هوش مصنوعی به بهبود تشخیص و درمان بیماری‌های خودایمنی دستگاه عصبی مرکزی کمک می‌کند
بر اساس مرور جدید شواهد موجود، هوش مصنوعی بیش از پیش به‌عنوان ابزاری برای بهبود تشخیص، پایش و ارزیابی پیش‌آگهی بیماری‌های خودایمنی دستگاه عصبی مرکزی (CNS) مورد بررسی قرار می‌گیرد.
این مرور، کاربردهای هوش مصنوعی را در بیماری ام‌اس (مولتیپل اسکلروزیس)، اختلال طیف نورومیلیت اپتیکا، انسفالیت خودایمنی و بیماری مرتبط با آنتی‌بادی علیه گلیکوپروتئین الیگودندروسیت میلین بررسی کرده است.
این بیماری‌ها اغلب با چالش‌های تشخیصی و درمانی همراه‌اند؛ زیرا علائم بالینی آن‌ها هم‌پوشانی دارد، نشانگرهای زیستی موجود دقت کاملی ندارند و پیگیری طولانی‌مدت بیماران ضروری است.
پژوهشگران گزارش کردند که هوش مصنوعی در چندین زمینه بالینی ارزیابی شده است؛ از جمله تحلیل خودکار تصاویر عصبی، تشخیص افتراقی، طبقه‌بندی بیماری، پیش‌بینی عود، تعیین سطح خطر و پیش‌آگهی و برنامه‌ریزی مراقبت بر اساس میزان خطر.
این فناوری همچنین برای تحلیل داده‌های آزمایشگاهی، پرونده‌های الکترونیکی سلامت، مجموعه‌داده‌های مولکولی و منابع چندوجهی اطلاعات بیماران به کار گرفته می‌شود.
قوی‌ترین شواهد کاربرد هوش مصنوعی مربوط به ام‌اس است
شواهد پژوهشی در بیماری‌های مختلف به‌طور یکسان توزیع نشده‌اند. بیشترین حجم پژوهش‌های منتشرشده به ام‌اس اختصاص دارد؛ به‌ویژه در زمینه تحلیل تصاویر عصبی، از جمله بخش‌بندی ضایعات، پایش فعالیت بیماری، ارزیابی حجم ساختارهای مغزی و پیش‌بینی ناتوانی.
برخی ابزارهای تصویربرداری به مرحله ارزیابی در محیط‌های کاری چندمرکزی و مطالعات آینده‌نگر رسیده‌اند.
در مقابل، مطالعات مربوط به اختلال طیف نورومیلیت اپتیکا، انسفالیت خودایمنی و بیماری مرتبط با آنتی‌بادی علیه گلیکوپروتئین الیگودندروسیت میلین عموماً کوچک‌تر بوده‌اند و از نظر روش‌ها و طراحی پژوهش، ناهمگونی بیشتری داشته‌اند.
اگرچه چندین مطالعه عملکرد امیدوارکننده‌ای را در تشخیص و پیش‌آگهی نشان داده‌اند، بسیاری از آن‌ها فاقد اعتبارسنجی خارجی بوده‌اند و به داده‌های گذشته‌نگر متکی بوده‌اند.
این مرور همچنین بر حضور محدود گروه‌هایی تأکید می‌کند که تشخیص بیماری در آن‌ها قطعی نیست، نتیجه آزمایش سرولوژی آن‌ها منفی است یا ویژگی‌های چند بیماری در آن‌ها هم‌پوشانی دارد.
به گفته پژوهشگران، علاقه به کاربردهای پیشرفته‌تر نیز رو به افزایش است؛ از جمله یادگیری فدرال، نشانگرهای زیستی دیجیتال، ادغام داده‌های چنداُمیکی، مدل‌های پایه و مدل‌های زبانی بزرگ.
بااین‌حال، شواهد حاصل از این رویکردها در حال حاضر بیشتر برای شکل‌دادن به فرضیه‌های پژوهشی یا بررسی‌های اکتشافی کاربرد دارند و هنوز مزایای بالینی آن‌ها اثبات نشده است.
چالش‌های اصلی در انتقال فناوری به محیط بالینی
با وجود پیشرفت‌های روزافزون، همچنان شکاف‌های مهمی در انتقال این فناوری‌ها به کاربرد بالینی وجود دارد. در مرور انجام‌شده، هیچ مدل هوش مصنوعی‌ای شناسایی نشد که برای برآورد مقایسه‌ای اثر درمان‌ها یا انتخاب درمان متناسب با هر بیمار، در بیماری‌های بررسی‌شده به‌صورت آینده‌نگر اعتبارسنجی شده باشد.
بیشتر مدل‌های موجود بر تشخیص، پایش و پیش‌بینی خطر تمرکز دارند و نه بر هدایت تصمیم‌های درمانی.
این مرور بر ضرورت ایجاد مجموعه‌داده‌های بزرگ‌تر و چندمرکزی، تقویت اعتبارسنجی خارجی، ارزیابی آینده‌نگر در محیط‌های بالینی و بررسی تأثیر واقعی این فناوری‌ها بر تصمیم‌گیری پزشکان و پیامدهای بیماران تأکید می‌کند.
به گفته پژوهشگران، در کوتاه‌مدت، بیشترین پیشرفت احتمالاً از ادغام داده‌های چندوجهی، استانداردسازی تحلیل تصاویر و بهبود طبقه‌بندی خطر حاصل خواهد شد؛ درحالی‌که شواهد فعلی هنوز از تشخیص خودکار مستقل یا انتخاب درمان به‌وسیله هوش مصنوعی پشتیبانی نمی‌کنند.
منبع
Cao Z و همکاران. «هوش مصنوعی در بیماری‌های خودایمنی دستگاه عصبی مرکزی: از پشتیبانی تصمیم‌گیری بالینی تا کشف سازوکارهای بیماری و انتقال به کاربرد بالینی». مجله EMBO Molecular Medicine، سال ۲۰۲۶. شناسه DOI: 10.1038/s44321-026-00527-0.
نویسنده: Nonyelum Okonkwo