در دنیای امروز که علم پزشکی با داده‌های عظیم، هوش مصنوعی و تصویربرداری پیشرفته درآمیخته، پروژه‌ای در انگلستان نگاه دانشمندان را به بدن انسان و روند بیماری‌ها دگرگون کرده است. پروژه ملی «بانک زیستی انگلستان»، یا همان «یو‌کِی‌بایوبنک» (UK Biobank)، با اسکن تمام‌بدنی صد هزار داوطلب و تولید بیش از یک میلیارد تصویر پزشکی، به پژوهشگران این امکان را داده تا برای نخستین‌بار، تغییرات اندام‌ها، چربی‌های پنهان و نشانه‌های آغازین بیماری‌ها را با دقتی بی‌سابقه زیر نظر بگیرند.

پروفسور «لوئیز توماس» (Louise Thomas) یکی از چهره‌های پیشرو در پژوهش‌های مرتبط با تشخیص‌های غیرتهاجمی و تصویر‌برداری پزشکی است. او با بهره‌گیری از تصویربرداری «ام‌آر‌آی» (MRI)، هوش مصنوعی و تحلیل داده‌های کلان، پژوهش‌های نوینی را در زمینه چگونگی توزیع چربی در بدن و نقش آن در ابتلا به بیماری‌های متابولیک انجام داده است. فعالیت‌های او نه‌تنها از نظر علمی برجسته‌اند، بلکه نقش مهمی در کاربردی‌سازی پژوهش‌ها برای بهبود سلامت عمومی ایفا کرده‌اند. او مدیر پژوهش و تبادل دانش در دانشکده علوم زیستی دانشگاه وست‌مینستر است و ریاست گروه پژوهشی داده‌های سلامت را هم بر عهده دارد. به علاوه او یکی از مدیران مرکز پژوهشی سلامت بهینه هم هست.

در این گفت‌و‌گو، توماس از چرایی عبور از شاخص‌هایی، چون «بی‌ام‌آی» (BMI)، یا همان «شاخص توده بدنی»، به‌سوی تحلیل ترکیب بدنی سخن می‌گوید؛ از نقش فناوری‌های نوین در شناسایی زودهنگام بیماری‌های متابولیک، و از چشم‌انداز مشارکت میان دانشگاه و صنعت برای رساندن این دانش به زندگی روزمره بیماران. این گفت‌و‌گو نه‌تنها دریچه‌ای تازه به مفهوم «سلامت بهینه» می‌گشاید، بلکه نشان می‌دهد آینده پزشکی، دیگر صرفاً در سطح پوست و وزن بدن قابل تشخیص نیست—بلکه در اعماق تصویرهایی‌ست که از درون ما ثبت می‌شوند.

خبرگزاری دانشگاه آزاد (آنا) پس از انتشار اخبار مربوط با این پروژه، با این استاد دانشگاه وست‌مینستر تماس گرفت تا با او درباره جزئیات بیشتری از این پروژه گفت‌و‌گو کند. متن این گفتگو در ادامه می‌آید:

چه چیزی باعث شد که به جای وزن یا شاخص توده بدنی (BMI)، روی ترکیب بدنی افراد به‌عنوان عامل اصلی خطر بیماری‌های متابولیک تمرکز کنید؟

مدت‌هاست می‌دانیم که دو فرد با «شاخص توده بدنی» مشابه، می‌توانند وضعیت متابولیک کاملاً متفاوتی داشته باشند. برای مثال، یکی ممکن است نسبت به انسولین حساس باشد و دیگری نه. این سؤال برای ما مطرح شد که اگر شاخص توده بدنی واقعاً شاخص مناسبی برای سنجش خطر بیماری است، پس چرا چنین تفاوت‌هایی وجود دارد؟

در همان زمان، ما در حال توسعه روش‌هایی برای استفاده از‌ام‌آر‌آی جهت بررسی دقیق ترکیب بدنی بودیم، مخصوصاً اندازه‌گیری چربی‌های داخلی بدن (چربی احشایی). خیلی زود متوجه شدیم که افراد با شاخص توده بدنی یکسان، می‌توانند مقدار بسیار متفاوتی چربی احشایی (visceral fat) داشته باشند. حتی دو نفر با دور کمر یکسان نیز ممکن است چربی احشایی بسیار متفاوتی داشته باشند. این مشاهدات نشان داد که شاخص توده بدنی شاخصی بسیار سطحی و گمراه‌کننده است و برای شناخت بهتر سلامت متابولیک، باید ترکیب بدنی را مستقیماً اندازه‌گیری کرد.

پیشرفت در‌ام‌آر‌آی و طیف‌سنجی چگونه درک ما از چربی‌های نابجا مانند چربی کبد را متحول کرده است؟

ما با استفاده از‌ام‌آر‌آی و طیف‌سنجی اطلاعات بسیار ارزشمندی به دست آورده‌ایم. در گذشته، چربی کبد معمولاً با نمونه‌برداری (بیوپسی) (biopsy) تشخیص داده می‌شد؛ روشی پرخطر که فقط در شرایط خاص انجام می‌شد. اما اکنون می‌توانیم با روش‌های غیرتهاجمی و بدون درد، چربی نابجای اندام‌ها را در افراد ظاهراً سالم اندازه‌گیری کنیم. این کار برای اولین‌بار امکان بررسی دقیق شیوع بیماری‌هایی مانند «کبد چرب غیرالکلی» (NAFLD) را در کل جمعیت فراهم کرده است.

شما از پیشگامان استفاده از هوش مصنوعی در تصویربرداری بدن هستید. یادگیری عمیق (Deep Learning) چگونه تحلیل داده‌های‌ام‌آر‌آی در مقیاس بزرگ را بهبود داده است؟

وقتی شروع به اندازه‌گیری چربی بدن کردم، فرآیند بسیار کند و وقت‌گیر بود. برای بررسی یک فرد، باید ساعت‌ها تصاویر‌ام‌آر‌آی را به‌صورت دستی علامت‌گذاری می‌کردیم. این روش نه‌تنها زمان‌بر بود، بلکه نتایج آن از فردی به فرد دیگر متغیر بود. اما با ورود یادگیری عمیق، روند کار ما کاملاً متحول شد: هم سرعت کار بالا رفت و هم دقت و ثبات نتایج بسیار بهتر شد.

اکنون می‌توانیم بیش از ۹۵٪ پیکسل‌های بدن را برچسب‌گذاری کنیم، از جمله اندام‌ها و بافت‌های مختلف. دستیابی به چنین سطحی از جزئیات، بدون استفاده از هوش مصنوعی، غیرممکن بود.

مهم‌ترین چالش‌ها در خودکارسازی جداسازی بافت‌ها و اندام‌ها در تصویر‌برداری شکمی چه بوده و چگونه آنها را حل کردید؟

یکی از چالش‌های اصلی، تهیه «داده‌های مرجع» باکیفیت است؛ یعنی تصاویری که به‌صورت دستی و دقیق علامت‌گذاری شده‌اند تا مدل هوش مصنوعی با آنها آموزش ببیند. برای هر اندام، معمولاً بین ۱۰۰ تا ۲۰۰ تصویر را به‌دقت علامت‌گذاری می‌کنیم.

همچنین باید مطمئن شویم که مجموعه داده‌های آزمایشی ما، نماینده‌ی جمعیت گسترده‌تری هستند؛ یعنی افراد با انواع ترکیب‌های بدنی را شامل شوند. در مواردی که افراد ترکیب بدنی بسیار غیرمعمول دارند (مثل بیماران خاص)، نیاز است نمونه‌های بیشتری به مدل اضافه کنیم تا عملکرد آن در همه شرایط خوب باشد.

چقدر به توسعه روش‌های ارزان‌تر و غیر‌ام‌آر‌آی برای بررسی دقیق چربی کبد و چربی احشایی نزدیک شده‌ایم؟

داده‌های‌ام‌آر‌آی که اکنون درباره چربی کبد و چربی احشایی در اختیار داریم، به ما کمک کرده تا الگوریتم‌هایی بسازیم که بتوانند افراد پرخطر را پیش‌بینی کنند. چون انجام‌ام‌آر‌آی برای همه افراد ممکن نیست، این الگوریتم‌ها ابزاری عملی برای شناسایی افرادی هستند که بیشتر در معرض خطرند و باید بررسی‌های دقیق‌تری انجام دهند. البته میزان دقت این مدل‌ها در همه گروه‌ها یکسان نیست (مثلاً در کودکان هنوز داده‌های کافی نداریم)، اما در کل برای بررسی خطرات متابولیک در سطح جمعیت بسیار ارزشمندند.

همکاری با شرکت‌هایی مانند «کالی‌کو» (Calico)، «ای‌ام‌آر‌ای» (AMRA) یا «پرسپکتوم» (Perspectum) چگونه به کاربردی شدن تحقیقات دانشگاهی در حوزه سلامت در دنیای واقعی کمک می‌کند؟

این همکاری‌ها بسیار مهم‌اند. دانشگاه‌ها معمولاً منابع کافی برای اجرای پروژه‌های بزرگ و پیچیده را ندارند، مخصوصاً وقتی صحبت از محاسبات سنگین یا پردازش ابری باشد. همکاری با صنعت نه‌تنها این امکانات را در اختیار ما می‌گذارد، بلکه احتمال این‌که نتایج پژوهش‌های دانشگاهی وارد کاربرد‌های بالینی شوند را هم بیشتر می‌کند. این همکاری‌ها به ما کمک می‌کنند تا تأثیر پژوهش را در دنیای واقعی افزایش دهیم.

در پژوهش‌های شما، «سلامت بهینه» چه معنایی دارد و شاخص‌های به‌دست‌آمده از‌ام‌آر‌آی چگونه به افراد کمک می‌کنند آن را بشناسند یا به آن برسند؟

تعریف سلامت بهینه بسیار پیچیده‌تر از آن است که به‌نظر می‌رسد. معمولاً آن را نبود بیماری در نظر می‌گیرند، اما کار ما در تصویربرداری نشان داده که این تعریف می‌تواند فریبنده باشد. ما بار‌ها افرادی را اسکن کرده‌ایم که ظاهراً کاملاً سالم‌اند، اما در تصاویر آنها چربی بالای کبد، کیفیت پایین عضله (به دلیل نفوذ چربی) و چربی احشایی زیاد دیده می‌شود—که همگی نشانه‌های خطر بالای بیماری در آینده‌اند.

برای من، سلامت بهینه یعنی تمام اندام‌ها و بافت‌های بدن به‌خوبی کار کنند و هیچ ناهنجاری پنهانی در آنها نباشد. نشان دادن تصاویر بدن به افراد، یکی از مؤثرترین روش‌ها برای تشویق آنها به تغییر سبک زندگی است.

توزیع چربی بدن تا چه حد با سبک زندگی قابل تغییر است و تصویربرداری چگونه اثربخشی این تغییرات را نشان می‌دهد؟

ما در همه مداخلاتی که بررسی کرده‌ایم—چه رژیم غذایی و چه ورزش—بهبود قابل توجهی در ترکیب بدنی دیده‌ایم. چربی احشایی و چربی کبد معمولاً زودتر از چربی‌های زیرپوستی کاهش می‌یابند. همچنین بسیار مهم است که افراد در زمان کاهش وزن، عضلات خود را حفظ کنند، چون بافت عضلانی نقش کلیدی در سلامت متابولیک دارد.

با تصویربرداری‌های تکراری، می‌توانیم این تغییرات را به‌مرور زمان دنبال کنیم. جالب است که این تصاویر حتی قبل از اینکه افراد در ظاهر متوجه تغییر شوند، پیشرفت درونی را نشان می‌دهند. البته حفظ تغییر سبک زندگی کاری سخت است و به ترکیبی از عوامل شخصی، اجتماعی و محیطی بستگی دارد.

در آینده چه فرصت‌ها و دغدغه‌های اخلاقی‌ای در پیوند زدن داده‌های تصویربرداری با اطلاعات ژنتیکی و سبک زندگی وجود دارد؟

داده‌های تصویربرداری در مقیاس بزرگ مانند «بانک زیستی انگلستان» فرصتی بی‌نظیر برای درک بهتر سلامت و بیماری فراهم می‌کنند. پیش از این، در مطالعات ژنتیکی، معمولاً از شاخص‌های غیرمستقیم مانند بی‌ام‌آی استفاده می‌شد، که اطلاعات دقیقی درباره وضعیت اندام‌ها نمی‌داد. اما حالا با تصاویر دقیق‌ام‌آر‌آی که به سوابق سلامتی افراد متصل هستند، می‌توانیم خطر بیماری را با دقت بسیار بیشتری بررسی کنیم.
با ترکیب این داده‌ها با اطلاعات ژنتیکی، سبک زندگی و سوابق پزشکی، می‌توانیم نشانه‌های اولیه بیماری را قبل از تشخیص رسمی شناسایی کنیم. این اطلاعات می‌تواند راه را برای غربالگری‌ها و مداخلات زودهنگام باز کند.

چه توصیه‌ای برای دانشجویان یا پژوهشگرانی دارید که علاقه‌مند به حوزه تصویربرداری پزشکی و داده‌های سلامت هستند ولی منابع محدودی دارند؟

اولین توصیه من ساده است: ناامید نشوید. وقتی ما شروع به کار کردیم، خیلی‌ها می‌گفتند اندازه‌گیری چربی با‌ام‌آر‌آی بی‌فایده است، ولی امروز این روش به استاندارد جهانی تبدیل شده است.

پژوهش در زمینه‌ام‌آر‌آی در گذشته بسیار پرهزینه بود، اما حالا با پروژه‌هایی مثل «بانک زیستی انگلستان»، اوضاع فرق کرده است. دانشجویان از سراسر دنیا می‌توانند برای دسترسی به این داده‌ها درخواست دهند. حتی لازم نیست خودتان تصاویر را پردازش کنید، چون بسیاری از نتایج آماده و در دسترس‌اند.

برای شروع، توصیه می‌کنم با زبان‌های برنامه‌نویسی مانند «پایتون» (Python) یا «آر» (R) آشنا شوید، چون ابزار‌های اصلی برای کار با داده‌های بزرگ همین‌ها هستند. این مهارت به شما کمک می‌کند در دنیای امروز علم، حضوری جدی داشته باشید—حتی بدون منابع زیاد.

انتهای پیام/

چرا برخی کودکان لکنت زبان می‌گیرند