از تشخیص تا درمان شخصی‌سازی‌شده
هوش مصنوعی در پزشکی: کاربردها، مزایا و چالش‌های بالینی
تیم تحریریه
- ۲۱ مهر ۱۴۰۵
هوش مصنوعی در پزشکی از تحلیل تصاویر رادیولوژی و شناسایی الگوهای بیماری تا کمک به کشف دارو، پایش بیماران و مدیریت پرونده‌های پزشکی کاربرد دارد. بااین‌حال، توانایی یک الگوریتم در انجام یک وظیفه مشخص به معنای اثبات ایمنی و اثربخشی آن در مراقبت واقعی از بیمار نیست. ارزش این فناوری به کیفیت داده‌ها، اعتبارسنجی بالینی، نحوه استفاده و نظارت متخصصان بستگی دارد.
در برخی کاربردها، هوش مصنوعی به ابزارهای عملیاتی مراکز درمانی تبدیل شده است؛ در برخی دیگر، هنوز فاصله قابل‌توجهی میان نتایج پژوهشی و استفاده گسترده بالینی وجود دارد. شناخت این تفاوت برای ارزیابی واقع‌بینانه آینده پزشکی ضروری است.
هوش مصنوعی در پزشکی چیست و امروز چه نقشی دارد؟
هوش مصنوعی در پزشکی به مجموعه‌ای از روش‌ها و سامانه‌های محاسباتی گفته می‌شود که برای تحلیل داده‌های سلامت، شناسایی الگوها، پیش‌بینی پیامدها یا تولید اطلاعات کمکی برای متخصصان به کار می‌روند. این سامانه‌ها می‌توانند بر یادگیری ماشین، یادگیری عمیق، بینایی ماشین، پردازش زبان طبیعی یا مدل‌های مولد متکی باشند.
برای مثال، یک مدل بینایی ماشین می‌تواند تصاویر پزشکی را برای شناسایی نشانه‌های احتمالی بیماری بررسی کند. الگوریتم یادگیری ماشین دیگری ممکن است با استفاده از سوابق بالینی، احتمال بروز یک پیامد را برآورد کند. مدل زبانی نیز می‌تواند در خلاصه‌سازی پرونده پزشکی یا استخراج اطلاعات از اسناد طولانی کمک کند.
این کاربردها یکسان نیستند. شناسایی الگو در یک تصویر، پیش‌بینی ریسک بیماری و پیشنهاد درمان سه مسئله متفاوت‌اند و هرکدام به داده‌ها، معیارهای ارزیابی و شواهد بالینی متناسب با خود نیاز دارند.
نکته مهم آن است که عملکرد فنی یک مدل با اثربخشی بالینی آن برابر نیست. حتی اگر الگوریتمی در یک مجموعه‌داده آزمایشی عملکرد خوبی داشته باشد، ممکن است هنگام استفاده در بیمارستانی دیگر، روی جمعیتی متفاوت یا با تجهیزات تصویربرداری متفاوت، نتیجه ضعیف‌تری ارائه دهد.
مهم‌ترین کاربردهای هوش مصنوعی در پزشکی
تحلیل تصاویر پزشکی و کمک به تشخیص بیماری
تصاویر حاصل از سی‌تی‌اسکن، MRI، رادیوگرافی، ماموگرافی و برخی روش‌های تصویربرداری دیگر اطلاعات فراوانی درباره وضعیت بیمار در اختیار پزشک قرار می‌دهند. الگوریتم‌های بینایی ماشین می‌توانند این تصاویر را تحلیل، نواحی مشکوک را مشخص و در اولویت‌بندی بررسی‌ها به متخصصان کمک کنند. کاربردهای این فناوری شامل شناسایی احتمالی شکستگی استخوان، ناهنجاری‌های اسکلتی، اندازه‌گیری تغییرات تومور، بررسی برخی نشانه‌های بیماری‌های ریوی و مغزی و کمک به ارزیابی تصاویر شبکیه است.
آیا هوش مصنوعی می‌تواند به متخصصان قلب کمک کند تا پیش‌بینی کنند چه کسی دچار حمله قلبی خواهد شد؟
بااین‌حال، خروجی مدل باید در محدوده کاربرد تعریف‌شده آن تفسیر شود. حساسیت و ویژگی تشخیصی، نرخ مثبت و منفی کاذب، نوع بیماری و جمعیت مورد بررسی از معیارهای مهم ارزیابی هستند. عملکرد یک سامانه در شناسایی یک بیماری مشخص را نمی‌توان به همه بیماری‌ها یا همه بیماران تعمیم داد.
پیش‌بینی ریسک بیماری و کمک به تصمیم‌گیری بالینی
پرونده‌های الکترونیک سلامت، نتایج آزمایش‌ها، سابقه بیماری، داروهای مصرفی و داده‌های پایش بیمار می‌توانند برای شناسایی الگوهای مرتبط با پیامدهای سلامت تحلیل شوند. برخی سامانه‌ها برای برآورد ریسک یا شناسایی زودهنگام نشانه‌های وخامت وضعیت بیمار طراحی شده‌اند. این ابزارها می‌توانند در اولویت‌بندی بررسی‌ها و کمک به تصمیم‌گیری بالینی نقش داشته باشند؛ اما خروجی آن‌ها باید با وضعیت بیمار، معاینه، آزمایش‌ها و قضاوت متخصص تطبیق داده شود.
پیش‌بینی ریسک با تشخیص قطعی تفاوت دارد. اگر یک مدل احتمال وقوع بیماری یا عارضه را بالا برآورد کند، این نتیجه به‌تنهایی وجود بیماری را اثبات نمی‌کند. همچنین، هشدارهای بیش از حد یا مثبت کاذب ممکن است بار کاری کادر درمان را افزایش دهند و توجه آن‌ها را از موارد مهم منحرف کنند. بنابراین، ارزیابی این سامانه‌ها باید علاوه بر عملکرد آماری، پیامدهای واقعی استفاده از آن‌ها را نیز در نظر بگیرد.
درمان شخصی‌سازی‌شده و پزشکی دقیق
درمان شخصی‌سازی‌شده تلاش می‌کند تصمیم‌های درمانی را با ویژگی‌های فردی بیمار هماهنگ کند. این ویژگی‌ها ممکن است شامل سابقه پزشکی، پاسخ قبلی به درمان، نتایج آزمایش‌ها، عوامل محیطی و در برخی موارد اطلاعات ژنتیکی باشند. هوش مصنوعی می‌تواند به تحلیل این داده‌ها و شناسایی الگوهایی کمک کند که در انتخاب یا ارزیابی گزینه‌های درمانی مفیدند. در پزشکی دقیق، اطلاعات مولکولی و ژنتیکی نیز ممکن است برای انتخاب درمان مناسب‌تر مورداستفاده قرار گیرد.
بااین‌حال، تحلیل داده‌های فردی به‌تنهایی ثابت نمی‌کند که یک درمان برای آن بیمار موثرتر خواهد بود. برای تأیید چنین نتیجه‌ای، شواهد بالینی معتبر، ارزیابی سود و زیان درمان و درنظرگرفتن شرایط فردی ضروری است. همچنین، دسترسی به داده‌های ژنتیکی باکیفیت و پرونده‌های پزشکی یکپارچه در همه مراکز درمانی یکسان نیست. کیفیت پایین داده‌ها یا کمبود نمایندگی گروه‌های مختلف در داده‌های آموزشی می‌تواند دقت و عدالت تصمیم‌گیری را کاهش دهد.
رباتیک پزشکی، پایش بیمار و پزشکی از راه دور
ربات‌های جراح می‌توانند به جراحان در انجام حرکات دقیق، استفاده از ابزارهای تخصصی و کنترل بهتر میدان عمل کمک کنند. بااین‌حال، همه ربات‌های جراحی مجهز به هوش مصنوعی نیستند و استفاده از ربات به معنای انجام خودکار عمل جراحی نیست. باید میان رباتیک کمک‌جراح، سامانه‌های هدایت تصویری، ابزارهای پشتیبان تصمیم و سامانه‌های دارای قابلیت خودکارسازی تمایز گذاشت. سطح استقلال، نقش اپراتور و شواهد ایمنی هر سامانه باید جداگانه بررسی شود.
از تلاطم اتاق عمل تا ارکستراسیون داده‌ها؛ بازتعریف مرزهای هوش مصنوعی در جراحی مدرن
در خارج از بیمارستان نیز دستگاه‌های پوشیدنی و سامانه‌های پایش از راه دور می‌توانند اطلاعاتی مانند ضربان قلب یا برخی شاخص‌های فیزیولوژیک را ثبت کنند. الگوریتم‌ها ممکن است تغییرات غیرعادی را شناسایی و برای بررسی بیشتر هشدار صادر کنند. بااین‌حال، دقت اندازه‌گیری، کیفیت اتصال، احتمال هشدار اشتباه و نحوه پاسخ‌گویی کادر درمان بر ارزش عملی این ابزارها تاثیر می‌گذارند. چنین سامانه‌هایی نباید بدون ارزیابی مناسب جایگزین مراقبت ضروری یا مراجعه به پزشک شوند.
کشف دارو و پژوهش زیست‌پزشکی
توسعه دارو فرایندی طولانی و چندمرحله‌ای است که از شناسایی هدف زیستی و طراحی یا غربالگری مولکول‌ها تا آزمایش‌های پیش‌بالینی، کارآزمایی‌های بالینی و ارزیابی نظارتی ادامه می‌یابد. هوش مصنوعی می‌تواند در تحلیل داده‌های زیستی، پیش‌بینی ویژگی‌های مولکول‌ها، اولویت‌بندی نامزدهای دارویی و بررسی ساختارهای زیستی به پژوهشگران کمک کند. این فناوری امکان می‌دهد برخی فرضیه‌ها و گزینه‌ها با سرعت بیشتری بررسی شوند.
یکی از نمونه‌های پژوهشی مهم، مدل هوش مصنوعیAlphaFold است. مقاله این مدل در ۸ مه ۲۰۲۴ در مجله Nature منتشر شد و جایزه نوبل شیمی را برای نویسندگانش به همراه آورد. پژوهشگران در این مقاله، روشی برای پیش‌بینی ساختار کمپلکس‌های زیست‌مولکولی شامل پروتئین‌ها، اسیدهای نوکلئیک و مولکول‌های کوچک ارائه کردند. این دستاورد برای مطالعه برهم‌کنش‌های مولکولی و پژوهش دارویی اهمیت دارد؛ اما پیش‌بینی محاسباتی ساختار یک مولکول به معنای اثبات اثربخشی یا ایمنی یک داروی جدید نیست.
استراتژی DeepMind تجاری شد، تیم برنده نوبل AlphaFold منحل شد
پرونده الکترونیک، نسخه‌خوانی و امور اداری
بخشی از ظرفیت هوش مصنوعی در پزشکی به وظایفی مربوط است که مستقیماً تشخیص یا درمان نیستند، اما زمان زیادی از کادر درمان می‌گیرند. استخراج اطلاعات از پرونده‌ها، خلاصه‌سازی اسناد، دسته‌بندی مکاتبات، تبدیل گفتار به متن و کمک به ثبت اطلاعات از جمله این کاربردها هستند. مدل‌های زبانی می‌توانند در تهیه پیش‌نویس مستندات یا بازیابی اطلاعات مرتبط کمک کنند. سامانه‌های تشخیص نوری نویسه‌ها (OCR) نیز برای تبدیل اسناد تصویری به متن قابل‌پردازش به کار می‌روند.
بااین‌حال، این ابزارها ممکن است اطلاعاتی را حذف کنند، متن ناخوانا را اشتباه بخوانند یا جزئیاتی تولید کنند که در سند اصلی وجود ندارند. در فرایند نسخه‌خوانی نیز تشخیص اشتباه در نام دارو، دوز یا دستور مصرف می‌تواند پیامد جدی داشته باشد؛ بنابراین، بازبینی انسانی و کنترل‌های ایمنی ضروری‌اند.
هوش مصنوعی در پزشکی چه مزایایی دارد؟
مزایای بالقوه هوش مصنوعی را می‌توان در چند محور خلاصه کرد:
- تحلیل سریع‌تر داده‌ها: بررسی مجموعه‌های بزرگ تصاویر، پرونده‌ها و داده‌های پژوهشی.
- کمک به شناسایی الگوها: آشکارکردن روابطی که بررسی دستی آن‌ها دشوار است.
- پشتیبانی از اولویت‌بندی: کمک به تعیین مواردی که ممکن است به بررسی سریع‌تر نیاز داشته باشند.
- کاهش بخشی از بار اداری: خودکارسازی برخی فعالیت‌های تکراری و مستندسازی.
- پشتیبانی از پژوهش دارویی: تسریع برخی مراحل تحلیل و انتخاب نامزدهای پژوهشی.
- گسترش ابزار: کمک به تبدیل گفتار و متن، توصیف محیط و تسهیل ارتباط برای برخی افراد دارای معلولیت.
این مزایا به کیفیت طراحی و اجرای سامانه بستگی دارند. کاهش زمان انجام یک وظیفه لزوماً به معنای کاهش هزینه کل درمان یا بهبود پیامد بیمار نیست. برای ارزیابی اثر واقعی، باید نتایج پیش و پس از پیاده‌سازی و همچنین هزینه‌های نگهداری، بازبینی و مدیریت خطا بررسی شوند.
محدودیت‌ها و خطرات هوش مصنوعی در پزشکی چیست؟
اعتبارسنجی و تعمیم‌پذیری
یک مدل ممکن است در محیط پژوهشی موفق باشد، اما هنگام استفاده در جمعیتی متفاوت عملکرد ضعیف‌تری داشته باشد. تفاوت در سن، ویژگی‌های جمعیتی، شیوع بیماری، تجهیزات، روش ثبت داده و پروتکل‌های درمانی می‌تواند نتایج را تغییر دهد. اعتبارسنجی مستقل و ارزیابی عملکرد در محیط واقعی برای کاربردهای حساس ضروری‌اند. عملکرد یک مدل باید در محدوده مشخصی از بیماران و وظایف سنجیده شود.
سوگیری و نابرابری
اگر داده‌های آموزشی نماینده مناسبی از جمعیت هدف نباشند، مدل ممکن است برای بعضی گروه‌ها خطای بیشتری داشته باشد. در پزشکی، چنین سوگیری‌ای می‌تواند به تفاوت در کیفیت تشخیص یا دسترسی به مراقبت منجر شود. بررسی عملکرد به تفکیک گروه‌های مرتبط و پایش مستمر پس از استقرار، از اقدامات مهم برای کاهش این خطر است.
حریم خصوصی و امنیت اطلاعات
داده‌های پزشکی از حساس‌ترین اطلاعات شخصی هستند. انتقال پرونده‌ها به سرویس‌های نامناسب، دسترسی غیرمجاز، ذخیره‌سازی ناایمن یا استفاده ثانویه بدون مجوز مناسب می‌تواند حریم خصوصی بیمار را به خطر بیندازد. سازمان‌های درمانی باید کنترل دسترسی، مدیریت مجوزها، امنیت زیرساخت و سیاست‌های روشن نگهداری و استفاده از داده‌ها را در نظر بگیرند.
آیا هوش مصنوعی می‌تواند یک همه‌گیری را مهندسی کند؟
آیا باید نگران باشیم که هوش مصنوعی سلاح‌های بیولوژیکی مرگبار بسازد؟
خطاهای مدل‌های مولد
مدل‌های زبانی و چندوجهی ممکن است پاسخ‌هایی روان اما نادرست تولید کنند، اطلاعات مهم را نادیده بگیرند یا درباره شواهد پزشکی بیش از حد مطمئن به نظر برسند. این مسئله در حوزه سلامت اهمیت ویژه‌ای دارد؛ زیرا ظاهر متقاعدکننده یک پاسخ، معیار اعتبار علمی آن نیست.
هوش مصنوعی روش ساخت سلاح‌های بیولوژیکی را به دانشمندان آموزش می‌دهد
چگونه ابزارهای هوش مصنوعی می‌توانند زمینه‌ساز بیوتروریسم شوند
مسئولیت و نظارت انسانی
در تصمیم‌های حساس پزشکی باید مشخص باشد چه کسی خروجی سامانه را بررسی می‌کند، چه زمانی لازم است آن را نادیده بگیرد و مسئولیت اقدام نهایی بر عهده چه فرد یا سازمانی است. پزشکان و مراکز درمانی نباید صرفاً به دلیل ارائه یک توصیه از سوی الگوریتم، آن را درست فرض کنند. ازسوی‌دیگر، نظارت انسانی زمانی موثر است که متخصص فرصت، دانش و اطلاعات کافی برای بررسی خروجی را داشته باشد.
آیا هوش مصنوعی می‌تواند جایگزین پزشک شود؟
هوش مصنوعی می‌تواند برخی وظایف مشخص را خودکار کند یا انجام آن‌ها را تسهیل کند، اما جایگزینی کامل پزشک نتیجه‌ای نیست که بتوان از پیشرفت الگوریتم‌ها به‌تنهایی استنباط کرد.
تشخیص و درمان فقط به تحلیل داده محدود نیست. بررسی وضعیت فرد، تفسیر اطلاعات ناقص، گفت‌وگو با بیمار، توجه به ترجیحات او، ارزیابی خطرها و پذیرش مسئولیت تصمیم از اجزای مهم مراقبت پزشکی هستند. بنابراین، پرسش عملی‌تر این است که کدام وظایف را می‌توان با کمک هوش مصنوعی بهتر انجام داد، چه شواهدی برای ایمنی آن‌ها وجود دارد و چه سازوکارهایی برای کنترل خطا لازم است.
آینده هوش مصنوعی در پزشکی به چه عواملی بستگی دارد؟
مدل‌های چندوجهی که می‌توانند انواع مختلف داده را پردازش کنند، ابزارهای کمک به تصمیم‌گیری بالینی، پزشکی دقیق و سامانه‌های پژوهش دارویی از حوزه‌های مهم توسعه این فناوری هستند. بااین‌حال، پیشرفت فنی به‌تنهایی تضمین نمی‌کند که یک ابزار به استفاده گسترده یا موفقیت بالینی برسد. آینده هوش مصنوعی در پزشکی به کیفیت شواهد، دسترسی به داده‌های معتبر، سازگاری با گردش کار درمان، امنیت اطلاعات، هزینه پیاده‌سازی و چارچوب‌های نظارتی وابسته است.
برای مراکز درمانی، انتخاب ابزار باید با تعریف مسئله آغاز شود:
- کدام مشکل قرار است حل شود؟
- معیار موفقیت چیست؟
- خطاهای قابل‌قبول کدام‌اند؟
- چه کسی خروجی را بازبینی می‌کند؟
- عملکرد سامانه پس از استقرار چگونه پایش خواهد شد؟
برای بیماران نیز یک اصل ساده اهمیت دارد:
خروجی ابزارهای عمومی هوش مصنوعی نباید جایگزین تشخیص، تجویز یا ارزیابی فوری پزشکی شود. اطلاعات تولیدشده توسط این ابزارها باید با منابع معتبر و نظر متخصص بررسی شوند.
هوش مصنوعی می‌تواند تحلیل داده‌های پزشکی، برخی فرایندهای تشخیصی، پژوهش دارویی و مدیریت خدمات سلامت را بهبود دهد؛ اما ارزش آن با توانایی فنی یا جذابیت یک نمونه آزمایشی سنجیده نمی‌شود. معیار اصلی، اثربخشی و ایمنی در کاربرد واقعی است.
استفاده موفق از این فناوری به شواهد معتبر، داده‌های مناسب، نظارت انسانی، حفاظت از حریم خصوصی و ارزیابی مستمر وابسته است. در چنین چارچوبی، هوش مصنوعی می‌تواند ابزار ارزشمندی برای پشتیبانی از پزشکان و بهبود فرایندهای مراقبت باشد، بدون آنکه محدودیت‌های آن نادیده گرفته شوند.
پرسش‌های متداول درباره هوش مصنوعی در پزشکی
- هوش مصنوعی در پزشکی چه کاربردهایی دارد؟
از تحلیل تصاویر پزشکی و پشتیبانی از تصمیم بالینی تا پایش بیمار، پردازش پرونده‌ها، کشف دارو و پژوهش زیست‌پزشکی. میزان بلوغ و شواهد هر کاربرد متفاوت است. - آیا هوش مصنوعی می‌تواند سرطان را تشخیص دهد؟
برخی سامانه‌های تخصصی برای شناسایی نشانه‌های مرتبط با سرطان در تصاویر یا داده‌های پزشکی طراحی شده‌اند. عملکرد آن‌ها به نوع سرطان، داده‌ها و کاربرد تعریف‌شده وابسته است و نتیجه مدل به‌تنهایی جایگزین تشخیص پزشک نیست. - آیا هوش مصنوعی می‌تواند جایگزین پزشک شود؟
این فناوری می‌تواند برخی وظایف مشخص را خودکار کند یا به پزشک در تحلیل اطلاعات کمک کند، اما جایگزینی کامل پزشک از این قابلیت‌ها نتیجه نمی‌شود. تصمیم‌گیری بالینی و مسئولیت مراقبت همچنان اهمیت دارند. - هوش مصنوعی چگونه به کشف دارو کمک می‌کند؟
با تحلیل داده‌های زیستی، پیش‌بینی ویژگی‌های مولکولی، اولویت‌بندی نامزدهای دارویی و کمک به طراحی پژوهش‌ها. نتایج محاسباتی باید با آزمایش‌های تجربی و مراحل ارزیابی ایمنی و اثربخشی تکمیل شوند. - مهم‌ترین خطرات هوش مصنوعی در پزشکی چیست؟
خطاهای تشخیصی، سوگیری داده‌ها، نقض حریم خصوصی، اطلاعات نادرست، ضعف تعمیم‌پذیری و اتکای بیش از حد به خروجی الگوریتم از مهم‌ترین خطرات‌اند. - آیا استفاده از چت‌بات‌های عمومی برای تشخیص بیماری قابل‌اعتماد است؟
چت‌بات‌های عمومی ممکن است اطلاعات مقدماتی ارائه دهند، اما لزوماً برای تشخیص یا تجویز پزشکی اعتبارسنجی نشده‌اند. نباید بر اساس پاسخ آن‌ها درمانی را آغاز یا متوقف کرد یا مراجعه ضروری به پزشک را به تأخیر انداخت.
