و چالش‌های مربوط به چهارچوب‌های قانونی هنوز مانع استفاده از بیشتر توانایی‌های پایتون هستند. در ضمن، پیدا کردن داده‌هایی که امکان استفاده از آن به صورت قانونی برای طرف سوم‌ هم وجود داشته باشد، تا حد زیادی مشکل است. به تلاش زیادی برای سازماندهی و ساده‌سازی قوانین و سیاست‌های مربوط به این چالش‌ها نیاز داریم. مانند دانشمندان علم داده و متخصصان یادگیری ماشین، ماهم وظیفه داریم برای صرفه‌جویی در هزینه‌ها و بهتر کردن زندگی برای میلیارد‌ها انسان در کره زمین از الگوریتم‌های هوش مصنوعی استفاده کنیم.

در این مطلب از مجله فرادرس، چند مورد از رایج‌ترین کاربردهای پایتون را در پزشکی بررسی کرده‌ایم. بعد از بررسی عملکرد پایتون در تجزیه و تحلیل تصاویر پزشکی، فواید استفاده از NLP و کاربردهای آن را هم با کمک مثال‌های ساده‌ای‌ توضیح دادیم. تمام این موارد در کنار هم باعث شده‌اند که بازار اشتغال برای برنامه نویسان پایتون در این حوزه‌ها روز‌به‌روز پویاتر بشود.