آیا هوش مصنوعی جایگزین پزشکان خواهد شد؟

عصر ایران؛ مترجم لیلا احمدی - پروفسور میهائیلا ون‌در‌سار عضو هیئت علمی، استاد و مدیر مرکز هوش مصنوعیِ پزشکی و یادگیری ماشینی در دانشگاه کمبریج است و در دانشگاه کالیفرنیا نیز مهندسی کامپیوتر تدریس می‌کند. تحقیقات پروفسور ون‌درسار شامل موضوعاتی از قبیل پردازش سیگنال و تصویر، شبکه‌های ارتباطی، علوم شبکه، مالتی‌مدیا، نظریۀ بازی، سیستم‌های توزیع، یادگیری ماشینی و هوش مصنوعی می‌شود. 

او در حال‌ حاضر بر کاربردهای درمانیِ مهندسی کامپیوتر از جمله "پزشکیِ شخصی‌‌سازی‌شده personalized medicine (ارائه خدمات پزشکی متناسب با ویژگی‌های مولکولی و ژنتیکی فرد) مبتنی بر هوش مصنوعی" تمرکز دارد و پرآوازه‌ترین و پراستنادترین دانشمند زن در حوزۀ هوش مصنوعی بریتانیا محسوب می‌شود. 

ون‌درسار در سال 2009 به عضویت IEEE (بزرگ‌ترین انجمن حرفه‌ای مهندسان برق دنیا) درآمد و از سال 2016 با موسسه آلن تورینگ همکاری می‌کند. او همچنین جایزۀ بنیاد ملی علوم (2004)، جایزۀ دارلینگتون IEEE (2011) و جایزه Oon Prize در پزشکیِ پیشگیری را از دانشگاه کمبریج (2018) دریافت کرده است. متن زیر مقاله‌ای از پروفسور میهائیلا ون‌درسار دربارۀ تاثیر هوش مصنوعی بر دنیای پزشکی است.

*****

با نگاهی به هزینه‌های سرسام‌آور مراقبت‌های درمانیِ ایالات متحده و بحران مکرر در NHS (سرویس سلامت همگانی انگلستان)، به نظر می‌رسد که ارائۀ مراقبت‌های درمانیِ موثر و مقرون به صرفه غیرممکن است. با شیوع بیماری‌های مزمن و کشف راه‌های جدید برای درمان بیماری‌های لاعلاج این وضع روزبروز ناگوارتر می‌شود. 

درمان‌های جدید معمولاً پرهزینه هستند و به‌کارگیری رویکردهای جدید در سیستم‌ مراقبت‌های درمانی می‌تواند دشوار باشد؛ چراکه رویکردهای سابق در برابر تغییر یا بسیار مقاومند یا بیش از حد تضعیف شده‌‍اند. افزایش تقاضا برای مراقبت‌های اجتماعی نیز فشار مالی را تشدید کرده و تخصیص منابع را پیچیده‌تر می‌کند.

هوش مصنوعی (Artificial intelligence) AI اغلب جایگزینِ خدماتی در نظر گرفته می‌شود که تاکنون ناگزیر از پیشبرد یک‌سری اقدامات بوده‌اند. با این حال این ایده که کامپیوترهای هوشمند می‌توانند به سادگی جایگزین انسان در پزشکی شوند، تصوری وهم‌آلود است. هوش مصنوعی در دنیای واقعی به خوبی کار نمی‌کند زیرا با پیچیدگی‌های زندگی انسانی سازگار نیست. 

پروفسور میهائیلا ون‌درسار

تاکنون، فناوری‌های هوش مصنوعی تأثیر کمی بر دنیای آشفته و ذاتاً انسانیِ پزشکی داشته‌اند. اما اگر ابزارهای هوش مصنوعی به طور خاص برای پزشکی در دنیای واقعی با تمام پیچیدگی های سازمانی، علمی و اقتصادی آن طراحی شده باشند، آن وقت چه پیش خواهد آمد؟

این رویکرد "واقعیت‌محور" به هوش مصنوعی، مقوله‌ای آزمایشگاهی است که من در دانشگاه کمبریج آن را پیش می‌برم. ما با همکاری نزدیک با پزشکان و بیمارستان‌ها، ابزارهای هوش مصنوعی را برای محققان، پزشکان، پرستاران و بیماران توسعه می‌دهیم.

مردم اغلب فکر می‌کنند قابلیت‌های اصلی هوش مصنوعی در حوزۀ مراقبت‌های درمانی در تجزیه و تحلیل تصاویر مانند اسکن MRI، یا یافتن ترکیبات داروییِ جدید نهفته است. اما قابلیت‌های زیادی فراتر از این‌ها وجود دارد.

یکی از مواردی که آزمایشگاه ما مطالعه می‌کند، پزشکیِ شخصی‌سازی‌شده یا اندازه‌گیری‌شده است. ما به جای تجویز یک درمان برای همۀ اشخاص، در پی این هستیم که ببینیم چگونه می‌توان درمان ها را سفارشی کرد، به‌ نحوی که پروفایل پزشکی و سبک زندگیِ منحصر به فرد بیمار را منعکس کند.

به‌کارگیریِ درمان شخصی‌سازی‌‌شدۀ مبتنی بر هوش مصنوعی می‌تواند به درمان مؤثرتر بیماری‌های رایجی مثل بیماری قلبی و سرطان یا بیماری‌های نادر مانند فیبروز کیستیک کمک کند.

این روش به پزشکان اجازه می‌دهد تا زمان‌بندی و دوز دارو را برای هر بیمار بهینه کنند یا به جای معیارهای عمومی و کنونیِ سن و جنس بیماران از پروفایل‌های سلامت فردی برای غربالگری بهره بگیرند. این رویکرد شخصی‌سازی‌شده می‌تواند منجر به تشخیص زودهنگام، پیشگیری و درمان بهتر، نجات جان انسان‌ها و استفادۀ بهتر از منابع شود.

بسیاری از این تکنیک‌ها را می‌توان در کارآزمایی‌های بالینی به کار برد هرچند گاهی آزمون‌ها دچار تزلزل می‌شوند، زیرا میانگین پاسخ‌هایی که به یک دارو داده می‌شود نمی‌تواند اهداف آزمایشی را محقق سازد. با این حال، اگر برخی از افرادِ حاضر در کارآزمایی به خوبی به درمان پاسخ دهند، هوش مصنوعی می‌تواند به یافتن آن گروه‌های خاص در داده‌های آزمایشیِ موجود کمک کند.

ایجاد مدل‌های داده‌‌‌محور از بیماران منفرد یا «دوقلوهای دیجیتال» می‌تواند به محققان این امکان را بدهد که آزمایش‌های اولیه را قبل از شروع آزمایش پرهزینۀ اصلی که شامل افراد واقعی می‌شود، انجام دهند. این امر زمان و سرمایۀ لازم برای تهیۀ دارو را کاهش می‌دهد، به مداخلاتِ منجر به طول عمر، دوام تجاری می‌دهد و اجازه می‌دهد تا درمان‌های شخصی‌سازی‌شده به بیمارانِ هدف اختصاص یابند.

در سازمان پیچیده‌ای مانند NHS، هوش مصنوعی می‌تواند به تخصیص کارآمد منابع کمک کند. مثلا آزمایشگاه ما در طول دورۀ همه‌گیری کرونا ابزاری ایجاد کرد تا به پزشکان در پیش‌بینی استفاده از ونتیلاتورها و تخت‌های ICU کمک کند. این رویه می‌تواند در سراسر بخش‌های خدمات درمانی برای تخصیص کارکنان و تجهیزات درمانی گسترش یابد.

فناوری‌های هوش مصنوعی می‌توانند در بهبود دانش و ادغام روش‌های تخصصی به پزشکان، پرستاران و سایر متخصصانِ سلامت یاری برسانند. هوش مصنوعی همچنین می‌تواند به درک معماهای بغرنجی مثل حفظ حریم خصوصیِ بیمار کمک کند. جدیدترین فناوری‌های هوش مصنوعی چیزی ایجاد می‌کنند که «داده‌های ترکیبی» نامیده می‌شود و الگوهای درون داده‌ها را منعکس می‌کند. این فناوری‌ها به پزشکان اجازه می‌دهند تا بینش‌ و اطلاعات دقیقی به دست آورند و همۀ اطلاعاتِ قابل شناسایی را جایگزین سازند.

پزشکان و متخصصانِ هوش مصنوعی در حال حاضر قابلیتِ مراقبت‌های درمانیِ مدل‌های زبانیِ عظیم مانند چت جی‌پی‌تی ChatGPT را بررسی می‌کنند. این ابزارها می‌توانند از کاغذبازی و تشریفات اداری بکاهند، پروتکل‌هایی برای آزمایش دارو توصیه کنند یا راهکارهای تخصصی ارائه دهند. این مدل‌ها هرچند از قابلیت بالایی برخوردارند، اما واجد خطرات و چالش‌های مشخصی هستند.

ما نمی‌توانیم به سیستمی تکیه کنیم که به طور منظم اطلاعات تولید می‌کند و به‌نحوی "داده‌محور" آموزش دیده است. ChatGPT قادر به درک شرایط پیچیده و تفاوت‌های ظریف نیست؛ شرایطی که می‌تواند منجر به تفسیرهای نادرست یا تجویزهای نامناسب شود. درنتیجه اگر در زمینه‌هایی مانند سلامت روان به کار گرفته شود، می‌تواند پیامدهای فاجعه‌باری داشته باشد.

هوش مصنوعی نمی‌تواند جایگزین انسان‌های حرفه‌ای شود، اما می‌تواند با شخصی‌سازی و بهینه‌کردنِ عملیات در روش درمانِ بیماری‌هایی مانند سرطان تغییر بنیادین ایجاد کند و با تسریع و تدقیقِ فرایند جان انسان‌ها را نجات دهد.

اگر از هوش مصنوعی برای تشخیص آسیب فردی استفاده شود و در این بین اشتباهی صورت گیرد، باید مشخص شود که چه کسی مسئول است. آیا توسعه‌دهندگانِ هوش مصنوعی مقصرند یا متخصصانِ مراقبت های درمانی؟ دستورالعمل‌ها و مقررات اخلاقی هنوز به فناوری‌های لازم در این خصوص دست نیافته‌اند.

ما باید در استفاده از مدل‌های زبانیِ بزرگی که با بیماران واقعی سر و کار دارند، به مسائل ایمنی توجه کنیم و مطمئن شویم که هوش مصنوعی به‌ نحوی مسئولانه توسعه یافته و به کار گرفته شده است. برای اطمینان از این امر، آزمایشگاه ما از نزدیک با پزشکان کار می‌کند تا مطمئن شود که مدل‌ها بر اساس داده‌های قابل اعتماد، دقیق و بی‌طرفانه پرورش یافته‌اند.

ما در حال توسعۀ شیوه‌های جدیدی برای اعتبارسنجیِ سیستم‌های هوش مصنوعی هستیم تا مطمئن شویم که این سیستم‌ها ایمن، قابل اعتماد و مؤثرند و تکنیک‌هایی به پزشکان و بیماران ارائه می‌کنیم تا از کارآمدیِ پیش‌بینی‌ها و توصیه‌های هوش مصنوعی اطمینان یابیم.

روشن است که نباید قابلیت تحول‌آفرینِ این فناوری را نادیده بگیریم. باید مطمئن شویم که هوش مصنوعی را  به این منظور طراحی می‌کنیم که به متخصصانِ مراقبت‌های درمانی کمک کنیم تا در کاری که انجام می‌دهند بهتر باشند. این بخشی از مسیری است که من آن را طرح توانمندسازیِ هوش مصنوعیِ انسان می‌نامم.

در واقع استفاده از هوش مصنوعی برای توانمندسازی انسان‌هاست، نه جایگزینی آن‌ها. هدف نباید ساخت عوامل مستقلی باشد که می‌توانند انسان‌ها را تقلید و جایگزین کنند، بلکه باید توسعۀ یادگیری ماشینی باشد که به انسان‌ها اجازه می‌دهد توانایی‌های شناختی و درون‌نگر خود را بهبود بخشد و آن‌ها را قادر ‌سازد تا یادگیرندگان و تصمیم‌گیرندگان بهتری شوند.

 

منبع: گاردین

نویسنده:  پروفسور میهایلا وِن‌درسار

26 جولای 2023