سلامت نیوز:درمان و تشخیص بیماری یکی از مهم‌ترین کاربردهای هوش مصنوعی است که طبق یافته محققان در ۸۷ درصد مواقع، وضعیت بیماری توسط هوش مصنوعی صحیح تشخیص داده می‌شود.
به گزارش سلامت نیوز به نقل از علم و فناوری؛ در ابتداي ظهور هوش مصنوعي، پزشكي يكي از اولين حوزه‌هايي بود كه استفاده از سيستم‌هاي هوشمند در آن مطرح شد. خطاهاي شناختي با آنكه در همه رشته‌ها و حرفه‌ها وجود دارد، در حوزه پزشكي امري خطير است، چرا كه منجر به آسيب رساندن به بيماران و گاهي مرگ و مير مي‌شود. از این رو سيستم‌هاي خبره و هوشمند بوجود آمدند تا با جايگزيني پزشكان اين خطاها را كاهش داده و كيفيت تصميمات تشخيصي و درماني را بالاتر ببرند.
هدف اصلي در كليه مراحل فرايند تصميم‌گيري پزشكي، رسيدن به مطلوب‌ترين و تاثيرگذارترين تصميم براي بيمار است. ايده اصلي رفتن به سمت سيستم‌هاي مبتني بر هوش مصنوعي در پزشكي، همواره اميد براي كاهش خطاهاي تشخيصي و درماني بوده است. به نقل از پژوهش الهه سروش و علیرضا منجمی که در سال 1396 انجام شد، مطالعات متعدد در خطاهاي پزشكي نشان داده است كه اغلب اين خطاها ناشي از خطاهاي شناختي پزشك مسئول بوده است. خطاهای شناختی به نوعي حدس زدن الگو بر اساس تجارب گذشته است كه معمولاً ناخودآگاه بوده، خطاپذير است. مطالعات نشان مي‌دهد كه بيشتر خطاهاي پزشكي ناشي از خطاهاي شناختي است تا كمبود اطلاعات يا دانش.
سيستم خبره پزشكي در حوزه هوش مصنوعی، از ابتدا تا امروز
از سال 1970 تا به امروز دانشمندان و پزشكان بسياري تلاش كرده‌اند تا از پيشرفت‌هاي علوم كامپيوتر براي ايجاد سيستم‌هاي خبره و هوش‌مصنوعي در امر تشخيص بيماري و تصميم‌گيري پزشكي بهره ببرند. سيستم‌هاي خبره(Expert System) برنامه‌هايي كامپيوتري هستند كه قضاوت و رفتار يك متخصص را شبيه‌سازي مي‌نمايند. جهتگيري تلاش‌ها براي توسعه هوش مصنوعي و سيستم خبره در حوزه پزشكي به اين سمت و سو بوده كه تلاش شود دانش و تجربيات باليني پزشكان خبره را به نحوي در سيستم خبره يكپارچه كرد كه فرد غيرمتخصص و در بعضي موارد، خود بيمار بتواند با آن تعامل كند و سيستم خبره با استفاده از دانشي كه به آن دسترسي دارد، بيماري را تشخيص داده و توصيه‌هايي را ارائه نمايد.
اولين سيستم خبره پزشكي در حوزه هوش مصنوعی با عنوان MYCIN در دهه 70 و در دانشگاه استنفورد كاليفرنيا و طي پروژه برنامه‌نويسي ابتكاري استنفورد شكل گرفت و پس از آن سيستم‌هاي مختلف ديگري مطرح و پياده‌سازي شدند.
اين سيستم نام خود را از پسوند اغلب آنتي‌بيوتيك‌ها مثل اريترومايسين يا آزيترومايسين گرفته است و جهت تجويز آنتي‌بيوتيك براي بيماران مبتلا به عفونت خوني و مننژيت است. اين برنامه از يك پايگاه معرفت كه در آن دانش بصورت قواعد اگر-آنگاه بازنمايي شده استفاده مي‌كند. توصيه‌هاي درماني و تشخيصي MYCIN با قدرت شواهد ارزيابي مي‌شود كه “عامل قطعيت" ناميده مي‌شود و براي مديريت عدم قطعيت استفاده مي‌شود.
در MYCIN تقريباً 450 قاعده وجود دارد و در آن زمان ادعا شد كه مي‌تواند بهتر از پزشكان كم تجربه طبابت كند. اين برنامه موتور استنتاج ساده‌اي دارد به اين ترتيب كه برنامه از پزشك مجموعه‌اي از سوالات متني و بله/خير مي‌پرسد و در نهايت بر اساس درخت جستجويي كه با استفاده از قواعد اگر/آنگاه تشكيل مي‌دهد، سياهه‌اي از باكتري‌هايي كه ممكن است عامل بيماري باشند را كه طبق احتمال تشخيص آن‌ها به صورت نزولي مرتب شده‌اند، مشخص كرده، نهايتاً ليستي از آنتي‌بيوتيك‌ها را پيشنهاد مي‌كند.
نكته بسيار مهم ديگري كه در اين پروژه آشكار شد، در زمان بررسي موفقيت يا عدم موفقيت اين سيستم روي داد. دانشكده پزشكي استنفورد نهايتاً اعلام كرد در آزمون اين سيستم، درمان پيشنهادي براي 69 درصد مـوارد قابل قبول بوده است كه بهتر از كارايي متخصصان بيماري‌هاي عفوني است كه موارد مشابه جهت تشخيص به آن‌ها ارائه شده بود.
البته اين سيستم هيچگاه به واقع مورد استفاده قرار نگرفت و البته بيشتر مسائل اخلاقي و قانوني استفاده از سيستم خبره در پزشكي در آن زمان مانع اصلي بود. مثلا اينكه اگر سيستم خبره اشتباه تشخيص بدهد يا درمان نادرستي را توصيه كند، چه كسي قرار است مسئوليت آن را به عهده بگيرد؟ از طرف ديگر كاربر لازم بود با حوصله بسيار داده‌هاي فراواني را در اختيار برنامه قرار دهد و اطلاعات لازم آنقدر تخصصي بود كه تنها پزشك قادر به تعامل با برنامه بود.
13 درصد احتمال خطای هوش مصنوعی را چه کسی جواب می‌دهد؟
تأييد عملكرد سيستم يكي از مهم‌ترين چالش‌هاي اين سيستم‌ها است. به طور معمول عملكرد اين سيستم‌ها با استاندارد طلايي مقايسه مي‌شود و اغلب اين استاندارد طلايي خود متخصصين هستند. در مواردي توافق در خصوص اين استاندارد بسيار سخت است، زيرا بسياري از متخصصين در مورد تشخيص يا درمان توافق ندارند.
از سوي ديگر، چه ميزان صحت را بايد مناسب در نظر گرفت؟ اكثر سيستم‌هاي خبره و شبكه‌هاي عصبي، مكانيزمي براي كنترل صحت توصيه‌هاي خود ندارند. اين موضوع علاوه بر اين كه مي‌تواند منجر به بي‌اعتمادي كاربران شود، تعيين مسئول در برابر توصيه‌هاي اشتباه را بسيار سخت مي‌كند. در همین راستا پژوهشگران برای نخستین بار یک بررسی جامع از مطالعات انجام شده درباره این موضوع انجام داده اند. نتیجه پژوهش آن‌ها نشان داد دقت تشخیص پزشکان و هوش مصنوعی با یکدیگر برابر است.
«آلاستر دنیستون» از بیمارستان بیرمنگام و یکی از محققان ارشد این پژوهش می‌گوید: نتایج این پژوهش بسیار نوید بخش است.
«شیائو شان لیو» مولف ارشد این پژوهش نیز در این باره می‌گوید: تاکنون اخبار زیادی منتشر شده که هوش مصنوعی از انسان عملکرد بهتری دارد، اما تحقیقات ما نشان داد، در بهترین حالت آن‌ها عملکرد یکسانی دارند.
در این پژوهش لیو و همکارانش روی تحقیقاتی تمرکز کردند که از ۲۰۱۲ میلادی تاکنون منتشر شده اند. تحقیقات اولیه حاکی از وجود ۲۰ هزار مطالعه مرتبط با این موضوع بود. اما در نهایت فقط ۱۴ تحقیق که روی بیماری‌های انسانی انجام شده اند، اطلاعات با کیفیتی را گزارش کرده بودند. در این تحقیقات پس از آموزش سیستم یادگیری عمیق، تصاویری در اختیار آن قرار داده شدند تا قدرت تشخیص پزشکی سیستم مشخص شود. همزمان همان تصاویر در اختیار کارشناسان انسانی نیز قرار گرفت.
تحقیقات نشان داد هوش مصنوعی در ۸۷ درصد مواقع وضعیت بیماری را به درست شناسایی کرده است. از سوی دیگر پزشکان انسانی نیز در ۸۶ درصد مواقع وضعیت بیماری را درست شناسایی کرده اند.
این درحالی است که ماه گذشته دولت انگلیس ۲۵۰ میلیون پوند برای تاسیس یک آزمایشگاه هوش مصنوعی جدید برای «سازمان سلامت همگانی» انگلیس اختصاص داد.
