چرا وابستگی ما به هوش مصنوعی در آینده اجتناب‌ناپذیر خواهد بود؟

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. به اعتقاد برخی از کارشناسان دهه 80 و 90 میلادی عصر طلایی برنامه‌ها و الگوریتم‌های هوشمند بود، زیرا شرکت‌ها پیوسته در تلاش بودند تا توان‌مندهای هوش مصنوعی را به اوج برسانند. پیاده‌سازی تکنیک‌ها و راهکارهای هوشمندی همچون سیستم‌های خبره فازی، شبکه‌های بیزی، شبکه‌های عصبی مصنوعی و سامانه‌های هوشمند ترکیبی با هدف به‌کارگیری در مراقبت‌های بهداشتی از دستاوردهای این سال‌های طلایی هستند. سال 2016 را باید نقطه عطفی در پیشبرد برنامه‌های هوش مصنوعی در صنعت بهداشت و درمان توصیف کرد، زیرا بیشترین سرمایه‌گذاری در بخش تحقیقات هوش مصنوعی  در ارتباط با برنامه‌‌های بهداشتی در این سال بود.

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. اساس پزشکی مبتنی بر نشانه‌ها با هدف ارائه بینش‌های بالینی بر پایه الگوهای موجود در پایگاه‌های داده است. به‌طور سنتی، برای ساخت این الگوها از روش‌های آماری استفاده می‌شود. کامپیوترها برای تشخیص بیماری یک فرد از دو راهکار نمودارهای جریانی و بانک‌های اطلاعاتی استفاده می‌کنند. 

رویکرد مبتنی بر نمودارهای جریانی شامل پردازش سوابق و اطلاعات سلامت فرد است. در دنیای فیزیکی، پزشکان سوالاتی از یک فرد می‌پرسند و بر مبنای پاسخ‌های فرد و ترکیب مجموعه علایم با اطلاعات به‌دست آمده از فرد (آزمایش‌های مختلف و توضیحات فرد) احتمال وجود یک بیماری را مطرح می‌کنند. در دنیای مجازی نیز هوش مصنوعی مشابه چنین کاری را انجام می‌دهد، البته برای دستیابی به چنین دستاوری به حجم بسیار زیادی از داده‌ها برای تغذیه و آموزش الگوریتم هوشمند نیاز است. داده‌هایی که توسط شبکه‌های ابری در اختیار الگوریتم‌های هوشمند قرار می‌گیرد شامل طیف گسترده‌ای از نشانه‌ها و علائم بیماری به اثبات رسیده در دنیای پزشکی هستند. به لحاظ تئوری یک چنین راهکاری ایده‌آل و موثر است، با این‌حال نتایج به‌دست آمده از این روش محدود هستند، زیرا ماشین‌ها یا به عبارت دقیق‌تر کامپیوترها نمی‌توانند نشانه‌های یک بیماری را به شکل دقیق و درستی و شبیه به پزشکان جمع‌آوری کنند و همواره به وجود یک نیروی متخصص نیازمند دارند.

پژوهشگران از داده‌های ذخیره شده در بانک‌های اطلاعاتی و با استفاده از یادگیری عمیق سعی می‌کنند الگوی مربوط به بیماری‌ها را کشف کنند. برای این منظور مدل‌های هوشمند از یک فرآیند یادگیری تکرارشونده استفاده می‌کنند تا گروه‌های خاصی از علائم یا تصاویر بالینی/رادیولوژی را دریافت کرده و نشانه‌های روشن و ناپیدا را شناسایی کنند. نمونه‌ای از این رویکرد پروژه مغز مصنوعی گوگل است که در سال 2012 از آن رونمایی شد. این سامانه بر مبنای روش خودیادگیری، مشاهده بیش از 10 میلیون فیلم یوتیوب و دریافت بازخوردهای پژوهشگران موفق به شناسایی گربه‌ها شد. پس از 3 روز یادگیری، مغز مصنوعی گوگل توانست با دقت 75٪ گربه‌های درون تصاویر را تشخیص دهد.

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. شکل 1 کاربردهای وسیع هوش مصنوعی در علم پزشکی را نشان می‌دهد.

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 ID-xDR (DEN180001) 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. سامانه فوق تصاویر ضبط شده از شبکیه را جمع‌آوری کرده و در یک بانک‌اطلاعاتی ابرمحور ذخیره‌سازی می‌کند. غربال‌گری با استفاده از این الگوریتم، رتینوپاتی در افراد دیابتی را تشخیص داده و اگر بیمار مشکل حاد چشمی داشته باشد او را برای ادامه درمان به یک متخصص چشم‌ پزشکی معرفی می‌کند. اگر نتیجه غربال‌گری و آزمایش افراد منفی باشد، بیمار یک سال دیگر دومرتبه غربال‌گری می‌شود. در نمونه دیگری یک شرکت چینی به‌نام Infevision موفق شده از یادگیری ماشین در زمینه تصویربرداری استفاده کرده و مراحل ابتدایی رشد تومورها در تصاویر رادیوگرافی را تشخیص دهد. از 200 هزار تصویر رادیولوژی و سی‌تی‌اسکن برای آموزش این الگوریتم هوشمند استفاده شده است. Infevision می‌گوید: «الگوریتم فوق می‌تواند نشانه‌های بیماری‌ها را از روی تصاویر رادیولوژی و به خوبی بهترین رادیولوژیست‌ها تشخیص دهد.»

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. به‌طور مثال، در علوم نظری، ریاضی، فیزیک و نمونه‌های مشابه این حرف تا حد زیادی درست است، اما در علوم تجربی و پزشکی داستان فرق می‌کند. در علوم تجربی و پزشکی موضوعات به صفر و یک ختم نمی‌شوند، به‌طور مثال، در ارتباط با درمان بیماری‌های بدخیم خاص قرار نیست برای تمامی بیماران از پروتکل درمانی یکسانی استفاده کرد و در بیشتر موارد باید بر اساس ژن بیمار، درمان مناسب را تجویز کرد. به عبارت دقیق‌تر، یک بیماری شناخته شده و یکسان در افراد مختلف به درمان‌های مختلفی نیاز دارد. مثال روشن در این زمینه کووید 19 است که یکسری علایم مشخص و شناخته شده دارد، اما در افراد مختلف باعث بروز مشکلات مختلفی می‌شود. تا پیش از این تصور می‌شد که این بیماری تنها روی ریه‌ها تاثیرگذار است، اکنون مشخص شده کووید 19 ممکن است روی کلیه‌ها اثرگذار باشد. در حوزه تصویربرداری پزشکی، هر زمان فناوری یا دستگاه جدیدی ابداع می‌شود، به سرعت موضوع حذف دستگاه‌های قدیمی مطرح می‌شود. به‌طور مثال، زمانی که دستگاه MRI به بازار آمد برخی آن‌را جایگزین سی‌تی‌اسکن معرفی کردند، اما این‌گونه نشد و همچنان از روش‌هایی همچون رادیوگرافی ساده، سی‌تی، سونوگرافی، MRI و.... برای تشخیص بیماری‌های مختلف استفاده می‌شود و قرار نیست هیچکدام جایگزین روش‌های دیگر شود. هوش مصنوعی قرار است به عنوان ابزار ساده‌کننده و ابزاری تشخیصی در اختیار متخصصان رادیولوژی قرار گیرد. نتایجی که الگوریتم‌های تصویربرداری پزشکی ارائه می‌کنند، لازم است پیش از تجویز هرگونه روش درمانی به یک کارشناس مجرب رادیولوژی نشان داده شود. به همین دلیل الگوریتم‌های هوشمند قرار نیست جایگزین رادیولوژیست‌ها شوند و تنها به عنوان یک ابزار تشخیصی به کار گرفته خواهند شد. در ارتباط با نمونه اخیر (کووید 19) برخی بر این باور هستند که بدون نیاز به رادیولوژیست‌ها امکان تشخیص این بیماری با هوش مصنوعی وجود دارد، در حالی که این حرف درست نیست و این احتمال وجود دارد که بیماری‌های مختلفی شبیه به مشکلات ریوی کووید 19 در افراد وجود داشته باشد که یک تشخیص اشتباه ممکن است منجر به مرگ بیمار شود. تصور کنید شخصی با بیماری آمبولی ریه توسط الگوریتم هوشمند به اشتباه آلوده به ویروس کرونا تشخیص داده شود و به بیمار توصیه شود در خانه بماند، بدیهی است این فرد جان خود را از دست خواهد داد، در این حالت چه کسی پاسخ‌گو خواهد بود، خود الگوریتم هوشمند، مهندسی که الگوریتم را ساخته یا پزشکی که از آن استفاده کرده است. در مرحله بعد سازمان‌های بیمه‌گر قرار است با این موضوع چه برخورداری داشته باشند و اگر بحث طرح شکایت مطرح شود قرار است از چه فردی شکایت شود؟

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 هوشمند گوگل ابتدا توسط حجم زیادی از داده‌ها (ماموگرام 25 هزار بانوی انگلیسی و 3 هزار بانوی امریکایی) به شیوه یادگیری عمیق آموزش داده شد. در ادامه اولین آزمون ارزیابی این سامانه هوشمند انجام شد تا عملکردش سنجیده شود. در این آزمون الگوریتم هوشمند می‌بایست وضعیت سرطان سینه در بیماران یا افراد سالم را تشخیص می‌داد. البته این آزمون بر مبنای داده‌های قدیمی انجام شد که پزشکان نتایج را از قبل می‌دانستند. به عبارت دقیق‌تر دانشمندان می‌دانستند چه افرادی مبتلا به سرطان سینه هستند و باید عمل نمونه‌برداری روی آن‌ها انجام شود و چه افرادی سالم هستند. 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. در مرحله بعد پژوهشگران تصمیم گرفتند برای ارزیابی قابلیت تعمیم داده‌ها از داده‌های متعلق به کشور انگلستان برای تشخیص نشانه‌ها در تصاویر بانوان امریکایی استفاده کنند. در آزمون دوم نیز سامانه هوشمند توانست با حساسیت بیشتری نسبت به رادیولوژیست‌ها نشانه‌ها را شناسایی کند. در سومین آزمون، فرآیند ارزیابی بالینی به شکل تصادفی انجام شد. در این مرحله 500 ماموگرام به شکل تصادفی انتخاب و در اختیار شش رادیولوژیست دارای بورد تخصصی ایالات متحده قرار گرفت تا نتایج تشخیص آن‌ها با سامانه هوش مصنوعی مقایسه شود. در سومین آزمون هم عملکرد سامانه هوشمند گوگل بهتر از میانگین عملکرد شش پزشک بود.

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. به‌طور مثال، در انگلستان که قرار است دو متخصص، ماموگرام‌ها را بررسی کنند، این امکان وجود دارد تا ماموگرام تنها زمانی به متخصص دوم نشان داده شود که هوش مصنوعی تشخیصی متفاوت از متخصص اول ارائه کرده است.» در آزمون فوق مواردی نیز شناسایی شده بود که شش متخصص توانسته بودند سرطانی را تشخیص دهند که هوش مصنوعی قادر به تشخیص درست آن نبود. همچنین در مورد دیگری هوش مصنوعی توده‌ای در ماموگرام را تشخیص داده بود که هیچ رادیولوژیستی موفق به تشخیص آن نشده بود. به همین دلیل این امکان وجود ندارد که هوش مصنوعی یا پزشکان را جایگزین یکدیگر تصور کنیم، زیرا این دو در کنار یکدیگر می‌توانند بهترین عملکرد را ارائه کنند.

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. پزشکان مراقبت‌های اولیه می‌توانند از هوش مصنوعی برای یادداشت‌برداری، تحلیل گفت‌وگوهای خود با بیماران استفاده کرده و اطلاعات مورد نیاز را مستقیماً در سیستم‌های EHR وارد کنند. این برنامه‌ها داده‌های بیمار را جمع‌آوری، تجزیه و تحلیل کرده و آن‌را در کنار اطلاعات مهم پزشکی در اختیار پزشکان قرار می‌دهند. 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. برخی دیگر 52.9٪ از وقت خود را صرف EHR و کارهای مشابه 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.

جست‌وجو با هدف ساخت داروهایی برای یک بیماری خاص از طریق کارآزمایی بالینی به سال‌ها زمان و صرف هزینه‌های میلیون دلاری نیاز دارد. به‌طور مثال، در یک نمونه نسبتا جدید پژوهشگران و پزشکان از هوش مصنوعی برای غربالگری داروهای موجود استفاده کردند تا بتوانند با تهدید ویروس ابولا مقابله کنند. ویروسی که بدون وجود هوش مصنوعی ممکن بود برای سالیان متمادی به تهدیدی جدی برای انسان‌ها تبدیل شود. با کمک هوش مصنوعی می‌توانیم مفهوم جدیدی به‌نام پزشکی دقیق (Precision Medicine) را از نزدیک لمس کنیم. پزشکی دقیق یک مدل درمانی است که فرآیند شخصی‌سازی روند مراقبت را به کمک تصمیمات پزشکی، تمرین‌ها یا محصولات دارویی مختص هر بیمار پیشنهاد می‌کند. در این مدل اغلب آزمایش‌های تشخیصی برای پیدا کردن روش‌های درمانی بهینه بر اساس محتوای ژنتیکی شخص استفاده می‌شوند. از ابزارهای استفاده شده در پزشکی دقیق می‌توان به تشخیص مولکولی و عکس‌برداری اشاره کرد.

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 مشكوك 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. البته در برخی موارد پزشکان با تصمیمات اتخاذ شده از سوی هوش مصنوعی در ارتباط با بیماری‌های خاص همچون شناسایی سل ریوی از طریق رادیوگرافی قفسه سینه مخالف هستند.

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. در نتیجه، مهم است که پزشکان دستاوردهای هوش مصنوعی را به رسمیت شناخته و با اتکا بر فناوری‌های هوشمند درب‌های ناگشوده دنیای پزشکی را به روی همگان باز کنند. 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.