8 دقیقه
ریسکهای بینایی در پرواز فضایی و ابزار پیشبینی نوین
سفرهای فضایی مجموعه‌ای از چالش‌های فیزیولوژیک را به همراه دارند که چشم‌ها از جمله حساس‌ترین اعضا در برابر آن‌ها هستند. وضعیتی شناخته‌شده به نام «سندرم عصبی-چشمی مرتبط با پرواز فضایی (SANS)» موجب تغییرات پیشرونده بینایی در بخشی قابل‌توجهی از فضانوردانی میشود که در مأموریتهای طولانی شرکت کرده‌اند. برخی از مشکلات بینایی پس از بازگشت به زمین تا حدی بهبود می‌یابند، اما در مواردی آثار و نقص‌ها میتوانند پایدار بمانند و کارآیی عملیاتی فضانورد را تحتتأثیر قرار دهند. بنابراین شناسایی زودهنگام افرادی که در معرض خطر بالای SANS هستند برای تضمین ایمنی مأموریتهای بلندمدت و حفظ سلامت بینایی بسیار ضروری است.
علاوه بر اثرات مستقیم روی قابلیت دید، کاهش بینایی میتواند پیامدهای پیچیده‌ای برای عملکرد گروه در مأموریتهای پیچیده داشته باشد؛ از دقت لازم برای کار با تجهیزات اپتیکی تا مسائل ایمنی در هنگام فرود یا نگهداری از سازه‌ها. بنابراین توسعه ابزارهای پیشبینی مبتنی بر شواهد علمی که بتواند احتمال بروز این عارضه را پیش از پرتاب مشخص کند، گامی مهم در برنامه‌ریزی مأموریت، انتخاب خدمه و طراحی مداخلات پیشگیرانه است.
طراحی مطالعه، دادهها و رویکرد هوش مصنوعی
تیم تحقیقاتی دانشگاه کالیفرنیا، سن دیگو، یک روش غربالگری مبتنی بر هوش مصنوعی توسعه دادهاند که هدف آن پیشبینی فضانوردانی است که احتمال دارد SANS را قبل از پرتاب تجربه کنند. پایه این رویکرد تحلیل تصاویر پیشپروازی چشم است تا الگوهای ساختاری ظریفی که قبلاً تنها پس از قرار گرفتن در شرایط میکروگرانش قابل رؤیت بودند، شناسایی شود. برای استخراج این الگوها از تکنیک‌های یادگیری عمیق استفاده شده است تا مدل بتواند تفاوت‌های دقیق در ساختار بافت شبکیه را تشخیص دهد.
به‌دلیل محدودیت در تعداد واقعی اسکنهای فضانوردان، پژوهشگران مجموعه داده‌ای کوچک اما دقیق و دستی‌چین‌شده تهیه کردند و آن را با تصاویر به‌دست‌آمده از شبیهسازیهای میکروگرانش زمینی مانند مطالعات بستری با سر به پایین، پروازهای پارابولیک و شبیهسازیهای بالینی افزایش دادند. به‌منظور بزرگ‌تر کردن نمونه‌های آموزشی، هر اسکن حجمی چشم - که معمولاً با دستگاه‌هایی مانند OCT به‌دست می‌آید - به هزاران برش دوبعدی تقسیم شد تا شبکه عصبی بتواند ویژگی‌های ریز بین لایههای شبکیه را یاد بگیرد. این تقسیم‌بندی به مدل اجازه داد تا از نماها و مقاطع مختلف، الگوهای موضعی و پراکندگی‌های بافتی را فراگیرد.
آموزش مدل روی ابررایانه‌ای با توان محاسباتی بالا در UC San Diego انجام شد تا ظرفیت محاسباتی لازم برای پردازش مجموعه‌های حجیم داده و آموزش شبکه‌های عمیق فراهم شود. مدل در فرایند یادگیری ارتباط بین تغییرات ظریف در آناتومی شبکیه—مانند نازکی یا ضخامت لایههای فیبر عصبی شبکیه (RNFL) و تغییرات در اپیتلیوم رنگدانه‌ای شبکیه (RPE)—و تشخیص بعدی SANS را آموخت. ارزیابی با استفاده از اعتبارسنجی متقابل روی اسکنهای پیشپروازی که از مجموعه آموزش جدا نگه داشته شده بودند نشان داد مدل توانست با دقتی در حدود 82 درصد حساسیت پیشبینی را داشته باشد؛ نتیجه‌ای که نشان می‌دهد تصاویر پیشپروازی حامل نشانگرهای زیستی قابل‌تشخیص برای آسیب‌پذیری نسبت به اختلالات بینایی مرتبط با میکروگرانش هستند.
یافته‌های کلیدی و پیامدهای علمی
هوش مصنوعی الگوهای تقریباً یکسانی را در چشم‌هایی که در معرض پرواز واقعی فضایی قرار گرفته بودند و در آن‌هایی که تحت شبیهسازیهای میکروگرانش زمینی قرار داشتند برجسته کرد؛ این همسانی دلالت بر سازوکارهای زمینه‌ای مشابه دارد. چنین نتیجه‌ای از ارزش شبیهسازیهای زمینی برای مطالعه سلامت فضایی و بهبود پروتکلهای غربالگری پیش از مأموریت پشتیبانی می‌کند، زیرا پژوهش‌های روی زمین میتواند اطلاعات مفیدی برای طراحی آزمایش‌ها و مداخلات فراهم کند بدون آن‌که نیاز به دسترسی گسترده به نمونه‌های واقعی پروازی باشد.
فراتر از جنبه پیشبینی، مدل توانست مناطقی از شبکیه را که بیشترین تاثیر را بر طبقه‌بندی خطر داشتند مشخص کند و از این طریق شواهدی را در مورد پاتوفیزیولوژی احتمالی SANS فراهم آورد. این نواحی به جابه‌جایی مایعات داخل جمجمه و چشم، تغییرات فشار داخل جمجمه (ICP)، و بازآرایی ساختاری شبکیه اشاره دارند که همه میتوانند به کاهش بینایی در مدار زمین منجر شوند. در برخی موارد، ضخیم شدن شریان‌ها و ریزساختارهای عروقی یا ادم دیسک اپتیک مشاهده شده که نشان‌دهنده تأثیرات همودینامیک و مکانیکی است.
درک بهتر این سازوکارها حیاتی است زیرا مداخلات هدفمند را امکان‌پذیر می‌سازد؛ از جمله بهبود روش‌های پایش در پرواز مانند دستگاه‌های قابل‌حمل OCT برای ارزیابی شبکیه در زمان واقعی، ساخت ابزارهای اپتیکی تطبیقی، یا مداخلات فیزیولوژیک مثل استفاده از فشار منفی ناحیه پایین‌تنه (LBNP)، برنامه‌های تمرینی بهینه‌سازی‌شده و پوشش‌های فشرده‌سازی موضعی. این نوع مداخلات میتواند جریان مایعات در بدن، توزیع خون و فشارها را تعدیل کند و بدین ترتیب از بروز یا پیشرفت تغییرات آسیب‌شناختی جلوگیری نماید.
اگرچه این سامانه هنوز برای استفاده عملیاتی تأیید نشده است، پژوهشگران آن را پایهای برای یک زنجیره ابزار سلامت فضانوردی یکپارچه می‌دانند. وارد کردن غربالگری پیشپروازی مبتنی بر هوش مصنوعی در برنامه‌ریزی مأموریت‌ها میتواند به تدوین استراتژیهای پیشگیرانه شخصیشده، انتخاب هوشمندتر اعضای خدمه و کاهش ریسک در زمان واقعی برای مأموریتهای طولانی به ماه، مریخ یا نقاط دورتر فضای عمیق کمک کند.
به‌عنوان مثال، اگر غربالگری پیشپروازی نشان دهد که یک فضانورد دارای علامت‌های ظریف در لایههای عروقی یا فیبرهای عصبی شبکیه است، تیم پزشکی میتواند قبل از پرتاب مداخلاتی مانند درمان‌های تقویتی، آموزش‌های حرکتی خاص، یا تغییر در پروفایل مأموریت را پیشنهاد کند. همچنین دادههای ورودی از این مدل میتواند در تصمیم‌گیری برای زمان‌بندی ماموریت یا طراحی محافظت‌های بیشتر در طول پرواز مورد استفاده قرار گیرد.
زمینه وسیع‌تر و گامهای بعدی
SANS تنها یکی از چندین ریسک سلامتی مرتبط با بی‌وزنی طولانیمدت است؛ دیگر موارد شامل کاهش تراکم استخوان، افت ظرفیت کاردیوواسکولار، آتروفی عضلانی، اختلالات ایمنی و تغییرات نورو-شناختی میشود. برای افزایش قابلیت تعمیم و استحکام مدل، لازم است مجموعه داده آموزشی با اسکنهای بیشتری از فضانوردان واقعی، تصویربرداری‌های چندوجهی مانندangiography OCT، MRI و سونوگرافی، و پیگیری‌های طولی گسترش یابد تا بتوان تغییرات را در بازه‌های زمانی متفاوت دنبال کرد.
تحقیقات آینده همچنین به ترکیب پیشبینیهای هوش مصنوعی با مانیتورینگ فیزیولوژیک مداوم و آزمایشهای بالینی برای سنجش اثربخشی مقابلهها اختصاص خواهد داشت. آزمایشهای تصادفی کنترل‌شده روی زمین و در فضا میتواند نشان دهد که کدام استراتژیهای مداخلهای، مانند LBNP، پروتکلهای تمرینی یا مداخلات دارویی، بیشترین کاهش ریسک بینایی را فراهم میکنند. عیناً، تلفیق دادههای پویا—شامل فشار خون، شاخص‌های خون‌رسانی مغزی، و معیارهای خواب—با خروجی‌های تصویربرداری میتواند حسگرهای هشداردهنده زودهنگام را تقویت کند.
علاوه بر افزایش حجم دادهها، چالش‌های اخلاقی و عملیاتی نیز باید در نظر گرفته شوند: حفظ محرمانگی و امنیت دادههای زیستی فضانوردان، تایید بالینی و مقرراتی برای استفاده عملیاتی از سیستم‌های هوش مصنوعی، و توسعه راهکارهایی برای مدیریتی که خطاهای پیشبینی را کاهش دهد و پاسخ مناسبی را در شرایط نااطمینانی ارائه دهد. ایجاد استانداردهای بین‌المللی برای جمع‌آوری و اشتراک‌گذاری دادههای سلامت فضایی میتواند به تسریع پیشرفت علمی و افزایش قابلیت بازتولید نتایج کمک کند.
نتیجه‌گیری
تحلیل مبتنی بر هوش مصنوعی از تصاویر پیشپروازی چشم رویکردی نوآورانه و امیدوارکننده برای پیشبینی افرادی است که بیشتر در معرض کاهش بینایی مرتبط با پرواز فضایی قرار دارند. با ادامه جمع‌آوری دادهها، ترکیب تصویربرداری چندوجهی، و پالایش مدلها، این نوع غربالگری میتواند به جزئی از برنامه‌ریزی سلامت فضانوردان تبدیل شود و حفاظت از بینایی را در نسل بعدی مأموریتهای طولانیمدت ارتقا دهد. در نهایت، تلفیق دادههای تصویربرداری با پایش فیزیولوژیک و اجرای مداخلات هدفمند، مسیر روشنی برای کاهش بار ریسکهای بینایی در فضا فراهم می‌کند و امکان کاوش امن‌تر و مؤثرتر در اعماق فضا را تقویت می‌نماید.
منبع: sciencealert
نظرات