بحث درباره هوش مصنوعی و کاربردهای آن این روزها تقریباً اجتنابناپذیر است. حوزههای علم و پزشکی نیز از جمله بخشهایی هستند که هوش مصنوعی میتواند در آنها تغییرات بزرگی ایجاد کند.
به گزارش انتخاب و به نقل از ساینس الرت؛ امروزه از هوش مصنوعی برای تحلیل تصاویر پزشکی، طراحی دارو و پیشبینی روند بیماریها استفاده میشود. اما گروهی از پژوهشگران به سرپرستی محققان مؤسسه علوم بینایی و تحقیقات ترجمانی چشم پکن در چین، یک قدم فراتر رفتند: آنها بررسی کردند که اگر هوش مصنوعی عملاً مدیریت فرایندهای یک کلینیک چشم را بر عهده بگیرد، چه اتفاقی میافتد.
این کلینیک با نام AI-TEC راهاندازی شد. پزشکان همچنان در آن حضور داشتند و بر روند کار نظارت میکردند، اما سیستم از ابتدا با هدف استفاده گسترده از هوش مصنوعی طراحی شده بود؛ نه اینکه ابزارهای هوش مصنوعی بعداً به یک سیستم درمانی موجود اضافه شوند.
نتایج این پژوهش در مجله Nature Medicine منتشر شده است. در این کلینیک، هوش مصنوعی در مراحل مختلف، از پیش از ویزیت بیمار گرفته تا پیگیریهای بعدی، مورد استفاده قرار گرفت و حتی در یکی از مهمترین بخشها یعنی بررسی تصاویر و اسکنهای چشم نیز نقش داشت.
دقت هوش مصنوعی با دادههای باکیفیت افزایش یافت
در آغاز، هوش مصنوعی در شناسایی برخی بیماریهای چشمی از روی تصاویر اسکن، از جمله آبسیاه و دژنراسیون وابسته به سن لکه زرد شبکیه، عملکرد چندان بالایی نداشت.
اما زمانی که چشمپزشکان متخصص، ۱۴۲۶ تصویر باکیفیت از اسکن چشم را که بیماریهای موجود در آنها بهدرستی مشخص شده بود، در اختیار سیستم قرار دادند، دقت هوش مصنوعی به شکل قابلتوجهی افزایش یافت.
جالب اینکه این مجموعه نسبتاً کوچک از تصاویر باکیفیت، عملکرد بهتری از مجموعه اولیه آموزش سیستم داشت؛ مجموعهای شامل نزدیک به ۲۷ هزار تصویر که کیفیت پایینتری داشتند و بیماریها نیز در آنها با جزئیات کمتری برچسبگذاری شده بودند.
پژوهشگران با استفاده از شاخص استانداردی به نام AUROC دریافتند که دقت سیستم پس از بهروزرسانی دادههای آموزشی به بیش از ۰٫۹۳ رسید؛ رقمی که تقریباً با برخی از پیشرفتهترین سیستمهای تحلیل تصاویر پزشکی قابل مقایسه است.
استفاده از هوش مصنوعی در ابتدا کاهش یافت
با این حال، یک مشکل دیگر هم وجود داشت. استفاده از ابزارهای هوش مصنوعی در کلینیک در ابتدا زیاد بود، اما پس از مدتی کاهش پیدا کرد.
پنج ماه پس از شروع کار، از میان ۱۱۱۳ معاینه چشم انجامشده در یک ماه، تنها ۴۱ مورد، یعنی حدود ۳٫۸ درصد، با استفاده از فرایندهای AI-TEC انجام شده بود.
پژوهشگران سپس سیستم را سریعتر و سادهتر کردند؛ تعداد کلیکها کاهش یافت و کارکنان مجبور نبودند اطلاعات زیادی را بهصورت دستی وارد کنند. در ماه بعد، استفاده از سیستم به ۲۵۹ مورد از ۱۱۲۶ معاینه، یعنی ۲۳ درصد، افزایش یافت.
این یافته نشان میدهد که موفقیت هوش مصنوعی در پزشکی فقط به قدرت الگوریتم بستگی ندارد. کیفیت دادهها، نحوه تعامل سیستم با روند کاری پزشکان و کارکنان، مشارکت پزشکان، نظارت مناسب و همچنین ارزش واقعی سیستم برای بیماران، همگی اهمیت دارند.
بازخورد سریع پزشکان ضروری است
پژوهشگران همچنین دریافتند که برای بهبود عملکرد هوش مصنوعی، بازخورد پزشکان باید سریع و منظم باشد. اگر مشکلات سیستم چند هفته بعد به تیم سازنده منتقل شوند، فرصت مهمی برای اصلاح سریع آن از دست میرود.
در مجموع، این مطالعه سه نکته مهم را برجسته میکند: دادههای باکیفیت، طراحی و اجرای بهینه سیستم و دریافت سریع و مستمر بازخورد پزشکان.
با وجود نتایج امیدوارکننده، استفاده از هوش مصنوعی در چنین محیطهایی هنوز با چالشهای جدی روبهروست.
یکی از این چالشها تفاوت میان نگاه هوش مصنوعی و پزشک به بیمار است. هوش مصنوعی معمولاً از نتیجه شروع میکند؛ مثلاً اینکه آیا بیمار بر اساس تصویر اسکن، بیماری چشمی دارد یا نه. اما پزشک معمولاً ابتدا به علائم بیمار توجه میکند؛ مثلاً اینکه بیمار از تاری دید شکایت دارد.
بنابراین، حتی اگر یک سیستم هوش مصنوعی در تحلیل تصاویر پزشکی بسیار دقیق باشد، این موضوع لزوماً به معنای بهبود مراقبت از بیمار نیست.
پژوهشگران معتقدند ارزیابی سیستمهای پزشکی مبتنی بر هوش مصنوعی نباید فقط بر اساس امتیازهای فنی و عملکرد الگوریتمها انجام شود. معیار مهمتر این است که آیا این فناوری واقعاً روند درمان را بهتر میکند و آیا در نهایت به بهبود پیامدهای سلامت بیماران منجر میشود یا خیر.
این مطالعه در مجله Nature Medicine منتشر شده است.
