آیا هوش مصنوعی جایگزین پزشکی و طبابت می‌شود؟
اگر از هوش مصنوعی‌های پرطرفدار فعلی (مثلا ChatGPT) بپرسید که آیا «آنها جایگزین پزشکی می‌شوند؟» به شما پاسخ می‌دهد: خیر! هوش مصنوعی به هیچ عنوان جایگزین پزشک نخواهد شد و فقط ابزاری است که به پزشکان در تشخیص و درمان بیماری‌ها «کمک» خواهد کرد.
اما آیا باید این پاسخ را «باور» کنیم؟ به‌ویژه اینکه می‌دانیم پاسخ‌های هوش مصنوعی روی بسیاری از موضوعات حساس توسط سازندگان آن به‌گونه‌ای تنظیم شده‌اند تا از برخی خط قرمزها عبور نکنند. پس در این مورد نمی‌توانیم اطمینان داشته باشیم «پاسخ واقعی» هوش مصنوعی را دریافت کرده‌ایم. پس بیایید ابتدا وضعیت حال حاضر را مرور کنیم تا شاید خودمان بتوانیم تصویر نسبتا درستی از آینده داشته باشیم. هدف از نوشتن این مطلب این بود تا همکاران جامعه علوم پزشکی یک آشنایی کلی با مفاهیم اساسی هوش مصنوعی و وضعیت موجود پیدا کنند:
آشنایی با چند تعریف مهم:
بد نیست ابتدا با مفهوم چند عبارت پرکاربرد آشنا شویم:
هوش مصنوعی (Artificial Intelligence):
هوش مصنوعی که به صورت مخفف AI نیز نامیده می‌شود، یک عبارت کلی برای بیان تکنیک‌هایی است که به کامپیوترها اجازه می‌دهد هوش انسان را تقلید کنند. این مفهوم کامپیوترها را قادر می‌سازد که دارای منطق باشند، از قوانین پیروی کنند و به آنها توانایی یادگیری و تصمیم‌گیری می‌دهد.
یادگیری ماشینی (Machine Learning):
در واقع زیرمجموعه‌ای از هوش مصنوعی است و شامل تکنیک‌هایی است که به ماشین‌ها اجازه می‌دهد تجربه پیدا کنند و مهارت‌های خودشان را بر اساس آموخته‌ها بهبود ببخشند. یکی از زیرمجموعه‌های این شاخه «یادگیری عمیق» نام دارد.
یادگیری عمیق (Deep Learning):
همانطور که گفتیم این هم نوعی یادگیری است و زیرمجموعه‌ای از یادگیری ماشینی به حساب می‌آید. در این روش کامپیوتر دارای الگوریتم‌هایی است که می‌تواند با کمک آنها بیاموزد و مهارت‌های خودش را ارتقا دهد. اینجا از تکنیک‌هایی استفاده می‌شود که کامپیوتر با کمک آنها قادر به کشف ویژگی‌های مختلف و آموزش خودش بر مبنای آنها است. به خاطر شباهت این روش با فرایندی یادگیری و عملکرد نورون‌های مغز، به برخی معماری‌های این روش «شبکه‌های عصبی» نیز می‌گویند.
جالب است بدانید اکنون یک جور تخصص شبکه‌های عصبی در حوزه یادگیری عمیق هم به‌وجود آمده که در آن تلاش می‌کنند بفهمند هوش مصنوعی چگونه به یک جمع‌بندی و پاسخ خاص رسیده. دقیقا مانند یک متخصص مغز و اعصاب که از بیمار پرسش‌هایی می‌پرسد تا بفهمد عملکرد مغزی‌اش به چه شکل است. در واقع یک جور رشته نورولوژی ویژه کامپیوترها است!
یادگیری تقویتی (Reinforcement Learning):
اگر دستگاهی بتواند به خودش آموزش بدهد و خودش را بهتر کند می‌توانیم آن را نوعی هوش بدانیم. در این روش برای ربات یک هدف تعریف می‌شود و بر اساس حرکات مثبت و منفی به آن پاداش داده می‌شود. این فرایند سبب می‌شود ماشین مورد نظر ما خیلی سریع و با سعی و خطا به هدف مورد نظر برسد. یک مثال جالب‌اش این ربات است که طی یک ساعت خودش یاد می‌گیرد چطور راه برود. این ویدیوی کوتاه را مشاهده کنید.
هوش مصنوعی کامل (AGI):
هوش‌های مصنوعی فعلی همه به صورت تخصصی عمل می‌کنند. به این معنی که یکی متخصص رانندگی است، یکی متخصص شطرنج و یکی با شما به صورت حرفه‌ای چت می‌کند. AGI به معنی Artificial general intelligence یا همان «هوش عمومی مصنوعی» است که به آن «هوش مصنوعی کامل» هم می‌گویند. این زمانی است که هوش‌های مصنوعی تخصصی به یکدیگر پیوند می‌خورند و با رسیدن به آن، هوش مصنوعی در «تمام کارهای فکری» می‌تواند معادل یا بهتر از انسان عمل کند. پیش‌بینی می‌شود که تا سال ۲۰۲۹ به چنین نقطه‌ای برسیم!
بعد از گفتن مقدمه به اصل موضوع می‌رسیم:
هوش مصنوعی چگونه قادر به تشخیص بیماری‌ها خواهد بود؟
پزشکی یکی از رشته‌هایی است که هوش مصنوعی با سرعتی زیاد مشغول آموختنش است و «یادگیری عمیق» در اینجا نقش مهمی ایفا می‌کند.
برای مثال در حال حاضر سیستم‌هایی ساخته شده که قادر به تشخیص توده‌های بدخیم پوستی با دقت بسیار بالا است. اما کامپیوتر چگونه می‌تواند یک خال طبیعی را از یک خال بدخیم تشخیص بدهد؟ پاسخ در روش «یادگیری عمیق» نهفته است.
اجازه دهید با یک مثل پیش برویم:
تصور کنید می‌خواهید به کامپیوتر یاد بدهید در میان انبوهی از تصاویر، قادر به تشخیص «سگ‌ها» باشد. سگ دارای برخی ویژگی‌ها است: مثلا دوچشم دارد، چهار پا دارد، دم دارد، از انسان کوچک‌تر است، از گربه بزرگ‌تر است و پشمالو است!
شما تعداد زیادی تصویر از سگ‌های مختلف به کامپیوتر نشان می‌دهید و کامپیوتر با کمک الگوریتم‌های یادگیری عمیق به تدریج یاد می‌گیرد که چگونه میان تصویر یک سگ و دیگر موجودات تفاوت قائل شود.
در مورد تشخیص بیماری‌ها هم فرایند یادگیری به همین منوال است و تقریبا شبیه همان فرایندی است که ما انسان‌ها برای یادگیری طی می‌کنیم. در مورد تشخیص یک خال بدخیم، کامپیوتر پس از دریافت هزاران تصویر از خال‌های طبیعی و بدخیم قادر به افتراق موارد بدخیم با دقت بسیار بالا می‌شود.
یک انسان برای دیدن و یادگیری به زمان نیاز دارد تا تجربه خودش را بالا ببرد. برای همین است که در پزشکی برای همکاران باتجربه‌مان احترام قائل هستیم. آنها کیس‌های زیادی دیده‌اند و به‌همین خاطر توانایی‌شان به طور قابل توجهی بیشتر شده است. اما کامپیوترها در این مورد بسیار سریع‌تر از انسان‌ها هستند و می‌توانند طی زمانی بسیار کوتاه هزاران و حتی میلیون‌ها تصویر ببینتد و به سرعت تجربه خودشان را بالا ببرند. برای مثال هوش مصنوعی می‌تواند در کمتر از چند ساعت معادل ده سال کار یک پزشک تصاویر رادیولوژی مختلف ببیند و تجربه خودش را بالا ببرد!
دسترسی به منابع عظیم اطلاعات سلامت:
سامانه‌های ثبت الکترونیکی اطلاعات سلامت این امکان را به کامپیوترها می‌دهند که به انبوهی از اطلاعات مختلف سلامت و پرونده‌های پزشکی دسترسی داشته باشند. هرچه اطلاعات بیشتری در این سیستم‌ها ذخیره شود، سیستم‌های هوش مصنوعی امکان یادگیری بیشتری خواهند داشت و الگوریتم‌های خودشان را بهتر می‌کنند. در حال حاضر استارت‌آپ‌های زیادی در سراسر دنیا روی موضوع اطلاعات سلامت و هوش مصنوعی کار می‌کنند.
وضعیت حال حاضر:
چیز‌هایی که تا به حال صحبت کردیم فقط تئوری نیستند و همین الان نیز به کار گرفته شده‌اند. برای مثال چند سال پیش نتایج یک تحقیق در مجله نیچر منتشر شد که در آن حدود ۱۳۰ هزار تصویر کلینیکی به کامپیوتر نشان دادند که حدود ۲۰۰۰ تای آنها دارای انواع بیماری‌های پوستی بودند. هوش مصنوعی بعد از دیدن این تصاویر، قادر به تشخیص انواع بیماری‌های پوستی شده بود.
در مرحله بعد آنها توانایی این سیستم را برای تشخیص دو نوع بدخیمی خاص مورد ارزیابی قرار دادند:
۱- آیا کامپیوتر قادر است بین seborrheic keratosis خوش‌خیم و keratinocyte carcinomas افتراق قائل شود که شایع‌ترین سرطان پوست است؟
۲- آیا کامپیوتر قادر است خال طبیعی را از ملانوم بدخیم که خطرناک‌ترین سرطان پوستی است، افتراق دهد؟
آنها توانایی کامپیوتر را با ۲۱ درماتولوژیست معتبر که همگی در آمریکا جزو اساتید دانشگاهی بودند مقایسه کردند و نتیجه نشان داد که کامپیوتر در تشخیص این بیماری‌ها به خوبی درماتولوژیست‌های باتجربه عمل می‌کند.
اما کامپیوترها به تدریج قادر به تشخیص بسیاری بیماری‌های دیگر نیز خواهند بود. کافی است علائم و نشانه‌های بیماری را کنار هم بگذارند تا یاد بگیرند چگونه می‌توانند به تشخیص برسند. همین الان اگر لیستی از علائم و نشانه‌ها را به ChatGPT بدهید، با دقت بسیار بالایی برایتان تشخیص افتراقی‌هایش را اعلام می‌کند. چون همین الان تعداد کتاب‌های پزشکی که این هوش مصنوعی مطالعه کرده، بسیار بیشتر از هر پزشک واقعی است!
مثال دیگر کاری است که توسط شرکت Enlitic انجام شده: آنها با کمک «یادگیری عمیق» به کشف ندول‌های ریه در تصاویر سی‌تی اسکن و MRI می‌پردازند و احتمال بدخیم بودن آنها را بررسی می‌کنند. مدیرعامل این شرکت که استاد سابق رشته انکولوژی است، ادعا می‌کند که الگوریتم‌های هوش مصنوعی این شرکت در حال حاضر از پزشکان رادیولوژیست بهتر عمل می‌کنند. او می‌گوید «یادگیری عمیق می‌تواند به سرعت طیف گسترده‌ای از بیماری‌ها را در تمام بدن مد نظر قرار دهد و تمام انواع تصویر برداری فعلی (مانند رادیوگرافی‌ها، سی‌تی اسکن و…) را پوشش دهد.»
الگوریتم‌های یادگیری عمیق، با کمک دیدن کیس‌های بیشتر، با تجربه‌تر می‌شوند و از این نظر مانند پزشکان عمل می‌کنند. با این تفاوت که آنها نیاز به استراحت و خواب ندارند. یک پزشک پس از دیدن هزاران تصویر MRI در طول زندگی کاری‌اش تجربه کسب می‌کند. اما یک کامپیوتر می‌تواند در زمانی کوتاه، چند میلیارد تصویر MRI ببیند. امکان بروز اشتباه در انسان‌ها زیاد است اما در مورد کامپیوترها اوضاع به گونه‌ای دیگر است. ضمن اینکه کامپیوتر بیمار یا خسته نمی‌شود و دل‌مشغولی‌های دیگری نیز ندارد.
آیا هوش مصنوعی، طبابت را تهدید می‌کند؟
در این مورد اختلاف نظر وجود دارد. برخی پیش‌بینی‌ها می‌گویند کامپیوترها به زودی قادر خواهند بود در ابعاد وسیع جایگزین پزشکان شوند. فعلا می‌دانیم که هوش مصنوعی در رابطه با مشاهده تصاویر و تفسیر متون پیشرفت‌های بسیار چشمگیری داشته. بنابراین پیش‌بینی می‌شود که به‌زودی رقیب جدی رشته‌هایی مانند پاتولوژی و رادیولوژی خواهد بود که تقریبا تماما بر اساس تصاویر کار می‌کنند.
رشته‌هایی مانند درماتولوژی، تخصص چشم پزشکی و اونکولوژی هم در خط بعدی ورود هوش مصنوعی هستند. برای مثال در چشم‌پزشکی مشخص شده که هوش مصنوعی با دقت بسیار زیادی می‌تواند رتینوپاتی دیابتی، گلوکوم و کاتاراکت را تشخیص دهد. یا در سرطان شناسی به تشخیص و دسته‌بندی تومورها بپردازد، پروگنوز بیمار را با دقت بالا محاسبه کند و برنامه شیمی‌درمانی پیشنهاد کند.
در گام بعدی هوش مصنوعی در رشته‌هایی ورود خواهد کرد که بر اساس «شرح حال» کار می‌کنند چون توانایی پردازش و تفسیر صوت و متن هم طی چند سال گذشته به طور قابل توجهی افزایش پیدا کرده است.
آخرین سنگر، مواردی است که نیاز به «معاینه فیزیکی» و یا «پروسیجر» دارند: برای مثال کارهای جراحی. در این حوزه هنوز علم رباتیک آنقدرها پیشرفت نکرده که منتظر فراگیری قریب‌الوقوع آن باشیم. اما به آنجا هم خواهیم رسید و اگر روزی برسد که یک ربات هوشمند توانایی انجام عمل جراحی پیدا کند، بنده شخصا ترجیح می‌دهم توسط یک ربات جراحی بشوم! چون می‌دانم اشتباه کمتری دارد و دچار خستگی ناشی از کشیک و فشار کاری زیاد نیست. دقیقا همان‌گونه که مشخص شده احتمال تصادف اتوموبیل‌های خودران کمتر از راننده واقعی است.
تغییرات یک شبه رخ نمی‌دهند:
البته آن پاسخ ChatGPT از این زاویه صحیح است که هوش مصنوعی در ابتدا به «کمک» پزشکان در تشخیص و درمان بیماری‌ها خواهد آمد، و نتیجه به نفع پزشک و بیمار خواهد شد. اما نمی‌توان این پیش‌بینی را نادیده گرفت که احتمالا در آینده نه‌چندان دور حداقل برخی رشته‌های پزشکی با هوش مصنوعی جایگزین خواهند شد.
)
