پیش‌بینی ام‌اس با هوش مصنوعی؛ آینده تشخیص و درمان MS

مقدمه

ام‌اس یا مولتیپل اسکلروزیس یک بیماری مزمن و التهابی دستگاه عصبی مرکزی است که در آن سیستم ایمنی به اشتباه به غلاف میلین و گاهی آکسون‌های سلول‌های عصبی آسیب می‌زند.

این بیماری می‌تواند علائمی مانند اختلال بینایی، بی‌حسی، ضعف اندام‌ها، مشکلات تعادل، خستگی، اختلالات شناختی و تغییرات حرکتی ایجاد کند.

سیر ام‌اس در افراد مختلف یکسان نیست؛ برخی بیماران سال‌ها با علائم خفیف زندگی می‌کنند، در حالی که در برخی دیگر ناتوانی جسمی یا شناختی سریع‌تر افزایش می‌یابد.

همین تفاوت فردبه‌فرد، پیش‌بینی آینده بیماری را به یکی از دشوارترین مسائل در نورولوژی تبدیل کرده است.

پزشک برای ارزیابی وضعیت بیمار از مجموعه‌ای از اطلاعات استفاده می‌کند: شرح‌حال و تعداد عودها، معاینه عصبی، مقیاس ناتوانی، تصویربرداری ام‌آر‌آی، نوع بیماری، پاسخ به درمان و گاهی داده‌های آزمایشگاهی.

با افزایش حجم این اطلاعات، هوش مصنوعی و یادگیری ماشین به‌عنوان ابزارهایی برای تحلیل الگوهای پیچیده مورد توجه قرار گرفته‌اند.

با این حال، باید میان پیش‌بینی ام‌اس و تشخیص ام‌اس تفاوت گذاشت. هوش مصنوعی در حال حاضر جایگزین پزشک برای تشخیص قطعی، انتخاب درمان یا پیش‌بینی دقیق سرنوشت یک بیمار نیست.

بسیاری از مدل‌های پژوهشی هنوز در مرحله آزمایش، اعتبارسنجی یا ارزیابی اثر بالینی قرار دارند. بنابراین، یافته‌های این حوزه باید به‌عنوان ابزارهای کمکی و پژوهشی تفسیر شوند، نه پیش‌گویی قطعی درباره آینده یک فرد.

1. منظور از پیش‌بینی ام‌اس با هوش مصنوعی چیست؟

عبارت «پیش‌بینی ام‌اس با هوش مصنوعی» می‌تواند به چند هدف متفاوت اشاره کند:

کمک به تشخیص بیماری

در این کاربرد، مدل تلاش می‌کند میان فرد مبتلا به ام‌اس، فرد سالم یا بیمار مبتلا به بیماری‌های مشابه تمایز ایجاد کند. داده‌های مورد استفاده ممکن است شامل تصاویر MRI، اطلاعات بالینی، آزمایش‌های زیستی یا سیگنال‌های EEG باشند.

تشخیص ام‌اس معمولاً بر اساس مجموعه‌ای از شواهد و معیارهای تخصصی انجام می‌شود و یک تصویر یا نتیجه آزمایش به‌تنهایی کافی نیست. در نتیجه، حتی اگر یک الگوریتم در یک مطالعه دقت بالایی نشان دهد، این به معنای قابل‌استفاده‌بودن آن برای همه بیماران و همه مراکز درمانی نیست.

پیش‌بینی عود

عود به بروز یا تشدید علائم عصبی جدید گفته می‌شود که معمولاً بیش از ۲۴ ساعت ادامه دارد و باید از عواملی مانند عفونت، تب یا خستگی شدید تفکیک شود. پیش‌بینی عود دشوار است، زیرا عوامل متعددی بر آن اثر می‌گذارند و داده‌های مربوط به عود ممکن است در پرونده‌های پزشکی به شکل یکسان ثبت نشده باشند.

مدل‌های هوش مصنوعی ممکن است با استفاده از سابقه عود، نوع درمان، یافته‌های MRI، سن، مدت بیماری و سایر عوامل، احتمال خطر را برآورد کنند؛ اما این احتمال، قطعیت ایجاد نمی‌کند.

پیش‌بینی پیشرفت ناتوانی

در این کاربرد، هدف پیش‌بینی افزایش ناتوانی در آینده است؛ برای مثال، اینکه آیا بیمار طی دو سال آینده دچار پیشرفت تأییدشده در وضعیت عملکردی خواهد شد یا خیر. این موضوع با عود تفاوت دارد.

ممکن است بیمار بدون عود آشکار، به‌تدریج دچار افزایش ناتوانی شود؛ پدیده‌ای که در پژوهش‌های جدید با مفاهیمی مانند پیشرفت مستقل از عود یا PIRA بررسی می‌شود.

پیش‌بینی فعالیت MRI

برخی مدل‌ها احتمال ایجاد ضایعات جدید یا فعال‌شدن ضایعات موجود را در MRI آینده برآورد می‌کنند. وجود ضایعات جدید می‌تواند نشان‌دهنده فعالیت بیماری باشد، اما تعداد ضایعات همیشه با شدت علائم یا میزان ناتوانی بیمار تناسب مستقیم ندارد. این مسئله به «پارادوکس بالینی ـ رادیولوژیک» معروف است.

2. هوش مصنوعی چگونه این پیش‌بینی‌ها را انجام می‌دهد؟

مدل‌های یادگیری ماشین با بررسی تعداد زیادی نمونه، الگوهایی را شناسایی می‌کنند که ممکن است برای انسان به‌سادگی قابل مشاهده نباشند. داده‌های مورد استفاده در مطالعات ام‌اس معمولاً در چند گروه قرار می‌گیرند:

داده‌های بالینی

این داده‌ها می‌تواند شامل موارد زیر باشد:

1- سن هنگام شروع بیماری؛

2- جنسیت؛

3- نوع ام‌اس، مانند عودکننده ـ فروکش‌کننده یا پیشرونده؛

4- مدت ابتلا؛

5- سابقه عود؛

6- درمان‌های دریافت‌شده؛

7- امتیاز ناتوانی در مقیاس EDSS؛

8- سرعت تغییر علائم در طول زمان؛

9- سابقه خانوادگی و برخی عوامل همراه.

داده‌های بالینی طولی، یعنی اطلاعاتی که در چند ویزیت و طی زمان ثبت می‌شوند، برای پیش‌بینی روند بیماری اهمیت زیادی دارند.

تصاویر MRI

MRI مغز و نخاع یکی از مهم‌ترین ابزارهای تشخیص و پایش ام‌اس است. الگوریتم‌ها می‌توانند برای شناسایی یا اندازه‌گیری موارد زیر آموزش ببینند:

1- تعداد و حجم ضایعات؛

2- محل ضایعات؛

3- ضایعات فعال با جذب ماده حاجب؛

4- ضایعات مزمن‌تر؛

5- تغییرات حجم مغز؛

6- آسیب احتمالی در نواحی خاص دستگاه عصبی.

یادگیری عمیق، به‌ویژه شبکه‌های عصبی کانولوشنی، در تحلیل تصاویر پزشکی کاربرد گسترده‌ای دارد. بااین‌حال، مدل تصویری ممکن است به‌جای ویژگی واقعی بیماری، از تفاوت دستگاه MRI، پروتکل تصویربرداری یا شرایط مرکز درمانی استفاده کند. به همین دلیل، اعتبارسنجی در مراکز مستقل ضروری است.

داده‌های EEG

الکتروانسفالوگرافی یا EEG فعالیت الکتریکی مغز را ثبت می‌کند. مرور نظام‌مند منتشرشده در سال ۲۰۲۵ در نشریه Artificial Intelligence in Medicine، پژوهش‌های مربوط به استفاده از یادگیری ماشین و یادگیری عمیق برای تحلیل داده‌های EEG در ام‌اس را بررسی کرده است.

در این مطالعات از روش‌هایی مانند شبکه‌های عصبی کانولوشنی و مدل‌های ترکیبی استفاده شده است. هدف، کمک به تشخیص، پایش یا بررسی تغییرات عملکرد عصبی بوده است.

این مرور بر ظرفیت امیدوارکننده این روش‌ها تأکید می‌کند، اما هم‌زمان محدودیت‌هایی مانند حجم کم نمونه‌ها، تفاوت روش ثبت EEG، سوگیری انتخاب بیماران و نیاز به مجموعه‌داده‌های متنوع‌تر را مطرح می‌سازد.

بنابراین، EEG مبتنی بر هوش مصنوعی هنوز یک ابزار پژوهشی یا کمکی محسوب می‌شود و نمی‌توان از آن به‌عنوان آزمایشی مستقل برای تأیید یا رد ام‌اس استفاده کرد.

نشانگرهای زیستی و سیتوکین‌ها

برخی پژوهش‌ها به بررسی سیتوکین‌ها، یعنی پیام‌رسان‌های سیستم ایمنی، پرداخته‌اند. از جمله مولکول‌هایی که در مطالعات مختلف بررسی شده‌اند می‌توان به IL-12، TNF-α، IFN-γ، IL-4 و IL-10 اشاره کرد.

ایده اصلی این است که الگوهای خاصی از مواد التهابی در خون ممکن است با فعالیت بیماری یا ناتوانی ارتباط داشته باشند.

بااین‌حال، مقدار سیتوکین‌ها می‌تواند تحت تأثیر عفونت، دارو، زمان نمونه‌گیری، تفاوت‌های فردی و شرایط آزمایشگاهی قرار گیرد. به همین دلیل، استفاده از یک سیتوکین منفرد برای پیش‌بینی آینده ام‌اس قابل اتکا نیست.

3. یافته‌های مطالعه بزرگ MSBase

یکی از مطالعات مهم در این حوزه، پژوهش De Brouwer و همکاران است که در سال ۲۰۲۴ در نشریه PLOS Digital Health منتشر شد.

این مطالعه از داده‌های کنسرسیوم بین‌المللی MSBase استفاده کرد. داده‌های مربوط به ۱۵۲۴۰ فرد بزرگسال مبتلا به ام‌اس از ۱۴۶ مرکز بررسی شد و شرکت‌کنندگان دست‌کم سه سال پیگیری داشتند.

هدف اصلی، پیش‌بینی پیشرفت تأییدشده ناتوانی پس از دو سال بود؛ به‌گونه‌ای که افزایش ناتوانی در یک بازه شش‌ماهه نیز تأیید می‌شد.

نکته مهم این پژوهش آن بود که مدل‌ها از متغیرهایی استفاده کردند که معمولاً در مراقبت روزمره ثبت می‌شوند، از جمله:

1- نمره EDSS؛

2- سابقه پیشرفت ناتوانی؛

3- اطلاعات مربوط به عود؛

4- نوع یا سیر بیماری؛

5- اطلاعات درمانی.

مدل‌ها با داده‌های مستقل اعتبارسنجی شدند و عملکردشان با شاخص‌های آماری مختلف ارزیابی شد. میانگین ROC-AUC حدود ۰٫۷۱ گزارش شد. این مقدار نشان می‌دهد مدل توانایی قابل‌قبولی در تفکیک گروه‌های پرخطر و کم‌خطر داشته است، اما به‌هیچ‌وجه به معنای پیش‌بینی کامل یا قطعی نیست.

همچنین مقدار AUC-PR حدود ۰٫۲۶، امتیاز Brier حدود ۰٫۱۰ و خطای کالیبراسیون مورد انتظار حدود ۰٫۰۷ گزارش شد. کالیبراسیون اهمیت زیادی دارد؛ زیرا یک مدل خوب نباید فقط افراد را رتبه‌بندی کند، بلکه احتمال‌های تولیدشده توسط آن نیز باید تا حد قابل‌قبول با خطر واقعی هماهنگ باشند.

یکی از یافته‌های کلیدی این مطالعه آن بود که سابقه پیشرفت ناتوانی، اطلاعات پیش‌بینی‌کننده‌تری نسبت به سابقه درمان یا عود داشت. این نتیجه به این معنا نیست که MRI، عود یا درمان بی‌اهمیت هستند؛ بلکه نشان می‌دهد وضعیت عملکردی و روند تغییر آن، در پیش‌بینی ناتوانی آینده نقش بسیار مهمی دارد.

با وجود ارزش علمی این مطالعه، نویسندگان نیز تأکید کرده‌اند که مدل برای ورود مستقیم به مراقبت بالینی به ارزیابی اثر بالینی نیاز دارد. به عبارت دیگر، پیش از استفاده معمول، باید مشخص شود که آیا کمک مدل واقعاً تصمیم‌گیری پزشکان و پیامد بیماران را بهتر می‌کند یا خیر.

4. نتایج پژوهش‌های مبتنی بر سیتوکین و محدودیت تفسیر آن‌ها

مطالعه‌ای در Frontiers in Neurology در سال ۲۰۲۵، مدل‌های یادگیری ماشین را برای پیش‌بینی ناتوانی و ضایعات جدید MRI در بیماران مبتلا به ام‌اس عودکننده ـ فروکش‌کننده بررسی کرد. در این پژوهش از پروفایل برخی سیتوکین‌های محیطی، اطلاعات جمعیت‌شناختی و داده‌های بالینی استفاده شد.

در گزارش مطالعه، مدل‌های مختلفی برای تمایز سطوحی از ناتوانی بر اساس EDSS و پیش‌بینی ضایعات جدید MRI آزمایش شدند. برخی مدل‌های ترکیبی مانند Random Forest یا جنگل تصادفی، حساسیت و ویژگی بالایی نشان دادند. بااین‌حال، یک نکته بسیار مهم وجود دارد: تعداد بیماران این مطالعه فقط ۱۵ نفر بود.

نمونه بسیار کوچک می‌تواند باعث شود مدل به‌جای یادگیری الگوی عمومی بیماری، ویژگی‌های خاص همان افراد را حفظ کند. این مشکل را «بیش‌برازش» می‌نامند.

همچنین در گزارش اشاره شده که در یکی از مدل‌ها، واردکردن شناسه بیمار با عملکرد بالاتر همراه بوده است. اگر شناسه بیمار به شکلی وارد مدل شود که اطلاعات فردی یا وابستگی به نمونه‌های قبلی را منتقل کند، احتمال نشت داده و برآورد بیش‌ازحد عملکرد وجود دارد.

بنابراین، اعداد بالای حساسیت و ویژگی در چنین مطالعه‌ای نباید به‌عنوان دقت قطعی برای استفاده در مطب یا بیمارستان تفسیر شوند. این نتایج بیشتر یک نشانه اولیه از امکان‌پذیری روش هستند و به تکرار در گروه‌های بزرگ‌تر، اعتبارسنجی خارجی و طراحی آینده‌نگر نیاز دارند.

5. مهم‌ترین محدودیت‌های پیش‌بینی ام‌اس با هوش مصنوعی

ناهمگونی بیماری

ام‌اس یک بیماری واحد با سیر یکسان نیست. سن شروع، نوع بیماری، محل ضایعات، بیماری‌های همراه، درمان، عوامل محیطی و ویژگی‌های زیستی بین بیماران تفاوت دارد. مدلی که در یک جمعیت عملکرد خوبی دارد، ممکن است در جمعیتی دیگر دقت کمتری داشته باشد.

کیفیت و کامل‌بودن داده‌ها

پرونده‌های پزشکی ممکن است ناقص باشند. فاصله میان MRIها، روش ثبت عود، کیفیت تصاویر و شیوه اندازه‌گیری EDSS در مراکز مختلف متفاوت است. داده ناقص یا نامتوازن می‌تواند مدل را دچار سوگیری کند.

تفاوت میان همبستگی و علت

اگر یک الگوریتم ارتباطی میان یک ویژگی و پیشرفت بیماری پیدا کند، این الزاماً به معنی علت‌بودن آن ویژگی نیست. مدل ممکن است رابطه‌ای آماری را تشخیص دهد که در جمعیت دیگری تکرار نشود.

پارادوکس بالینی ـ رادیولوژیک

تعداد ضایعات MRI همیشه با شدت علائم برابر نیست. محل ضایعه، آسیب آکسونی، ظرفیت سازگاری مغز و عوامل دیگری نیز اهمیت دارند. بنابراین، پیش‌بینی بر اساس MRI به‌تنهایی کافی نیست.

عملکرد آماری با فایده بالینی یکسان نیست

ممکن است مدلی ROC-AUC  مناسبی داشته باشد. (نمودار ROC (مخفف Receiver Operating Characteristic) به صورت گرافیکی نمایش می‌دهد که چقدر یک مدل دسته‌بندی عملکرد خوبی دارد و AUC (یا همان مساحت زیر نمودار) یک معیار عددی است که از نمودار ROC مشتق می‌شود و عملکرد کلی یک مدل را خلاصه می‌کند) اما مشخص نباشد در عمل چه تصمیمی باید بر اساس خروجی آن گرفته شود. استفاده بالینی نیازمند بررسی پیامدهایی مانند کاهش عود، جلوگیری از ناتوانی، هزینه، ایمنی، رضایت بیمار و تأثیر بر تصمیم پزشک است.

خطر اطمینان کاذب

اگر یک سامانه هوش مصنوعی احتمال خطر را پایین اعلام کند، نباید پزشک یا بیمار را از پیگیری‌های لازم منصرف کند. برعکس، احتمال بالاتر نیز به‌تنهایی دلیل تغییر دارو یا آغاز درمان جدید نیست.

6. مدل ایده‌آل آینده چه ویژگی‌هایی خواهد داشت؟

پژوهش‌های جدید به سوی مدل‌های چندوجهی حرکت می‌کنند؛ یعنی مدل‌هایی که چند نوع داده را هم‌زمان بررسی می‌کنند:

1- سابقه و معاینه بالینی؛

2- روند EDSS و آزمون‌های شناختی؛

3- MRI مغز و نخاع در چند زمان؛

4- سابقه عود و درمان؛

5- داده‌های آزمایشگاهی و نشانگرهای زیستی؛

6- اطلاعات مربوط به خستگی، خلق، خواب و کیفیت زندگی؛

7- داده‌های دیجیتال پوشیدنی‌ها، در صورت اعتبارسنجی مناسب.

چنین مدلی ممکن است تصویر جامع‌تری از وضعیت بیمار ارائه کند. با این وجود، پیچیده‌ترشدن مدل، مشکلاتی مانند تفسیرپذیری، حفظ حریم خصوصی و انتقال‌پذیری را نیز افزایش می‌دهد.

مدل‌های آینده باید در جمعیت‌های گوناگون و مراکز مستقل آزمایش شوند، کالیبراسیون آن‌ها گزارش شود، کد و روش پژوهش تا حد امکان شفاف باشد و عملکردشان در یک مطالعه آینده‌نگر و اثر بالینی بررسی شود.

مرور نظام‌مند مربوط به EEG نیز بر اهمیت مجموعه‌داده‌های متنوع، روش‌های اعتبارسنجی درست و هوش مصنوعی توضیح‌پذیر تأکید کرده است.

7. آیا هوش مصنوعی اکنون می‌تواند آینده یک بیمار را پیش‌بینی کند؟

پاسخ کوتاه این است: نه به‌صورت قطعی و فردی.

هوش مصنوعی می‌تواند در پژوهش‌ها الگوهای خطر را شناسایی کند و به پزشک در طبقه‌بندی احتمالی بیماران کمک کند. اما پیش‌بینی یک فرد خاص با قطعیت، به‌ویژه درباره زمان دقیق عود، شدت ناتوانی آینده یا تبدیل ام‌اس عودکننده به نوع پیشرونده، در حال حاضر ممکن نیست.

تفسیر خطر باید در کنار قضاوت متخصص مغز و اعصاب، روند علائم، معاینه، MRIهای قبلی و فعلی، درمان و شرایط کلی بیمار انجام شود. هیچ ابزار عمومی اینترنتی یا چت‌باتی نباید مبنای تشخیص یا تغییر خودسرانه دارو قرار گیرد.

نتیجه‌گیری

هوش مصنوعی و یادگیری ماشین ظرفیت قابل‌توجهی برای بهبود پیش‌بینی روند ام‌اس دارند. این فناوری‌ها می‌توانند داده‌های بالینی، MRI، EEG و نشانگرهای زیستی را تحلیل کنند و احتمال پیشرفت ناتوانی یا فعالیت بیماری را برآورد نمایند.

مطالعه بزرگ MSBase در سال ۲۰۲۴ نشان داد که با استفاده از داده‌های معمول بالینی و پیگیری طولی، می‌توان به عملکرد آماری قابل‌قبولی در پیش‌بینی پیشرفت ناتوانی دست یافت؛ در این مطالعه، سابقه پیشرفت ناتوانی اهمیت ویژه‌ای داشت.

در مقابل، مطالعات کوچک‌تر مبتنی بر سیتوکین یا EEG، اگرچه امیدبخش‌اند، هنوز برای نتیجه‌گیری قطعی و کاربرد روتین کافی نیستند. حجم نمونه کم، احتمال بیش‌برازش، تفاوت مراکز، ناهمگونی بیماری و نبود ارزیابی گسترده آینده‌نگر از مهم‌ترین موانع هستند.

بنابراین، هوش مصنوعی در ام‌اس باید فعلاً ابزار تصمیم‌یار و پژوهشی تلقی شود، نه جایگزین پزشک یا وسیله‌ای برای پیش‌گویی قطعی.

آینده این حوزه به مدل‌های چندوجهی، داده‌های باکیفیت، اعتبارسنجی مستقل، شفافیت الگوریتمی، حفاظت از حریم خصوصی و اثبات اثر واقعی بر مراقبت بیماران وابسته است.

دقیق‌ترین رویکرد در زمان حاضر، ترکیب هوش مصنوعی با تجربه متخصص و ارزیابی مستمر بالینی است.

تذکر پزشکی: این مقاله جنبه آموزشی و پژوهشی دارد و برای تشخیص ام‌اس، پیش‌بینی قطعی آینده بیماری، تغییر دارو یا تصمیم درمانی فردی کافی نیست. چنین تصمیم‌هایی باید با نظر متخصص مغز و اعصاب و بر اساس ارزیابی کامل بیمار انجام شود.