همه چیز درباره رشته هوش مصنوعی در پزشکی

به طور خلاصه به مسائل مرتبط با یادگیری، پیش بینی و انجام کار هوشمندانه توسط کامپیوتر هوش مصنوعی (Artificial intelligence) گفته می‌شود. در صفحه هوش مصنوعیهوش مصنوعی (AI) چیست؟ انواع، کاربردها، مزایا و معایبهوش مصنوعی یا Artificial Intelligence یا به اختصار AI، امروزه کاربردهای بسیاری پیدا کرده و به یکی از داغ‌ترین حوزه‌های بشر تبدیل شده است، اما با این وجود بسیاری از افراد با کاربردهای آن آشنایی کامل ندارند، به همین علت در این صفحه کاربردها، مزایا و معایب AI بطور کامل بررسی شده است می‌توانید توضیحات جامعی درباره‌ هوش مصنوعی و جنبه‌های مختلف آن مطالعه کنید.

کاربرد هوش مصنوعی در صنعت پزشکی

بطور کلی فناوری‌های هوش مصنوعی (AI) در تجارت مدرن، زندگی روزمره و حتی مراقبت‌های بهداشتی به کار می‌روند. بکارگیری هوش مصنوعی در مراقبت های بهداشتی در بسیاری از جنبه‌های مراقبت از بیمار و فرآیندهای اداری به مراکز خدماتی مراقبت‌های بهداشتی کمک کرده و راه حل‌های موجود را بهبود بخشیده و بر چالش‌ها غلبه می‌کند.

فناوری‌های هوش مصنوعی و مراقبت‌های بهداشتی و پزشکی با اکثر حوزه مراقبت‌های بهداشتی ارتباط تنگاتنگی دارند، اما روش هایی که پشتیبانی می‌کنند به طور قابل توجهی بین بیمارستان‌ها و سایر سازمان‌های مراقبت‌های بهداشتی متفاوت است. در حالی که برخی از مقالات نشان می‌دهند که استفاده از هوش مصنوعی در مراقبت‌های بهداشتی می‌تواند در برخی از روش‌ها مانند تشخیص بیماری به خوبی یا بهتر از انسان عمل کند، اما در واقعیت چند سالی طول خواهد کشید تا هوش مصنوعی در مراقبت‌های بهداشتی جایگزین انسان شود.

در واقع هوش مصنوعی در پزشکی الگوریتم‌هایی هستند که با روش‌های مبتنی بر یادگیری و پیش بینی، به مدل‌هایی برای تحلیل داده‌های پزشکی و کشف بینش‌ها برای کمک به بهبود نتایج سلامت و تجربیات بیمار دست پیدا می‌کنند. به لطف پیشرفت‌های اخیر در علم کامپیوتر و انفورماتیک، هوش مصنوعی (AI) به بخشی جدایی ناپذیر از مراقبت های بهداشتی مدرن تبدیل شده است. امروزه بسیاری از پزشکان متخصص در محیط‌‌های بالینی و یا آزمایشگاه‌های تحقیقاتی و پژوهشی از الگوریتم ‌های هوش مصنوعی و سایر برنامه‌های کاربردی مرتبط با آن‌ها استفاده می‌کنند. برای مطالعه بیشتر در خصوص ساختار الگوریتم‌ها و آشنایی با انواع آن‌ها می‌توانید به مقاله الگوریتم چیستالگوریتم چیست به زبان ساده و با مثال های فراواندر این مقاله به زبان بسیار ساده و با مثال های متعدد توضیح داده شده که الگوریتم چیست و چه کاربردهایی دارد مراجعه نمایید. 

در حال حاضر، رایج ترین نقش‌های هوش مصنوعی در پزشکی، پشتیبانی تصمیم گیری بالینی و تجزیه و تحلیل تصاویر پزشکی است. ابزارهای پشتیبانی تصمیم بالینی با فراهم کردن دسترسی سریع به اطلاعات یا تحقیقات مرتبط با بیمار، درمان‌ها، داروها، سلامت روان و سایر نیازهای بیمار به پزشکان در امر تشخیص و تصمیم‌گیری کمک می‌کنند. در تصویربرداری پزشکی، ابزارهای هوش مصنوعی برای تجزیه و تحلیل تصاویر سی تی اسکن، اشعه ایکس، ام آر آی (MRI) و سایر تصاویر به منظور یافتن و تشخیص ضایعات یا سایر یافته‌هایی است که شاید از نگاه یک رادیولوژیست‌ انسانی مخفی مانده و با گذر زمان بیمار را دچار عارضه‌های شدیدتری کند. 

انواع هوش مصنوعی مرتبط با مراقبت های بهداشتی

هوش مصنوعی مجموعه‌ای از فناوری‌هاست که با حوزه مراقبت‌های بهداشتی در ارتباط هستند اما دامنه پشتیبانی از فرآیندها و وظایف خاص در آن‌ها بسیار متفاوت است. در ادامه به برخی از فناوری‌های هوش مصنوعی که اهمیت بالایی در مراقبت‌های بهداشتی دارند مورد بررسی قرار گرفته اند.

یادگیری ماشین - شبکه های عصبی و یادگیری عمیق

یادگیری ماشین (Machine Learning) یک تکنیک آماری برای تطبیق مدل‌ها با داده‌ها و «یادگیری» با آموزش مدل‌ها با داده است. یادگیری ماشین یکی از رایج ترین اشکال هوش مصنوعی است. این موضوع یک تکنیک گسترده در هسته بسیاری از رویکردهای هوش مصنوعی است و نسخه‌های زیادی از آن وجود دارد.

در مراقبت‌های بهداشتی، رایج‌ترین کاربرد یادگیری ماشین سنتی، "پزشکی دقیق" است، پیش‌بینی اینکه چه پروتکل‌های درمانی احتمالاً بر اساس ویژگی‌های مختلف بیمار و زمینه درمان موفق خواهند شد.

قسمت بزرگی از کاربردهای یادگیری ماشین و پزشکی دقیق نیاز به یک مجموعه داده آموزشی دارند که متغیر نتیجه آن (مثلاً شروع بیماری) شناخته شده باشد. این یادگیری تحت نظارت نامیده می شود.

شکل پیچیده‌تر یادگیری ماشین، شبکه عصبی (Artificial Neural Networks) است. این فناوری با بهره‌گیری از ساختار و خصوصیات گراف‌ها در سال 1960 معرفی شد. این فناوری در چند دهه گذشته جایگاه خوبی را در تحقیقات مراقبت‌های بهداشتی به دست آورده و برای مواردی همچون دسته بندی بیماری‌ها و یا پاسخ به این سوال که آیا بیمار به بیماری خاصی مبتلا می‌شود یا خیر، استفاده می‌شود.

در شبکه عصبی از ساختمان دادهآموزش ساختمان داده و الگوریتمهر ساختمان داده یک نوع فرمت ذخیره‌سازی و مدیریت داده‌ها در کامپیوتر است، که امکان دسترسی و اصلاح کارآمد آن داده‌ها را برای یکسری از الگوریتم‌ها و کاربردها فراهم می‌کند، در این صفحه به بررسی و آموزش ساختمان داده و الگوریتم پرداخته شده است گراف برای ذخیره و آرایش داده‌های ورودی و خروجی در قالب نودهای یک گراف بهره می‌گیرند و از طریق یال‌های وزن‌دار نودها را بر اساس ویژگی‌هایشان به یکدیگر مرتبط می‌کند. از آن جا که روش آن مشابه روشی است که نورون‌ها، سیگنال‌ها را پردازش می کنند، نام شبکه عصبی را به آن داده اند. اما در کل قیاس آن با عملکرد مغز کاری ساده لوحانه است. اگر علاقه‌مند به مطالعه بیشتر در خصوص گراف‌ها و ساختار آن‌ها هستید، لطفا به مقاله نظریه گراف مراجعه نمایید. 

پیچیده ترین اشکال یادگیری ماشین شامل یادگیری عمیق (Deep Learning) یا مدل های شبکه عصبی (Artificial Neural Networks) با سطوح بسیاری از ویژگی‌ها یا متغیرهایی است که نتایج را پیش بینی می‌کنند. ممکن است هزاران ویژگی پنهان در چنین مدل‌هایی وجود داشته باشد که با پردازش سریع‌تر واحدهای پردازش گرافیکی امروزی و معماری‌های ابری آشکار می‌شوند.

یکی از کاربردهای رایج یادگیری عمیق در مراقبت‌های بهداشتی، شناسایی توده‌های بالقوه سرطانی در تصاویر رادیولوژی است. یادگیری عمیق به طور فزاینده‌ای در مورد رادیومیک‌ها یا تشخیص ویژگی‌های مرتبط بالینی در داده‌های تصویربرداری فراتر از آنچه که توسط چشم انسان قابل درک است، اعمال می‌شود. هم رادیومیک و هم یادگیری عمیق معمولاً در تجزیه و تحلیل تصویر انکولوژی (سرطان شناسی) یافت می‌شوند. توضیح آنکه رادیومیک عبارت است ازمتد‌های مبتنی بر الگوریتم‌های علوم داده‌ای که برای استخراج ویژگی‌ها از تصاویر پزشکی مورد استفاده قرار میگیرند.

همانطور که ذکر شد یکی از انواع هوش مصنوعی در پزشکی تحلیل تصاویر پزشکی است که در عین حال خود این موضوع به نوعی زیر مجموعه پردازش تصویر است. برای مطالعه بیشتر پیرامون پردازش تصویر می‌توانید به صفحه پردازش تصویرپردازش تصویر دیجیتال چیست؟ چه انواعی دارد؟ چه مراحلی را شامل می‌شود؟ پردازش تصویر یکی از فیلدهای پرطرفدار مرتبط با گرافیک کامپیوتر، بینایی کامپیوتر، هوش مصنوعی، یادگیری ماشین، و الگوریتم‌ها و محاسبات است که ارتباط تنگاتنگی میان تمام آنهاست. در نتیجه در این صفحه علاوه بر معرفی این فیلد، نقشه راهی نیز برای علاقه‌مندان این حوزه ارائه کرده‌ایم. رجوع نمایید.

به نظر می‌رسد ترکیب آنها نسبت به نسل قبلی ابزارهای خودکار برای تجزیه و تحلیل تصویر، که به عنوان تشخیص به کمک رایانه یا CAD شناخته می‌شود، دقت بیشتری را در تشخیص نوید می‌دهد. یادگیری عمیق نیز به طور فزاینده‌ای برای تشخیص گفتار استفاده می‌شود و به این ترتیب، نوعی پردازش زبان طبیعی (NLP) است که در زیر توضیح داده شده است. برخلاف اشکال قبلی تجزیه و تحلیل آماری، هر ویژگی در یک مدل یادگیری عمیق معمولاً برای یک ناظر انسانی معنای کمی دارد. در نتیجه، تفسیر نتایج مدل ممکن است بسیار دشوار یا غیرممکن باشد.   

پردازش زبان طبیعی

درک زبان انسان هدف محققان هوش مصنوعی از دهه 1950 بوده است. این رشته (NLP)، شامل برنامه هایی مانند تشخیص گفتار، تجزیه و تحلیل متن، ترجمه و سایر اهداف مرتبط با زبان است. دو رویکرد اساسی برای آن وجود دارد: NLP آماری و معنایی. NLP آماری مبتنی بر یادگیری ماشین (به ویژه شبکه های عصبی یادگیری عمیق) است و اخیراً دقت تشخیص را افزایش داده است. برای یادگیری به یک "پیکر" یا بدنه بزرگ زبان نیاز دارد.

در مراقبت های بهداشتی، کاربردهای غالب NLP شامل ایجاد، درک و طبقه بندی اسناد بالینی و تحقیقات منتشر شده است. سیستم‌های NLP می‌توانند یادداشت‌های بالینی بدون ساختار روی بیماران را تجزیه و تحلیل کنند، گزارش‌هایی (مثلاً معاینات رادیولوژی) آماده کنند، تعاملات بیمار را رونویسی کنند، و هوش مصنوعی مکالمه‌ای را انجام دهند.

سیستم های خبره مبتنی بر قانون

سیستم‌های خبره مبتنی بر مجموعه‌ای از قوانین «اگر-آنگاه» فناوری غالب برای هوش مصنوعی در دهه 1980 بودند و در آن دوره و دوره‌های بعدی به طور گسترده به‌ صورت تجاری مورد استفاده قرار گرفتند. آن‌ها به طور گسترده‌ای در طول چند دهه گذشته در زمینه مراقبت‌های بهداشتی و هدف‌هایی همچون “پشتیبانی از تصمیم گیری بالینی” به کار گرفته شده‌اند و هنوز نیز در حال استفاده هستند. بسیاری از ارائه دهندگان پرونده الکترونیک سلامت (EHR) مجموعه‌ای از این قوانین را همراه با سیستم‌های خود ارائه میدهند..

سیستم های خبره به متخصصان انسانی و مهندسین دانش نیاز دارند تا مجموعه ای از قوانین را در یک حوزه دانش خاص بسازند.

آنها تا حدی به خوبی کار می‌کنند و به راحتی قابل درک هستند. با این حال، هنگامی که تعداد قوانین زیاد است (معمولاً بیش از چندین هزار) و قوانین شروع به تضاد با یکدیگر می‌کنند، تمایل به شکستن دارند. علاوه بر این، اگر حوزه دانش تغییر کند، تغییر قوانین می‌تواند دشوار و زمان‌بر باشد. آنها به آرامی در مراقبت‌های بهداشتی با رویکردهای بیشتری بر اساس الگوریتم های داده و یادگیری ماشین جایگزین می‌شوند.

ربات های فیزیکی

ربات‌ های فیزیکی با توجه به کاربرد ربات‌های صنعتی در سراسر جهان به خوبی شناخته شده‌اند. آنها وظایف از پیش تعریف شده‌ای مانند بلند کردن، جابجایی، جوشکاری، یا مونتاژ اشیاء را در مکان‌هایی مانند کارخانه‌ها و انبارها و تحویل تجهیزات به بیمارستان‌ها انجام می‌دهند. در سال‌های اخیر روبات‌ها با انسان‌ها همکاری بیشتری داشته و با حرکت دادن آن‌ها در کار مورد نظر، به راحتی آموزش داده می‌شوند.

با تعبیه سایر قابلیت‌های هوش مصنوعی در "مغزشان" (در واقع سیستم عامل) آن‌ها را  باهوش ترو کاربردی‌تر می‌کنند. به نظر می‌رسد با گذشت زمان همان پیشرفت‌های را که در سایر زمینه‌های هوش مصنوعی دیده‌ایم، در ربات‌های فیزیکی نیز گنجانده شود.

برای اولین بار ربات‌های جراحی در ایالات متحده آمریکا در سال 2000 بکار گرفته شدند و به مروز زمان قدرت‌های فوق‌العاده‌ای را برای جراحان فراهم کردند و توانایی آن‌ها را برای دیدن، ایجاد برش‌های دقیق و کم تهاجمی، بخیه زدن زخم‌ها و غیره بهبود بخشیدند اما همچنان تصمیمات مهم توسط جراحان انسانی گرفته می‌شود. جراحی زنان، جراحی پروستات و جراحی سر و گردن از جمله روش‌های جراحی استاندارد با استفاده از جراحی رباتیک است.

اتوماسیون فرآیند رباتیک

این فناوری وظایف دیجیتالی ساختار یافته را برای مقاصد اداری انجام می‌دهد، یعنی کارهایی که شامل سیستم‌های اطلاعاتی می شود، به گونه‌ای که انگار یک کاربر انسانی هستند که از یک اسکریپت یا قوانین پیروی می‌کنند. این فناوری در مقایسه با سایر اشکال هوش مصنوعی، ارزان‌تر، قابلیت برنامه‌ریزی آسان و شفافیت در عملکردشان هستند.

اتوماسیون فرآیند رباتیک یا همان (RPA) برعکس نام خود ارتباطی با ربات‌ها نداشته د و فقط شامل برنامه‌هایی رایانه‌ای بر روی سرورهاست. RPA متکی بر ترکیبی از گردش کار، قوانین تجاری و یکپارچه سازی "لایه ارائه" با سیستم‌های اطلاعاتی است تا مانند یک کاربر نیمه هوشمند در سیستم‌ها عمل کند. در مراقبت‌های بهداشتی، RPA ها برای کارهای تکراری مانند صدور مجوز، به روز رسانی سوابق بیمار یا صورتحساب استفاده می‌شوند.

هنگامی که با سایر فناوری‌ها مانند تشخیص تصویر ترکیب می‌شوند، می‌توان از آن‌ها برای استخراج داده‌ها از تصاویر فکس شده استفاده کرد تا از آن‌ها در سیستم‌های تراکنشی استفاده کرد.

در این جا این فناوری‌ها به‌عنوان فناوری‌های جداگانه توصیف شده اند، اما تمام این فناوری‌ها به‌طور فزاینده‌ای در حال ترکیب و ادغام هستند. ربات‌ها در حال دریافت «مغز» مبتنی بر هوش مصنوعی هستند و تشخیص تصویر با RPA ادغام می‌شود. شاید در آینده، این فناوری‌ها چنان در هم آمیخته شوند که راه‌حل‌های ترکیبی محتمل‌تر یا امکان‌پذیرتر شوند و نهایتا به کاربردهای گسترده تر و دقیق تر بی‌انجامند.

کاربردهای هوش مصنوعی در سلامت

در بخش‌های قبل چندین بار به واژه‌های کاربردهای هوش مصنوعی و کامپیوتر در خدمات پزشکی اشاره شد و در این بخش به طور ویژه به توضیح این کاربرد‌ها پرداخته‌ایم. به طور کلی کاربرد هوش مصنوعی در بهداشت و درمان به چند دسته‌ تقسیم می‌شود که به ترتیب در مورد هر یک توضیحاتی آورده شده است.

• تشخیص بیماری ها

همانطور که پیش تر نیز ذکر شد، یکی از راه‌های تشخیص بیماری‌ها، تحلیل تصاویر پزشکی هستند که با استفاده از امکانات فناوری هوش مصنوعی با دقت بیشتر و صرف هزینه کمتر تصاویر را تحلیل می‌کنند. روش دیگر تشخیص بیماری توسط هوش مصنوعی استفاده از داده‌های ژنتیکی و تحلیل آن‌هاست.

با گرفتن نمونه خون و استخراج دی ان ای (DNA) یک فرد می‌توان به تفاوت‌های ژنتیکی یک فرد با یک دی ان ای مرجع که از یک فرد سالم تهیه شده است، پی برد و در نهایت وجود بیماری را تشخیص داد. همچنین تحلیل داده های حیاتی یک فرد می‌تواند دید و تقریب خوبی از وضعیت سلامتی آن فرد به یک متخصص بدهد که این کار نیز به وسیله هوش مصنوعی ساده تر و کم هزینه تر می‌شود.

• درمان بیماری ها

درمان یک بیماری را می‌توان به سه بخش کلی تقسیم نمود، درمان رفتاری، درمان دارویی، درمان به وسیله عمل جراحی. در تمام این سه بخش می‌توان هوش مصنوعی را بکار گرفت و با استفاده و بهره وری از امکاناتی که در اختیار انسان می‌گذارد، بیماری‌ها را درمان کرد و یا حداقل در درمان بیماری تاثیر مثبت گذاشت. هر یک از سه بخش نام برده شده، دارای رشته دانشگاهی هستند و بحث پیرامونشان بسیار وسیع است. در زیر به توضیحاتی مختصر پیرامون هر یک کفایت شده است.

• درمان رفتاری

درمان رفتاری که گفتار درمانی یکی از زیر بخش‌های آن است، نوعی درمان است که نیروی متخصص سعی می‌کند تا با مکالمه با فرد بیمار و تجویز الگوهای رفتاری خاص، منجر به بازگشت سلامت فرد بیمار شود. هوش مصنوعی می‌تواند با استفاده از یک سری قانون پیش‌فرض که نشات گرفته از علوم تجربی هستند و به کارگیری داده‌های مربوط به درمان‌های موفق و ناموفق این حوزه، به جای یک نیروی متخصص عمل کرده و در درمان بیمار موثر باشد.

• درمان دارویی

درمان دارویی به دو بخش تجویز دارو مناسب و ساخت و توسعه دارو‌ها تقسیم می‌شود. در حال حاضر اثر و ردپای هوش مصنوعی را در هر دو این بخش‌ها می‌توان مشاهده نمود. در بخش تجویز، الگوریتم‌های هوش مصنوعی با آنالیز پایگاه داده‌ای منسجم و قوی که شامل داده‌های علمی یا نظری و داده های تجربی است وارد مرحله یادگیری شوند و پس از یادگرفتن پایگاه داده از الگوریتم هوش مصنوعی انتظار می‌رود با دقت خوبی پیشنهادات دارویی مناسبی به بیمار ارائه بدهد.

در بخش ساخت و توسعه دارو نیز هوش مصنوعی پیشرفت‌های چشمگیری داشته و به وضوح می‌توان مشاهده کرد که در آینده‌ای نزدیک به کمک این فناوری شاهد انقلابی عظیم در صنعت داروسازی باشیم. در این روش هوشمندسازی، با استفاده از مدل سازی مولکول‌ها و پروتئین‌ها به وسیله هوش مصنوعی سعی می‌شود تا داروی مناسب بیماری‌ها، با توجه به اثرات مولکولی و ساختاریشان توسعه یافته و بدین وسیله درمان اتفاق بیافتد.

یکی از راه‌های نوین مدل سازی مولکول‌ها توسط کامپیوتر، استفاده از گراف‌های وزن دار است که میتوانند داده های مورد نیاز برای شبکه های عصبی گرافی و یادگیری آن‌ها را تامین نمایند.

• درمان به وسیله عمل جراحی

با رشد فناوری‌های ساخت ربات‌های پیشرفته، انجام کامل و یا کمک در انجام یک عمل جراحی توسط ربات ها به یک رویای دست یافته تبدیل شده و اکنون ربات‌ها به صورت قابل توجهی در مقاصد جراحی مورد استفاده قرار می‌گیرند.

• نظارت های درمانی

مطلع بودن پیوسته از حال عمومی بیمار و چک کردن علائم حیاتی فرد، همواره نقش به سزایی در درمان و بهبود حال یک بیمار بازی می‌کند و به کمک هوش مصنوعی و فناوری‌های کامپیوتری این اتفاق در حال رخ دادن است و تحلیل علائم حیاتی و دادن مشورت به پزشکان از جمله وظایفی‌ است که فناوری‌های هوش مصنوعی‌ موجود در صنعت پزشکی، بر دوش خود حس می‌کنند.

مزایا و معایب هوش مصنوعی در پزشکی

شرکت‌های بزرگ فناوری در حال سرمایه گذاری بیشتر در نوآوری‌های مراقبت های بهداشتی هوش مصنوعی هستند. به عنوان مثال، مایکروسافت یک برنامه پنج ساله 40 میلیون دلاری در سال 2020 برای رسیدگی به چالش‌های مراقبت‌های بهداشتی اعلام کرد. اگرچه هوش مصنوعی بدون شک صنعت مراقبت‌های بهداشتی را تغییر می‌دهد، این فناوری هنوز نسبتاً جدید است. همانطور که پذیرش هوش مصنوعی در سراسر بخش مراقبت‌های بهداشتی گسترش می‌یابد، سؤالات در مورد مزایا و محدودیت‌های این فناوری بیش از پیش مهم می‌شوند.

مزایا استفاده از هوش مصنوعی در پزشکی

• فراهم نمودن داده های بلادرنگ (Real-time)

یکی از اجزای حیاتی تشخیص و رسیدگی به مسائل پزشکی، کسب اطلاعات دقیق به موقع است. با هوش مصنوعی، پزشکان و سایر متخصصان پزشکی می‌توانند از داده های فوری و دقیق برای تسریع و بهینه سازی تصمیم گیری بالینی حیاتی استفاده کنند. ایجاد نتایج سریعتر و واقعی تر می‌تواند منجر به بهبود مراحل پیشگیرانه، صرفه جویی در هزینه و زمان انتظار بیمار شود.

تجزیه و تحلیل داده‌های بلادرنگ می‌تواند به بهبود روابط پزشک و بیمار کمک کند. اشتراک و در دسترس قرار دادن داده‌های حیاتی بیمار از طریق دستگاه‌های تلفن همراه در طول فرآیند درمان، بیماران را با روند درمان و تغییرات حاصل شده آشنا می‌کند و موجب مشارکت بیمار و پزشک در طول دوره درمان می‌شود. هشدارهای تلفن همراه می‌توانند پزشکان و پرستاران را از تغییرات فوری در وضعیت بیمار و شرایط اضطراری مطلع کنند.

• ساده سازی وظایف

هوش مصنوعی در پزشکی در حال حاضر شیوه‌های مراقبت‌های بهداشتی را در همه جا تغییر داده است. نوآوری‌ها شامل برنامه‌ریزی قرار ملاقات، ترجمه جزئیات بالینی و ردیابی تاریخچه بیمار است. با بکارگیری امکانات هوش مصنوعی در مراقبت‌های بهداشتی می‌توان انجام وظایف خسته کننده و دقیق را ساده تر کرد.

به عنوان مثال، فناوری رادیولوژی هوشمند قادر است نشانگرهای بصری قابل توجهی را شناسایی کند و دیگر لازم به صرف ساعات زیادی برای برای تجزیه و تحلیل تصاویر نباشد. سیستم‌های خودکار دیگری برای خودکار کردن زمان‌بندی قرار ملاقات، ردیابی بیمار و توصیه‌های مراقبت وجود دارند.

یکی دیگر از وظایف خاصی که با هوش مصنوعی ساده شده است، بررسی درست بودن بیمه است. هوش مصنوعی برای به حداقل رساندن هزینه‌های ناشی از رد ادعای بیمه استفاده می‌شود. با هوش مصنوعی، ارائه دهندگان سلامت می‌توانند ادعاهای اشتباهی را که منجر به رد شدن درخواست پرداخت توسط شرکت های بیمه می‌شود را شناسایی و رسیدگی کنند. این کار نه تنها روند رسیدگی به ادعاهای مربوط به بیمه را ساده می‌کند، بلکه هوش مصنوعی باعث میشود تا در زمان کارمندان بیمارستان برای رسیدگی به درخواست ها و ارسال مجدد آن ها صرفه جویی شود.

• ذخیره سازی زمان و منابع

با خودکار شدن فرآیندهای حیاتی، متخصصان پزشکی زمان بیشتری برای ارزیابی بیماران و تشخیص بیماری‌ها دارند. یکی از کاربردهای هوش مصنوعی در پزشکی سرعت دادن به عملیات پزشکی و صرفه جویی در ساعات بهره وری ارزشمند مؤسسات پزشکی و درمانی است. در مراکز و موسسات درمانی برای هر ثانیه و دقیقه هزینه‌های زیادی صرف می‌گردد، بنابراین هوش مصنوعی پتانسیل صرفه جویی در هزینه های سنگین را هم دارد.

• کمک کردن به تحقیقات

هوش مصنوعی محققان را قادر می‌سازد تا حجم زیادی از داده‌ها را از منابع مختلف جمع آوری کنند. توانایی استفاده از یک بدنه اطلاعاتی غنی و در حال رشد امکان تجزیه و تحلیل موثرتر بیماری‌های لاعلاج و ناشناخته را فراهم می‌کند. در ارتباط با داده‌های بلادرنگ، تحقیقات می‌توانند از مجموعه وسیعی از اطلاعات موجود بهره ببرند، البته با این شرط که اطلاعات به راحتی قابل ترجمه و بازیابی باشند.

نهادهای تحقیقاتی پزشکی مانند آزمایشگاه داده‌های سرطان کودکان در حال توسعه نرم‌افزار مفیدی برای پزشکان هستند تا بتوانند مجموعه‌های گسترده‌ای از داده‌ها را بهتر هدایت کنند. هوش مصنوعی همچنین برای ارزیابی و تشخیص سریعتر علائم در پیشرفت بیماری استفاده شده و راه‌حل‌های ((بهداشت از راه دور)) برای پیگیری پیشرفت بهبود بیمار، بازیابی داده‌های تشخیصی حیاتی و ارائه اطلاعات جمعیت بیماران به شبکه‌های مشترک که به منظور هم افزایی ایجاد شده اند؛ بکار می‌روند.

• کاهش استرس کادر درمان

برخی از آخرین تحقیقات گزارش می‌دهند که بیش از نیمی از پزشکان از فشارهای ضرب الاجل و فوری برای نجات جان بیماران و سایر شرایط محل کار احساس استرس می‌کنند. هوش مصنوعی به ساده‌سازی رویه‌ها، خودکارسازی عملکردها، به اشتراک‌گذاری فوری داده‌ها و سازماندهی عملیات کمک کرده و متخصصان پزشکی را از انجام کارهای بسیار زیاد راحت می‌کند.

معایب استفاده از هوش مصنوعی در پزشکی

• نیازمند نظارت انسانی

اگرچه هوش مصنوعی راه درازی را در دنیای پزشکی طی کرده است، اما نظارت انسانی هنوز ضروری است. برای مثال، ربات‌های جراحی به‌جای همدلی، منطقی عمل می‌کنند. پزشکان ممکن است متوجه مشاهدات رفتاری حیاتی شوند که می‌تواند به تشخیص یا پیشگیری از عوارض پزشکی کمک کند.

هوش مصنوعی طی چند دهه اخیر رشد زیای در صنعت پزشکی داشته و پیشرفت مستمر این حوزه موجب شکل‌گیری تعاملات بیشتری میان متخصصان مراقبت های بهداشتی و کارشناسان فناوری شده است.

• احتمال نادیده گرفتن متغیر های اجتماعی

نیازهای بیمار اغلب فراتر از شرایط فیزیکی و آسیب‌های جسمی ناشی از بیماری است و عواملی همچون عوامل اجتماعی، اقتصادی و تاریخی می‌توانند در توصیه‌های مناسب برای بیماران نقش داشته باشند. به عنوان مثال، یک سیستم هوش مصنوعی می‌تواند یک بیمار را بر اساس تشخیص بیماری وی به یک مرکز درمانی ویژه ارتباط و ارجاع دهد ولی در عین حال هم ممکن است محدودیت‌های اقتصادی بیمار یا سایر اولویت‌های شخصی او را در نظر نگیرد.

حفظ حریم خصوصی و مخفی نگه داشتن اطلاعات بیمار در هنگام ترکیب فناوری هوش مصنوعی با حوزه پزشکی به یک مسئله جدی و قابل تامل تبدیل می‌شود. برندهایی مانند آمازون در جمع‌آوری و استفاده از داده‌ها قوانین آزاد دارند. از سوی دیگر، بیمارستان‌ها ممکن است در هنگام تلاش برای کانال‌گذاری داده‌ها از طریق دستگاه‌های تلفن همراه اپل، با مشکلاتی مواجه شوند. این محدودیت‌های قانونی و اجتماعی ممکن است توانایی هوش مصنوعی را برای تسهیل اقدامات پزشکی محدود کند.

• منجر شدن به بیکاری تعداد زیادی انسان در بلند مدت

اگرچه هوش مصنوعی به کاهش هزینه‌ها و کاهش فشار بر روی پزشکان کمک کرده، در عین حال ممکن است برخی از مشاغل را نیز حذف کند. بنا بر گزارش مجمع جهانی اقتصاد در سال 2018 پیش‌بینی شده است که حضور هوش مصنوعی در پزشکی موجب از بین رفتن ۷۵ میلیون شغل  و ایجاد ۱۳۳ میلیون شغل جدید شده که با تقسیم کار بین انسان‌، ماشین‌ و الگوریتم‌ها سازگار هستند.

اگرچه هوش مصنوعی وعده بهبود چندین جنبه از مراقبت‌های بهداشتی و پزشکی را می‌دهد، اما در نظر گرفتن پیامدهای اجتماعی ادغام این فناوری بسیار مهم است.

• ناکافی بودن دقت

هوش مصنوعی در پزشکی به شدت به داده‌های تشخیصی موجود از میلیون‌ها مورد فهرست بندی شده بستگی دارد. در مواردی که اطلاعات کمی در مورد بیماری‌های خاص، جمعیت شناسی یا عوامل محیطی وجود دارد، تشخیص اشتباه کاملاً ممکن است. این عامل در هنگام تجویز داروی خاص اهمیت ویژه‌ای پیدا می کند.

بدون توجه به سیستم، همیشه بخشی از داده های از دست رفته وجود دارد. در مورد نسخه ها، ممکن است برخی از اطلاعات مربوط به جمعیت های خاص و واکنش‌ها به درمان ها وجود نداشته باشد. این اتفاق می‌تواند منجر به مشکلاتی در تشخیص و درمان بیمارانی شود که متعلق به گروه‌های جمعیتی خاص هستند.

هوش مصنوعی به طور مداوم در حال تکامل و بهبود است تا شکاف‌های داده را در نظر بگیرد. با این حال، توجه به این نکته مهم است که جمعیت‌های خاص ممکن است هنوز از دانش دامنه موجود حذف شوند.

• مستعد خطرات امنیتی

از آنجایی که هوش مصنوعی به طور کلی به شبکه‌های داده وابسته است، سیستم‌های هوش مصنوعی در معرض خطرات امنیتی هستند. با شروع هوش مصنوعی تهاجمی، امنیت سایبری بهبود یافته برای اطمینان از پایداری فناوری مورد نیاز خواهد بود. مطالعات آماری نشان داده اند که بخش زیادی از تصمیم گیرندگان در صنعت امنیت متقاعد شده‌اند که هوش مصنوعی تهاجمی یک تهدید در حال ظهور است.

از آنجایی که هوش مصنوعی از داده‌ها برای هوشمندتر و دقیق‌تر کردن سیستم‌ها استفاده می‌کند، حملات سایبری هوش مصنوعی را برای هوشمندتر شدن با هر موفقیت و شکست ترکیب می‌کند و پیش‌بینی و پیشگیری از آن‌ها را دشوارتر می‌کند. هنگامی که تهدیدات مخرب از دفاع امنیتی خارج شود، مقابله با حملات بسیار چالش برانگیزتر خواهد بود.

مثال هایی از هوش مصنوعی در صنعت بهداشت و درمان و شرکت های فعال و بزرگ این حوزه

صنعت هوش مصنوعی در پزشکی نیز مانند دیگر بخش های علوم و مهندسی کامپیوتر، صنعتی رو به رشد و نوین است که امروزه شرکت‌های بزرگ بسیاری در حوزه های متفاوت آن مشغول به فعالیت هستند. شما می‌توانید در صفحه شرکت های برتر فناوریبزرگترین غول های تکنولوژی جهان در سال 2021؛ معرفی 10 شرکت برتردر جهان امروز تکنولوژی مهم ترین و قدرتمند ترین ابزاری است که اقتصاد را شکل می دهد. تکنولوژی و فناوری اطلاعات (IT) تغییرات اساسی در تجارت و همچنین زندگی روزمره انسان ها ایفا می کنند. مروری بر بزرگترین شرکت‌های کامپیوتری جهان داشته باشید.

در این بخش سعی شده تا چندین شرکت فعال و قوی در حوزه هوش مصنوعی در پزشکی معرفی گردند و توضیحاتی مختصر پیرامون فعالیت این شرکت ها داده شود.

• PathAI:

PathAI فناوری یادگیری ماشینی را برای کمک به آسیب شناسان در تشخیص دقیق تر توسعه می‌دهد. اهداف فعلی این شرکت شامل کاهش خطا در تشخیص سرطان و توسعه روش‌هایی برای درمان پزشکی فردی است.

PathAI با توسعه دهندگان دارو مانند Bristol-Myers Squibb و سازمان‌هایی مانند بنیاد بیل و ملیندا گیتس برای گسترش فناوری هوش مصنوعی خود به سایر صنایع مراقبت های بهداشتی کار می‌کند.

• Viz.ai:

در مراقبت‌های بهداشتی، تأخیر می‌تواند به معنای تفاوت بین زندگی و مرگ باشد، بنابراین Viz.ai به تیم‌های مراقبت کمک می‌کند تا با راه حل‌های مراقبت‌های بهداشتی مبتنی بر هوش مصنوعی سریع تر واکنش نشان دهند. محصولات هوش مصنوعی این شرکت می‌توانند مشکلات را شناسایی کرده و تیم‌های مراقبت را سریعاً مطلع کنند، و به ارائه‌دهندگان این امکان را می‌دهند تا در مورد گزینه‌ها بحث کنند، تصمیمات درمانی سریع‌تری ارائه دهند، در نتیجه جان افراد را نجات دهند.

• Buoy Health:

Buoy Health یک بررسی کننده علائم و درمان مبتنی بر هوش مصنوعی است که از الگوریتم‌هایی برای تشخیص و درمان بیماری استفاده می‌کند. نحوه کار به این صورت است: یک چت بات به علائم و نگرانی‌های سلامتی بیمار گوش می‌دهد، سپس بیمار را بر اساس تشخیص خود او را راهنمایی می‌کند و روش‌های مراقبتی صحیح را به او نشان می‌دهد.

هوش مصنوعی بویی که توسط تیمی از دانشکده پزشکی هاروارد توسعه یافته است به تشخیص و درمان سریعتر بیماران کمک می‌کند.

• Enlitic:

Enlitic ابزارهای پزشکی یادگیری عمیق را برای ساده کردن تشخیص‌های رادیولوژی توسعه می‌دهد. پلتفرم یادگیری عمیق این شرکت، داده‌های پزشکی بدون ساختار، تصاویر رادیولوژی، آزمایش خون، EKG، ژنومیک، تاریخچه پزشکی بیمار - را تجزیه و تحلیل می‌کند تا به پزشکان بینش بهتری نسبت به نیازهای آنی بیمار بدهد.

• Iterative Scopes:

Iterative Scopes برای بهبود تشخیص و درمان بیماری، هوش مصنوعی را در گاستروانترولوژی اعمال می کند. سرویس استخدام هوش مصنوعی این شرکت از الگوریتم‌های محاسباتی برای خودکار کردن فرآیند شناسایی بیمارانی استفاده می‌کند که واجد شرایط کاندید شدن بالقوه برای آزمایش‌های بالینی بیماری التهابی روده هستند.

Iterative Scopes همچنین اولین کارآزمایی بالینی دستگاه SKOUT خود را ارائه کرد، ابزاری که از هوش مصنوعی برای کمک به پزشکان برای شناسایی پولیپ‌های بالقوه سرطانی استفاده می‌کند تا توسط FDA بررسی شود.

چشم انداز آینده ی هوش مصنوعی در صنعت پزشکی

باور بر این است که هوش مصنوعی، در خدمات بهداشتی آینده تاثیر به سزایی خواهد داشت. بسیاری معتقدند، در پشت پرده ی پیشرفت و توسعه پزشکی دقیق، نقش اساسی را، هوش مصنوعی با اتکا به روش های یادگیری ماشین ایفا خواهد کرد. اگرچه تلاش های اولیه برای تشخیص بیماری و ارائه توصیه های درمانی، چالش برانگیز بوده، انتظار می‌رود هوش مصنوعی، این حوزه را نیز به سلطه ی خود در آورد. با توجه به سرعت پیشرفت هوش مصنوعی در زمینه آنالیز تصویر، به نظر می‌رسد سرانجام روزی، بیشتر تصاویر رادیولوژی و پاتولوژِی، توشط ماشین ها بررسی شوند.استفاده از قابلیت های تشخیص گفتار و متن که در حال حاضر برای وظایفی مانند ارتباط با بیمار و یادداشت علائم بالینی به کار می‌روند نیز، افزایش خواهد یافت.

بزرگ ترین چالش پیش روی هوش مصنوعی در زمینه پزشکی، این نیست که آیا تکنولوژی ها به اندازه ی کافی مفید هستند یا نه؛ بلکه اطمینان از پذیرش آن ها برای استفاده به طور روزانه است. برای به دست آمدن این اعتماد و پذیرش، هوش مصنوعی باید توسط تنظیم کننده ها تایید شود، با سیستم های EHR یکپارچه شود، به اندازه ای استاندارد شوند که محصولات مشابه به شکل مشابه کار کنند، به پزشکان آموزش داده شوند، هزینه آن ها توسط سازمان های دولتی یا غیر دولتی پرداخت شده و طی زمان به روز رسانی شوند.این چالش ها، روزی از سر راه کنار خواهند رفت، اما این امر بسیار بیشتر از بلوغ خود فناوری ها زمان می‌برد؛ در نتیجه انتظار می‌رود تا 5 سال آینده شاهد استفاده محدود از هوش مصنوعی در زمینه های بالینی، و استفاده گسترده تر از آن، طی 10 سال آینده باشیم.

بدیهی است که هوش مصنوعی به طور کلی، جایگزین پزشکان انسانی نخواهد شد؛ بلکه توانایی آن ها را برای مراقبت های پزشکی افزایش خواهد داد. با گذر زمان، ممکن است پزشکان، به سمت مشاغلی سوق داده شودند، که نیازمند قابلیت های منحصر به انسان مانند همدلی، مشاوره ومتقاعد کردن افراد و درک جامع از شرایط هستند. احتمالا در میان افرادی که خدمات درمانی ارائه می‌دهند، تنها کسانی که از کار در کنار هوش مصنوعی امتناع کنند، شغل خود را از دست خواهند داد.

مطالب مرتبط

همه مقالات

پایپلاین چیست؟ بررسی کاربردها، مزایا و معایب

کاربرد ریاضی در هوش مصنوعی

الگوریتم و محاسبات دانشگاه تهران

آموزش الکترونیک دیجیتال