مروری جامع و توسعه یافته بر کاربردهای یادگیری ماشین در تشخیص پیش آگهی و کشف داروهای کووید - ۱۹

شیوع جهانی بیماری ویروس کرونا (کووید-۱۹) در سال ۲۰۲۰ جهان را با یک بحران بهداشت عمومی بی سابقه روبه رو کرد. نیاز فوری به توسعه روشهای سریع و قابل اعتماد برای درک تشخیص و درمان موثر این بیماری تحقیقات را به سمت استفاده از تکنولوژی های نوظهور سوق داد. با توجه به حجم عظیم داده های بالینی ژنومی و تصویربرداری تولید شده در طول همه گیری یادگیری ماشین (Machine Learning - ML) به عنوان یک ابزار قدرتمند برای تسریع درک بیماری و توسعه مداخلات درمانی کارایی بی نظیری از خود نشان داد. این مقاله یک بررسی جامع و ساختارمند از کاربردهای یادگیری ماشین در سه حوزه کلیدی مرتبط با کووید - ۱۹ ارائه می دهد: (۱) تشخیص سریع و دقیق بیماری با استفاده از داده های تصویربرداری رادیولوژیک و آزمایشگاهی (۲) پیش آگهی (Prognosis) و طبقه بندی شدت بیماری برای مدیریت بهینه بیماران و تخصیص منابع درمانی و (۳) کشف دارو و بازنشانی داروها (Drug Repurposing) برای شناسایی درمانهای موثر ضد ویروسی ما عملکرد مدلهای ML رایج از جمله یادگیری عمیق (Deep Learning - DL)، شبکه های عصبی پیچشی (CNN) و الگوریتم های سنتی تر مانند ماشینهای بردار پشتیبان SVM) را ارزیابی میکنیم. نتایج نشان می دهد که مدلهای ML به ویژه در ترکیب با داده های تصویر برداری دقت بالایی در تشخیص دارند و پتانسیل چشمگیری برای کوتاه کردن فرآیند پیچیده کشف دارو و هدف گذاری پروتئین ها از خود نشان داده اند. با این حال برای استقرار نهایی این سیستم ها چالش های مهمی نظیر کمبود داده های استاندارد شده تعمیم پذیری مدلها و نیاز مبرم به تفسیر پذیری (Interpretability) بالاتر باید مرتفع گردند.

کلیدواژه ها:

یادگیری ماشین (ML) یادگیری عمیق (DL) ، کووید - ۱۹ ، تشخیص کشف دارو بازنشانی دارو شبکه های عصبی پیچشی .(CNN)