هوش مصنوعی در پزشکی میتواند درمان بیماریها را تسهیل کند و خلأ دسترسی به مراقبتهای درمانی را جبران نماید.
اگر خدای ناکرده خبر بدی درباره ابتلا به یک بیماری صعب العلاج بشنوید، ابتدا برای چند دقیقه به فکر فرو میروید و ممکن است احساس ناخوشایندی به شما دست دهد. سپس پزشک شروع به توصیف پیشرفتهای اخیر در هوش مصنوعی میکند، پیشرفتهایی که به وی امکان میدهد پرونده بیمار را با موارد مشابه هر بیمار دیگری که قبلاً به همان نوع بیماری مبتلا شده است، مقایسه کند. احتمالا پزشک به شما میگوید موثرترین روش درمانی را پیدا کرده است و این یکی از بهترین روشها برای نوع خاصی از بیماری در کسی است که زمینه ژنتیکی ابتلا به آن را دارد. اینجاست که صحبت از درمان کاملا شخصی یک بیماری با استفاده از هوش مصنوعی به میان میآید.
هوش مصنوعی در پزشکی چه خدماتی ارائه میکند؟
این پیشرفتهای پزشکی که با هوش مصنوعی آمیخته شده است تا به ثمر نشیند، برای نهاییشدن بسیار زمان برده است. برخی میگویند هنوز راه زیادی باقی مانده است. اما حقیقت این است که دانش پزشکی در آستانه یک انقلاب هوش مصنوعی است. ایزاک کهنه، رئیس گروه انفورماتیک زیست پزشکی دانشکده پزشکی هاروارد و همکاران وی در مقاله اخیر خود در مجله پزشکی نیوانگلند، اظهار داشتند که هوش مصنوعی در واقع در همه انواع دانش پزشکی میتواند خدمترسانی کند. هوش مصنوعی با طراحی صحیح و مناسب خود، همچنین توانایی کارایی بخشی به سیستم مراقبتهای بهداشتی را دارد. این فناوری با صرف هزینه کمتر در فرایندها، در کاهش بار کاغذبازی که مجتمعهای پزشکی و پزشکان تجربه میکنند، موثر است. هوش مصنوعی با سبک کردن فشار کار پزشکان و کادر درمانی، نیروهای متخصص را آماده ایفای مسئولیت در مشاغل و بخشهای جدید درمانی میکند و در نتیجه، شکافهایی را که برای دسترسی به خدمات با کیفیت در فقیرترین مکانهای جهان وجود دارد، پر میکند. این فناوری در بسیاری از موارد دیگر به عنوان یک ناظر کیفی، مانع از حجم وسیعی از خطاهای پزشکی میشود که سالانه حدود ۲۰۰۰۰۰ نفر را به کام مرگ میکشد و علاوه بر آن، ۱.۹ میلیارد دلار در سال هزینه در پی دارد.
دیوید بیتس، رئیس طب داخلی بیمارستان بریگام و بیمارستان زنان وابسته به هاروارد و نیز استاد رشته پزشکی دانشگاه هاروارد در این باره میگوید: «من متقاعد شدهام که پیادهسازی هوش مصنوعی در پزشکی یکی از مواردی است که روشهای درمانی را تغییر میدهد و این حوزه را رو به جلو میراند. واضح است که مراکز درمانی و کلینیکها در این زمینه تصمیمات خوبی نمیگیرند. اگر آنها در تصمیمگیریها بهتر عمل میکردند، میتوانستند کار خود را بهتر انجام دهند.»
سالهاست که هوش مصنوعی به همه جنبههای جامعه نفوذ کرده است؛ از تبلیغات آنلاین بسیار جالب و گیرا گرفته تا سیستمهای معاملاتی مالی و برنامههای رسانههای اجتماعی کودکان و حتی اتومبیلهای ما که به طور فزایندهای این روزها دارند خودکار عمل میکنند. همه و همه این فناوریها در سیطره هوش مصنوعی است. مطالعات نشان میدهد که الگوریتمهای این فناوری با مهارت پزشکان انسانی در تعدادی از موارد دیگر نیز مطابقت دارد.
ایزاک کهنه که همچنین استاد انفورماتیک زیست پزشکی موسسه پژوهشی ماریون وی است میگوید: «پیشرفتهای هوش مصنوعی به سرعت اتفاق میافتد، اما باز هم دنیای پزشکی در این مسیر دارد به آهستگی حر کت میکند. اینکه دنیای پزشکی همیشه کندتر از بقیه صنایع و حوزهها به علوم جدید ورود میکند، دیگر برای من عادی شده، اما اینکه بچههای من در شبکههای اجتماعی خود از هوش مصنوعی پیشرفتهتری استفاده میکنند، در مقایسه با آنچه من در کارم استفاده میکنم، برای من ناراحت کننده است.
چالش های فناوری هوش مصنوعی در پزشکی
حتی کسانی که ارزش بالقوه هوش مصنوعی را میدانند، خطرات احتمالی آن را نیز تشخیص میدهند. سیستمهایی که ضعیف طراحی شدهاند، میتوانند در زمینه پزشکی تشخیص غلط دهند. نرمافزاری که بر اساس مجموعه دادههایی کار میکند که با تعصبات فرهنگی آمیخته شده است، این نقصها را چند برابر میکند. هوش مصنوعی طراحی شده تا برای دردها التیام باشد و به ایجاد درآمد بیشتر کمک کند، نه این که آنها را افزایش دهد. برنامههایی که با الگوریتمهای یادگیری ماشین عمل میکنند، در حین کار همواره خود را بهینه میکنند و به اصطلاح در حال یاد گیریاند. این برنامهها چون الگوریتمهای خود را طبق دادههای جدید بهروزرسانی میکنند، پس از شروع تعامل با انسانهای غیرقابل پیشبینی، میتوانند عواقب ناخواستهای ایجاد کنند.
آشیش جها، مدیر سابق موسسه جهانی بهداشت هاروارد و رئیس کنونی دانشکده بهداشت عمومی دانشگاه براون، در این زمینه میگوید: «من فکر میکنم پتانسیل هوش مصنوعی به اندازه چالشهای این فناوری بزرگ است. برخی از مشکلات بسیار بزرگ در مراقبتهای بهداشتی و پزشکی وجود دارد، هم در ایالات متحده و هم در سطح جهانی، که هوش مصنوعی میتواند در حل آنها بسیار مفید باشد. اما هزینههای اشتباه انجام دادن آن به اندازه مزایای احتمالی آن قابل بررسی است. سوال این است: آیا وضع ما بهتر خواهد شد؟»
بسیاری معتقدند که ما در نهایت از فناوری هوش مصنوعی در بسیاری از جنبهها استفاده خواهیم کرد، اما در کنار آن باید احتیاط کنیم؛ چرا که پیادهسازی این فناوری و هر فناوری دیگری در علم پزشکی باید مدبرانه و با شناخت کافی باشد. این شناخت نه تنها باید نقاط قوت هوش مصنوعی را در بر گیرد، بلکه نقاط ضعف آن را نیز باید پوشش دهد. بهکارگیری این فناوری باید با استفاده از طیف وسیعی از دیدگاههای متخصصان در زمینههای خارج از پزشکی و علوم رایانه از جمله اخلاق و علوم انجام شود. فلسفه، جامعه شناسی، روانشناسی، اقتصاد رفتاری همه علومیاند که میتوانند به ما کمک کنند درک بهتری از بهکارگیری این فناوری داشته باشیم. ما در حقیقت به افرادی نیاز داریم که در زمینه علوم رفتار ماشینی آموزش ببینند. کسانی که در زمینه رفتار ماشینی آموزش دیدهاند، میتوانند تعامل پیچیده و در حال تکامل انسانها و ماشینهایی را که در حین کار یاد میگیرند، درک کنند.
پیشرفتهای این فناوری در پزشکی نباید این انتظار را به وجود آورد که یک هوش مصنوعی همه بیماریها را درمان کند؛ بلکه این فناوری به دنبال راهکارهایی است که از پزشکان پشتیبانی کند تا بتوانند تصمیمات بهتری بگیرند.
دیوید پارکز، استاد علوم کامپیوتر جورج اف کلونی و مدیر مشترک طرح علوم داده هاروارد که یکی از نویسندگان مقاله اخیر در مجله نیچر است، خواستار ایجاد رفتار ماشین به عنوان یک زمینه جدید شده است. او در این رابطه معتقد است چالشی که در رابطه با رفتار ماشین وجود دارد، این است که شما یک الگوریتم هوش مصنوعی را در خلأ و به دور از محرکهای دیگر استفاده نمیکنید. شما آن را در محیطی مستقر میکنید که مردم به آن پاسخ دهند و با آن سازگار شوند. «اگر من یک سیستم امتیاز دهی برای رتبهبندی بیمارستانها طراحی کنم، بیمارستانها طبق آن سیستم تغییر میکنند. همانطور که درک چگونگی کار یک کارمند جدید در یک محیط کار جدید چالش برانگیز است، درک چگونگی عملکرد ماشین آلات در هر نوع محیطی نیز چالش برانگیز است، زیرا افراد با آنها سازگار میشوند و این سازگاری محیط، رفتار آنها را تغییر میدهد.»
یادگیری ماشین در رتبه اول ایستاده است!
پارکز میگوید: «اگرچه در مورد آخرین موج فناوری هوش مصنوعی هیجانی در میان طرفداران این حوزه ایجاد شده است، اما این فناوری چندین دهه در پزشکی وجود داشته است.» در اوایل دهه ۱۹۷۰، «سیستمهای خبره expert systems» ایجاد شد که دانش را در زمینههای مختلف رمزگذاری میکرد تا در شرایط خاص توصیههایی را برای اقدامات مناسب ارائه دهد. از جمله این سیستمها، سیستم Mycin بود که توسط محققان دانشگاه استنفورد برای کمک به پزشکان در تشخیص و درمان بهتر عفونتهای باکتریایی ساخته شد. اگرچه Mycin به اندازه متخصصان انسانی در این کار سخت مهارت داشت، اما این سیستم نیز همانند دیگر سیستمهای مبتنی بر قاعده، بسیار شکننده و نگهداری از آن سخت و بسیار پرهزینه بود.
هیجان ناشی از هوش مصنوعی این روزها به دلیل جدید بودن این مفهوم نیست. بلکه این هیجان به دلیل پیشرفت سریع علم در شاخهای به نام یادگیری ماشین است که از پیشرفتهای اخیر در پردازش رایانه و در کلان داده که تدوین و مدیریت مجموعههای عظیم داده را به صورت روزمره ساخته است، بهره میبرد. الگوریتمهای یادگیری ماشینی که در بردارنده مجموعهای از دستورالعملها برای چگونگی عملکرد یک برنامهاند، به اندازه کافی پیشرفته شدهاند که میتوانند در حین کار یاد بگیرند و بدون اینکه انسان مداخلهای در فرایندهای آنها داشته باشد، عملکرد خود را بهبود بخشند.
قدرت سیستمهای هوش مصنوعی این است که میتوانند همه این مقدار زیاد از دادهها را بررسی کنند و اطلاعات درست یا پیشبینیهای درست را در زمان مناسب نشان دهند. فینال دوشی ولز دانشیار علوم مهندسی کاربردی در دانشکده مهندسی و علوم کاربردی دانشگاه هاروارد جان پالسون (SEAS) در این باره میگوید: «پزشکان به طور منظم اطلاعات مختلفی را که ممکن است در سابقه بیمار مرتبط باشند، از دست میدهند. بنابراین این فناوری یک نمونه از دستاوردهای نسبتاً کم هزینه است که به طور بالقوه میتواند بسیار مفید باشد.»
قبل از استفاده، این الگوریتم باید با استفاده از یک مجموعه داده شناخته شده آموزش داده شود. در تصویربرداری پزشکی، زمینهای که به گفته متخصصان هوش مصنوعی بیشترین نوید موفقیت را میدهد، یادگیری ماشین است. این فرآیند با مرور هزاران تصویر آغاز میشود. به عنوان مثال، از سرطان بالقوه ریه که توسط کارشناسان مشاهده و کدگذاری شده است. با استفاده از این بازخورد، الگوریتم یک تصویر را تجزیه و تحلیل میکند، پاسخ را بررسی میکند و پیش میرود و تخصص خود را توسعه میدهد.
الگوریتمهای یادگیری ماشین به تشخیص بیماریها کمک میکند
تعداد فزایندهای از مطالعات در سالهای اخیر نشان میدهد که الگوریتمهای یادگیری ماشین در شناخت و تشخیص بیماریها با نیروی انسانی برابر هستند و در برخی موارد، از نظر عملکرد از متخصصان انسانی پیشی میگیرند. به عنوان مثال، در سال ۲۰۱۶، محققان گزارش دادند که یک برنامه تشخیصی مجهز به هوش مصنوعی در ۹۲ درصد اسلایدهای آسیبشناسی به درستی سرطان را شناسایی کرده است. این درحالی است که فقط ۹۶ درصد از آسیبشناسان آموزش دیده توانسته بودند این بیماری را از اسلایدها تشخیص دهند. ترکیب این دو روش (تشخیص انسانی و هوش مصنوعی) منجر به دقت ۹۹.۵ درصدی شده است.
اخیراً، در دسامبر ۲۰۱۸، محققان بیمارستان عمومی ماساچوست (MGH) و مرکز SEAS هاروارد سیستمی را گزارش دادند که به همان دقت رادیولوژیستهای آموزش دیده میتواند خونریزی داخل جمجمه را که منجر به سکته مغزی میشود، تشخیص دهد. در ماه مه سال ۲۰۱۹، محققان گوگل و چندین مرکز پزشکی دانشگاهی گزارش دادند که یک هوش مصنوعی طراحی شده برای تشخیص سرطان ریه با ۹۴ درصد دقت توانسته بهتر از شش رادیولوژیست انسانی سرطان را تشخیص دهد.
طبق گفته کوهان و بیتس، یکی از حوزههای اخیر که وعده هوش مصنوعی تا حدود زیادی عملی نشده است، پاسخ جهانی به COVID-19 است. بیتس، که در ماه آگوست در اجلاس جهانی دیجیتال جهانی ریاض تحت عنوان «استفاده از هوش مصنوعی در غلبه بر طوفان COVID» سخنرانی کرد. او در این سخنرانی گفت اگرچه موفقیتهایی حاصل شد، اما بیشتر پاسخهای نتیجه بخش به ابزارهای اپیدمیولوژیک و پزشکی سنتی متکی بود.
به گفته وی، یک استثنای قابل توجه وجود دارد و آن هم تشخیص زود هنگام موارد ذاتالریه غیرمعمول در اطراف بازار در ووهان چین در اواخر ماه دسامبر ۲۰۱۹ بود. این تشخیص توسط یک سیستم هوش مصنوعی انجام شده بود که آن را شرکت BlueDot مستقر در کانادا ایجاد کرده بود. این کشف که به نظر میرسید SARS-CoV-2 باشد، بیش از یک هفته قبل از آن بود که سازمان بهداشت جهانی اعلامیه عمومی ویروس جدید را صادر کند.
بیتس در این کنفرانس که به دلیل کرونا به صورت آنلاین برگزار میشد، به مخاطبان گفت: «ما در این همهگیری برخی از کارها را با هوش مصنوعی انجام دادیم، اما کارهای بیشتری وجود دارد که میتوانیم انجام دهیم.»
بزرگترین مانع در استفاده بیشتر از هوش مصنوعی در تنظیم پاسخ مناسب به همهگیری کووید ۱۹، فقدان دادههای قابل اطمینان و در زمان واقعی بوده است. به گفته بیتس، روند جمعآوری و بهاشتراکگذاری دادهها با زیرساختهای قدیمیتر کند شده است. با تأخیر در جمعآوری دادهها و نگرانیهای مربوط به حفظ حریم خصوصی در مورد اشتراک دادهها، برخی از گزارشهای ایالات متحده هنوز به مراکز بهداشت عمومی ارسال میشود.
کوهان میگوید: «کووید به ما نشان داده است که ما در سطح ملی و بینالمللی مشکل دسترسی به دادهها را داریم که از پرداختن به مشکلات بزرگ در موارد اضطراری بهداشت ملی جلوگیری میکند.»
هوش مصنوعی در پزشکی: تولید واکسن
یک موفقیت اساسی هوش مصنوعی در پزشکی میتواند استفاده از یادگیری ماشینی در تولید واکسن باشد. به احتمال زیاد برای چند ماه نمیدانیم که کدام یک از کشورها در تولید واکسن کرونا موفق بودهاند، اما از این فناوری برای غربال کردن پایگاه کلان داده و انتخاب پروتئینهای ویروسی برای افزایش شانس موفقیت واکسن استفاده شده است.
بیتس با ابراز اطمینان نسبت به غلبه بر موانع فعلی، گفت: «نتایجی که ما از به کارگیری هوش مصنوعی در دوران بحران کرونا به دست میآوریم، نقش بسیار مهمتری در آینده بشر خواهد داشت. این نتایج عامل مهمی در مدیریت بهتر در همهگیری بعدی خواهد بود.»
سلام باتشکر از مقاله خوبتون
لطفا کتاب های کاربرد هوش مصنوعی در پزشکی رو هم معرفی کنید
سلام، باتشکر از حسن توجه شما
بله حتما دوست عزیز، مقالهای اینباره خواهیم داشت.
هوش مصنوعی در پزشکی طی سال های اخیر تحولات شگرفی داشته
بله همین طوره، طی سالهای آینده شاهد رشد بیشتری هم خواهیم بود