هوش مصنوعی” Artificial intelligence ” اصطلاحی برای توصیف کامپیوترها و فناوری‌هایی است که رفتار هوشمندانه و متفکرانه انسان‌ها را تقلید کرده و بر مبنای آن مسائل را حل می‌کنند. جان مک کارتی برای اولین بار در سال 1965 اصطلاح AI را به عنوان علمی پیشرفته برای ساخت ماشین‌های هوشمند توصیف کرد.
در این مقاله به‌طور اجمالی تاثیر هوش مصنوعی بر علم پزشکی، اصطلاحات و مفاهیم میان رشته‌ای و کاربردهای فعلی و آینده هوش مصنوعی در علم پزشکی را بررسی خواهیم کرد. شناخت بهتر قابلیت‌ها و توان‌مندی‌های هوش مصنوعی اجازه می‌دهد در آینده به شکل دقیق‌تر و سریع‌تری بیماری‌ها را شناسایی کرده و اقدامات مناسب را انجام دهیم.
تعریفی کوتاهی از هوش مصنوعی
آلن تورینگ یکی از بنیان‌گذاران هوش مصنوعی و کامپیوترهای مدرن بود. آزمون تورینگ بر اساس این واقعیت ساخته شده که رفتار کاملا هوشمندانه یک کامپیوتر به معنای رسیدن به سطح هوش انسانی در انجام کارهای عادی است. به عبارت دقیق‌تر، هوش مصنوعی زمانی به درجه‌ای ممتاز از ادراک خواهد رسید که انسان‌ها موفق نشوند در زمان تعامل با هوش مصنوعی فرق یک ماشین از یک انسان را تشخیص دهند.
هوش مصنوعی در صنعت پزشکی می‌تواند به دو زیر گروه مجازی و فیزیکی تقسیم شود. بخش مجازی در تعامل با برنامه‌هایی همچون طراحی سامانه‌های الکترونیکی جمع‌آوری اطلاعات سلامت تا ارائه توصیه‌های درمانی مبتنی بر هوش مصنوعی است. بخش فیزیکی در تعامل با روبات‌هایی است که در انجام جراحی‌ها، پروتزهای هوشمند برای افراد معلول و مراقبت از سالمندان کاربرد دارند. می دانیم که اساس کار پزشکی مبتنی بر نشانه‌ها و ارائه بینش‌های بالینی بر پایه الگوهای موجود در پایگاه‌های داده است. و برای ساخت این الگوها از روش‌های آماری استفاده می‌شود. کامپیوترها نیز می توانند برای تشخیص بیماری یک فرد از دو راهکار نمودارهای جریانی و بانک‌های اطلاعاتی استفاده می‌کنند.
امروزه هوش مصنوعی در زمینه‌های مختلف پزشکی استفاده می‌شود. زمان‌بندی آنلاین قرار ملاقات‌ها، بررسی‌های آنلاین در مراکز پزشکی، دیجیتالی کردن سوابق پزشکی، مراقبت‌های بهداشتی از راه دور، آسیب‌شناسی از راه دور، دندان‌پزشکی از راه دور و توان‌بخشی از راه دور تنها بخشی از تلاش‌های دانشمندان برای به‌کارگیری هوش مصنوعی در حوزه بهداشت و درمان است. دستاوردهای مستمر دانشمندان در این حوزه باعث شده تا الگوریتم‌های هوشمند در مورد مصرف بیش از اندازه داروها، عوارض جانبی برخی از داروها روی بیماران خاص یا مخاطرات پیرامون تجویز ترکیبی از داروها هشدارهای لازم را به داروسازان ارائه کنند.
رادیولوژی شاخه‌ای در علم پزشکی است که از بهترین و جدیدترین فناوری‌ها استفاده می‌کند. در آوریل 2018 میلادی سازمان غذا و داروی ایالات متحده (FDA) مجوز به‌کارگیری سامانه(xDR (DEN 180001) را صادر کرد. سامانه فوق اولین فناوری هوشمندی است که بدون دخالت بالینی قادر است از هوش مصنوعی برای انجام کارهای پزشکی استفاده کند. به‌طور مثال، در افراد مبتلا به بیماری دیابت، سامانه فوق می‌تواند برای تشخیص سطح پیشرفته رتینوپانی دیابتیک و بدون مداخله بالینی استفاده شود. به عبارت دقیق‌تر، سامانه فوق یک دستگاه پزشکی (SaMD) است که برای تحلیل تصاویر چشم از یک الگوریتم یادگیری ماشین پیشرفته استفاده می‌کند.
هوش مصنوعی جایگزین رادیولوژیست‌ها خواهد شد؟
چند وقتی است برخی از رسانه‌ها این پرسش را مطرح کرده‌اند که ممکن است هوش مصنوعی جایگزین رادیولوژیست‌ها شود، زیرا نتایج به‌دست آمده در چند وقت اخیر به اندازه‌ای دقیق و بی نقض بوده‌اند که با نتایج یک رادیوژیست حرفه‌ای برابری می‌کند. با این‌حال، پزشکان و متخصصان این حوزه نظر دیگری دارند و معتقد هستند هر زمان فناوری و راهکار جدیدی ابداع می‌شود، تبلیغات بیشماری پیرامون آن انجام می‌شود تا این ذهنیت را به جامعه القا کنند که یک فناوری جدید بهترین روش درمانی یا تشخیصی را ارائه کرده و بهتر است جایگزین روش‌های قبلی شود، اما گذشت زمان نشان داده این حرف همیشه درست نیست و در برخی موارد روش‌های قدیمی کارایی بهتری دارند.
الگوریتم هوشمند گوگل، نتایجی یکسان با متخصصان رادیولوژی ارائه می‌کند
نتایجی که الگوریتم هوش مصنوعی گوگل ارائه کرده نشان می‌دهد، فناوری فوق پیشرفته گوگل می‌تواند با دقت بیشتری نسبت به پزشکان تصاویر ماموگرافی را بررسی کرده و نشانه‌های سرطان سینه را تشخیص دهد. سرطان سینه، دومین سرطان شایع در بانوان است. اسکات مایر مک‌کینی در مقاله منتشر شده در سایت نیچر در ارتباط با نتایج به‌دست نوشته است که سامانه هوش مصنوعی گوگل با دقت و حساسیت بیشتری ماموگرام‌ها را می‌خواند. به عبارت دقیق‌تر الگوریتم هوشمند گوگل با تشخیص مثبت کاذب کمتری قادر به بررسی نشانه‌ها است.
الگوریتم گوگل در شناسایی درست نشانه‌ها در تصاویر مربوط به بانوان آمریکایی 7.5 درصد و بانوان انگلیسی 9.4 درصد دقیق بود. مطابق با قوانین کشور انگلستان، برای تشخیص تصاویر ماموگرافی باید دو رادیولوژیست تصاویر را بررسی کرده و نظر خود را اعلام کنند. دقت سامانه هوشمند گوگل با میزان دقت دو رادیولوژیست انگلیسی برابری می‌کرد.
هوش مصنوعی جایگزین رادیولوژیست‌ها خواهد شد؟
چند وقتی است برخی از رسانه‌ها این پرسش را مطرح کرده‌اند که ممکن است هوش مصنوعی جایگزین رادیولوژیست‌ها شود، زیرا نتایج به‌دست آمده در چند وقت اخیر به اندازه‌ای دقیق و بی نقض بوده‌اند که با نتایج یک رادیوژیست حرفه‌ای برابری می‌کند. با این‌حال، پزشکان و متخصصان این حوزه نظر دیگری دارند و معتقد هستند هر زمان فناوری و راهکار جدیدی ابداع می‌شود، تبلیغات بیشماری پیرامون آن انجام می‌شود تا این ذهنیت را به جامعه القا کنند که یک فناوری جدید بهترین روش درمانی یا تشخیصی را ارائه کرده و بهتر است جایگزین روش‌های قبلی شود، اما گذشت زمان نشان داده این حرف همیشه درست نیست و در برخی موارد روش‌های قدیمی کارایی بهتری دارند.
الگوریتم هوشمند گوگل، نتایجی یکسان با متخصصان رادیولوژی ارائه می‌کند
نتایجی که الگوریتم هوش مصنوعی گوگل ارائه کرده نشان می‌دهد، فناوری فوق پیشرفته گوگل می‌تواند با دقت بیشتری نسبت به پزشکان تصاویر ماموگرافی را بررسی کرده و نشانه‌های سرطان سینه را تشخیص دهد. سرطان سینه، دومین سرطان شایع در بانوان است. اسکات مایر مک‌کینی در مقاله منتشر شده در سایت نیچر در ارتباط با نتایج به‌دست نوشته است که سامانه هوش مصنوعی گوگل با دقت و حساسیت بیشتری ماموگرام‌ها را می‌خواند. به عبارت دقیق‌تر الگوریتم هوشمند گوگل با تشخیص مثبت کاذب کمتری قادر به بررسی نشانه‌ها است.
الگوریتم گوگل در شناسایی درست نشانه‌ها در تصاویر مربوط به بانوان آمریکایی 7.5 درصد و بانوان انگلیسی 9.4 درصد دقیق بود. مطابق با قوانین کشور انگلستان، برای تشخیص تصاویر ماموگرافی باید دو رادیولوژیست تصاویر را بررسی کرده و نظر خود را اعلام کنند. دقت سامانه هوشمند گوگل با میزان دقت دو رادیولوژیست انگلیسی برابری می‌کرد.
آیا در آینده تشخیص خودکار ماموگرام فراهم خواهد شد؟
درست است که قابلیت‌های شاخص هوش مصنوعی در آزمون‌های مختلف به‌اثبات رسید، اما به‌طور قاطع نمی‌توان نتیجه گرفت که دیگر نیازی به رادیولوژیست‌ها برای تشخیص ماموگرام نیست، زیرا سازندگان الگوریتم‌های هوشمند بر این موضوع تاکید دارند که محیط واقعی، پیچیده‌تر از یک محیط کنترل شده با داده‌های مشخص است و به همین دلیل سامانه هوشمند باید در محیط‌های واقعی و با داده‌های بیشتری آزمایش شود.
به‌طور مثال، در آزمایش‌های فوق تنها دو روش خاص تهیه ماموگرام و تصاویر ضبط شده با دستگاه‌های متعلق به یک شرکت خاص استفاده شده بود. اسکات مایر مک‌کینی می‌گوید: “بهتر است از هوش مصنوعی برای کم کردن زمان و فشار کاری به پزشکان استفاده شود.”
دستیابی به بهترین عملکردها و پزشکی دقیق
هوش مصنوعی به تدریج در بخش بهداشت عمومی به شکل گسترده‌ای به کار گرفته خواهد شد و تاثیر بزرگی روی جنبه‌های مختلف مراقبت‌های اولیه خواهد گذاشت. الگوریتم‌های هوشمند با شخصی‌سازی پروتکل‌های پزشکی متناسب با هر بیمار به پزشکان در بخش مراقبت‌های اولیه کمک می‌کنند به شکل بهتری به بیماران رسیدگی کنند. مطالعه انجام شده در سال گذشته میلادی نشان می‌دهد پزشکان 27% از وقت خود را به شکل مستقیم صرف معاینه بالینی بیماران کرده‌اند و 49.2% از وقت خود را صرف مستندسازی سوابق الکترونیکی بیمارستان و در اتاق معاینه سپری کرده‌اند. به‌کارگیری هوش مصنوعی نه تنها زمان بیشتری در اختیار پزشکان بخش مراقبت‌های اولیه قرار می‌دهد، بلکه افزایش بهره‌وری و دقت در شناسایی بیماری‌ها را به همراه دارد.
آیا در آینده تشخیص خودکار ماموگرام فراهم خواهد شد؟
درست است که قابلیت‌های شاخص هوش مصنوعی در آزمون‌های مختلف به‌اثبات رسید، اما به‌طور قاطع نمی‌توان نتیجه گرفت که دیگر نیازی به رادیولوژیست‌ها برای تشخیص ماموگرام نیست، زیرا سازندگان الگوریتم‌های هوشمند بر این موضوع تاکید دارند که محیط واقعی، پیچیده‌تر از یک محیط کنترل شده با داده‌های مشخص است و به همین دلیل سامانه هوشمند باید در محیط‌های واقعی و با داده‌های بیشتری آزمایش شود.
به‌طور مثال، در آزمایش‌های فوق تنها دو روش خاص تهیه ماموگرام و تصاویر ضبط شده با دستگاه‌های متعلق به یک شرکت خاص استفاده شده بود. اسکات مایر مک‌کینی می‌گوید: “بهتر است از هوش مصنوعی برای کم کردن زمان و فشار کاری به پزشکان استفاده شود.”
دستیابی به بهترین عملکردها و پزشکی دقیق
هوش مصنوعی به تدریج در بخش بهداشت عمومی به شکل گسترده‌ای به کار گرفته خواهد شد و تاثیر بزرگی روی جنبه‌های مختلف مراقبت‌های اولیه خواهد گذاشت. الگوریتم‌های هوشمند با شخصی‌سازی پروتکل‌های پزشکی متناسب با هر بیمار به پزشکان در بخش مراقبت‌های اولیه کمک می‌کنند به شکل بهتری به بیماران رسیدگی کنند. مطالعه انجام شده در سال گذشته میلادی نشان می‌دهد پزشکان 27% از وقت خود را به شکل مستقیم صرف معاینه بالینی بیماران کرده‌اند و 49.2% از وقت خود را صرف مستندسازی سوابق الکترونیکی بیمارستان و در اتاق معاینه سپری کرده‌اند. به‌کارگیری هوش مصنوعی نه تنها زمان بیشتری در اختیار پزشکان بخش مراقبت‌های اولیه قرار می‌دهد، بلکه افزایش بهره‌وری و دقت در شناسایی بیماری‌ها را به همراه دارد.
عملکرد دقیق هوش مصنوعی در شناسایی بیماری‌های پوستی
در نمونه دیگری که نتایج آن به شکل رسمی به ثبت رسیده، سامانه‌های هوش مصنوعی موفق شده‌اند در طبقه‌بندی صحیح ضایعات پوستی مشکوک عملکردی بهتر از متخصصان پوست داشته باشند. سامانه‌های هوشمند به دلیل آن‌که به‌طور مستمر در حال یادگیری و کسب اطلاعات هستند در عرض چند دقیقه قادر به یادگیری مفاهیم جدید هستند. مفاهیمی که پزشکان برای تسلط بر آن‌ها به سال‌ها زمان نیاز دارند، برای هوش مصنوعی تنها چند دقیقه زمان‌بر است.
کاهش فرصت‌های شغلی یا عدم اعتماد
هوش مصنوعی در مسیر جدیدی از یادگیری تقویتی قرار دارد که باعث شده مدافعان و مخالفان زیادی پیدا کند. استفاده روزافزون از فناوری به معنای کاهش تعداد فرصت‌های شغلی است که برخی از پزشکان و رشته‌های مرتبط با پزشکی را نگران کرده است. به‌طور مثال، مخالفان بر این باور هستند که ممکن است دستگاه‌های تحلیلی و منطقی بتوانند رفتارهای انسانی را تقلید کرده و درک کنند، اما برخی از صفات انسانی مانند تفکر انتقادی، مهارت‌های فردی و برقراری ارتباطی اجتماعی، هوش هیجانی و خلاقیت را نمی‌توان به دستگاه‌ها آموزش داد.
واقعیت این است که هوش مصنوعی در آینده به بخش جدایی‌ناپذیر از پزشکی تبدیل خواهد شد. از این‌رو، ضروری است نسل جدید کارآموزان پزشکی در مورد مفاهیم و کاربرد هوش مصنوعی و چگونگی عملکرد کارآمد این فناوری پیشرفته در محیط واقعی آموزش‌های لازم را کسب کرده و شیوه درست استفاده از ماشین‌های هوشمند را یاد بگیرند. هدف این است که پزشکان از ابزارهای خودکارسازی و هوش مصنوعی برای جبران نقاط قوت و ضعف خود استفاده کنند. زمانی که جامعه پزشکی این واقعیت را قبول کند که هوش مصنوعی قرار نیست به‌طور کامل جایگزین کادر پزشکی شود، دغدغه از دست دادن شغل برطرف شده و مزایای بالقوه هوش مصنوعی بهتر دیده می‌شوند.