چه موانعی بر سر استفاده گسترده از هوش مصنوعی در سرطان‌شناسی وجود دارد؟
در این مقاله
چرا این موضوع مهم است؟
هوش مصنوعی (AI) در سال‌های اخیر به‌عنوان فناوری امیدبخشی در بسیاری از حوزه‌های سرطان‌شناسی، مانند تشخیص، برنامه‌ریزی درمان و پیگیری بیمار، مطرح شده است. با وجود این اشتیاق، ادغام آن در کار بالینی با مشکلات جدی روبه‌روست. در این مقاله عوامل اصلی مانع پذیرش گسترده‌تر هوش مصنوعی در سرطان‌شناسی را به‌تفصیل بررسی می‌کنیم: کمبود دقت، مشکلات تنوع داده، نگرانی‌های اخلاقی و زیست‌محیطی، خلأهای مقرراتی و موارد دیگر.
1. هوش مصنوعی چقدر دقیق است؟ مشکل توهم و اطلاعات گمراه‌کننده
یکی از بزرگ‌ترین نگرانی‌های سرطان‌شناسان، «نرخ بالای توهم» در سامانه‌های هوش مصنوعی است؛ یعنی این سامانه‌ها اطلاعات نادرست یا فاقد مبنای واقعی تولید می‌کنند.
نکته مهم: در برخی مطالعات، نرخ تولید اطلاعات نادرست در چت‌بات‌های هوش مصنوعی از 20-30% فراتر رفته است. این امر به‌ویژه در سرطان‌شناسی که دستورالعمل‌های درمانی به‌سرعت تغییر می‌کنند، خطری جدی ایجاد می‌کند.
این وضعیت به‌ویژه در سرطان‌شناسی خطرناک است:
ابزارهای هوش مصنوعی ممکن است مطالب علمی را نادرست نقل کنند یا به مقالاتی استناد کنند که داوری علمی نشده‌اند. اگر این موارد به‌درستی راستی‌آزمایی نشوند، ممکن است به توصیه‌های بالینی نامطلوب بینجامند.
2. سوگیری مجموعه‌داده‌ها: مناسب همه نیست
موفقیت سامانه‌های هوش مصنوعی به داده‌ای وابسته است که با آن آموزش دیده‌اند. اما این مجموعه‌ها عمدتاً نماینده افراد سفیدپوست و گروه‌های دارای جایگاه اجتماعی‌اقتصادی بالا هستند. در نتیجه سامانه ممکن است در بیماران با نژاد، قومیت یا موقعیت جغرافیایی متفاوت عملکرد ناموفقی داشته باشد.
واقعیتی که باید برجسته شود: در سامانه‌هایی که با داده‌های گروه‌های اقلیت آموزش ندیده‌اند، میزان تشخیص درست ممکن است به‌شدت افت کند و نابرابری سلامت را بیشتر کند.
3. آیا با کار بالینی سازگار است؟ دشواری ادغام در گردش کار
بسیاری از محیط‌های بالینی برای ادغام سامانه‌های هوش مصنوعی آماده نیستند.
محیط‌های بالینی شلوغ و پیچیده‌اند. بیشتر مراکز زیرساخت فنی کافی برای استقرار این سامانه‌ها ندارند.
همچنین بسیاری از مدل‌ها مانند «جعبه سیاه» عمل می‌کنند؛ یعنی منطق تصمیم خود را توضیح نمی‌دهند. این امر توضیح‌دادن به بیمار را برای پزشک دشوار می‌کند.
4. حریم خصوصی بیمار و خلأهای مقرراتی
حفاظت از حریم خصوصی بیماران، به‌ویژه چون داده‌های سرطان شامل اطلاعات ژنتیکی است، اهمیت بیشتری دارد. با این حال، بسیاری از ابزارهای هوش مصنوعی به اشتراک‌گذاری گسترده داده‌های بیمار نیاز دارند.
همچنین هنوز روشن نیست در پیامدهای نامطلوب تصمیم‌های مبتنی بر هوش مصنوعی، مسئولیت حقوقی بر عهده چه کسی است. این ابهام موجب برخورد محتاطانه بسیاری از مؤسسات سلامت با هوش مصنوعی می‌شود.
5. هزینه‌های زیست‌محیطی و فنی: بهای نادیدنی
سامانه‌های هوش مصنوعی در مراکز داده عظیم اجرا می‌شوند؛ این مراکز سالانه میلیون‌ها لیتر آب، انرژی و عناصر کمیاب مانند لیتیوم و کبالت مصرف می‌کنند و ردپای کربنی را افزایش می‌دهند.
داده‌ای چشمگیر: انتشار سالانه کربن مدل‌های بزرگ هوش مصنوعی ممکن است به میزان انتشار شهرهای کوچک نزدیک شود.
نیاز به به‌روزرسانی مداوم نیز بار واحدهای فناوری اطلاعات بیمارستان را افزایش می‌دهد. مؤسسات با محدودیت منابع نمی‌توانند این سامانه‌ها را پایدار نگه دارند.
6. هوش مصنوعی از دید بیمار چقدر قابل اعتماد است؟
نباید فراموش کرد که بیماران نیز هنگام استفاده از ابزارهای اطلاعاتی هوش مصنوعی در معرض گمراه‌شدن هستند. داده‌های جداشده از زمینه، برای نمونه میانگین میزان بقا، ممکن است برای یک بیمار مشخص گمراه‌کننده باشند.
در بیماران با سواد سلامت پایین، این ابزارها ممکن است موجب آشفتگی اطلاعات شوند و آنها را به تصمیم درمانی نادرست سوق دهند.
7. راهکارها: برای هوش مصنوعی اخلاقی‌تر، ایمن‌تر و دسترس‌پذیرتر
با وجود این همه مشکل، چگونه می‌توان از هوش مصنوعی در سرطان‌شناسی به‌شکلی ایمن و مؤثر استفاده کرد؟
سامانه‌های اعتبارسنجی بالینی
توصیه‌های هوش مصنوعی باید به‌صورت بلادرنگ توسط سرطان‌شناسان بررسی شوند.
سامانه‌های اعتبارسنجی با به‌روزرسانی مداوم باید به کار گرفته شوند.
برنامه‌های آموزشی
سواد هوش مصنوعی باید وارد برنامه درسی دانشکده‌های پزشکی و آموزش مداوم شود.
سازمان‌هایی مانند ASCO باید دوره‌های آموزشی هوش مصنوعی ویژه سرطان‌شناسی تهیه کنند.
تیم‌های چندتخصصی
سامانه‌ها باید با همکاری سرطان‌شناسان، متخصصان اخلاق و بیماران توسعه یابند، نه فقط به دست مهندسان.
امنیت داده و شفافیت
محتوای مجموعه‌داده‌های آموزشی و جزئیات عملکرد سامانه‌ها باید به‌طور شفاف با پزشکان در میان گذاشته شود.
ارزیابی اثر زیست‌محیطی
برای هر سامانه جدید هوش مصنوعی باید تحلیل اثر زیست‌محیطی انجام شود و نتایج در سیاست‌های سلامت لحاظ شوند.
نتیجه: هوش مصنوعی در سرطان‌شناسی امیدبخش است، اما ابتدا باید موانع را پشت سر بگذاریم
سامانه‌های هوش مصنوعی باید کار سرطان‌شناسی را آسان کنند و آن را پیچیده‌تر نکنند. باید با داده معتبر کار کنند، از نظر انرژی کارآمد باشند، پیوسته به‌روز شوند و مهم‌تر از همه، انسان‌محور بمانند.
هوش مصنوعی می‌تواند فناوری تحول‌آفرینی در سرطان‌شناسی باشد، اما برای تحقق این ظرفیت باید بر پایه دقت، عدالت، شفافیت و پایداری شکل بگیرد.
منابع
2. Fountzilas E, Pearce T, Baysal MA, Chakraborty A, Tsimberidou AM. Convergence of evolving artificial intelligence and machine learning techniques in precision oncology. NPJ Digit Med. 2025;8(1):75. doi:10.1038/s41746-025-01471-y
3. Heudel P-E, Crochet H, Blay J-Y. Impact of artificial intelligence in transforming the doctor–cancer patient relationship. ESMO RWD and Digital Oncology. 2024;3:100026. doi:10.1016/j.esmorw.2024.100026
4. Kurian M, Adashek JJ, West HJ. Cancer care in the era of artificial intelligence. JAMA Oncol. 2024;10(5):683. doi:10.1001/jamaoncol.2023.7263
5. Kather JN. Artificial intelligence in oncology: Chances and pitfalls. J Cancer Res Clin Oncol. 2023;149(10):7995-7996. doi:10.1007/s00432-023-04666-6
6. Cobanaj M, Corti C, Dee EC, et al. Advancing equitable and personalized cancer care: Novel applications and priorities of artificial intelligence for fairness and inclusivity in the patient care workflow. Eur J Cancer. 2024;198:113504. doi:10.1016/j.ejca.2023.113504
7. Kolla L, Parikh RB. Uses and limitations of artificial intelligence for oncology. Cancer. 2024;130(12):2101-2107. doi:10.1002/cncr.35307
8. Schinkel M, van der Poll T, Wiersinga WJ. Artificial intelligence for early sepsis detection: A word of caution. Am J Respir Crit Care Med. 2023;207(7):853-854. doi:10.1164/rccm.202212-2284VP
9. Adegbesan A, Akingbola A, Aremu O, et al. From scalpels to algorithms: The risk of dependence on artificial intelligence in surgery. J Med Surg Public Health. 2024;3:100140. doi:10.1016/j.glmedi.2024.100140
10. Mennella C, Maniscalco U, De Pietro G, Esposito M. Ethical and regulatory challenges of AI technologies in healthcare: A narrative review. Heliyon. 2024;10(4):e26297. doi:10.1016/j.heliyon.2024.e26297
11. Katirai A. The environmental costs of artificial intelligence for healthcare. Asian Bioeth Rev. 2024;16(3):527-538. doi:10.1007/s41649-024-00295-4
12. Tahir D. Health care AI, intended to save money, turns out to require a lot of expensive humans. KFF Health News. انتشار: 10 ژانویه 2025. دسترسی: 23 مارس 2025.
13. Duwe G, Mercier D, Wiesmann C, et al. Challenges and perspectives in use of artificial intelligence to support treatment recommendations in clinical oncology. Cancer Med. 2024;13(12):e7398. doi:10.1002/cam4.7398
14. Carroll G. Transforming cancer care delivery with generative AI. ASCO Connection. انتشار: 9 نوامبر 2023. دسترسی: 23 مارس 2025.
آیا این مقاله برای شما مفید بود؟
بازخورد شما به بهبود محتوای ما کمک می‌کند.
نظرهای خوانندگان
نظر خود را بنویسید
نام و دیدگاه شما فقط پس از تأیید مدیر منتشر می‌شود. نشانی ایمیل شما هرگز به بازدیدکنندگان نمایش داده نمی‌شود.
اولین نظر را شما بنویسید.