هوش مصنوعی در گوارش؛ پیگیری بیمار در آینده، همکاری انسان و رایانه خواهد بود

هوش مصنوعی (YZ)، مانند بسیاری از رشته‌های پزشکی، در گوارش، یعنی حوزهٔ دستگاه گوارشی، نیز نوآوری‌هایی به همراه دارد که تغییرات عمیقی ایجاد خواهند کرد. به‌ویژه برای سرعت‌بخشیدن به تصمیم‌گیری در تشخیص و درمان بیماری‌های دستگاه گوارش (GİS) و سنجش عینی‌تر فعالیت بیماری، راه‌حل‌هایی توسعه می‌یابند. دکتر Ryan W. Stidham، از متخصصان برجستهٔ گوارش و پزشکی محاسباتی، پژوهش‌های هوش مصنوعی را در دانشگاه Michigan پیش می‌برد و گام‌های مهمی برای شکل‌دادن به این آینده برمی‌دارد. هدف تلاش‌های او تبدیل هوش مصنوعی به ابزاری کاربردی برای مؤثرترکردن تصمیم‌گیری متخصصان گوارش است.

هوش مصنوعی و ظرفیت آن برای بیماری‌های دستگاه گوارش

دوران کاری دکتر Stidham با زمانی هم‌زمان شد که پرونده‌های الکترونیک سلامت (ESK) رو به گسترش بودند و داده‌های پزشکی به‌آسانی در دسترس قرار می‌گرفتند. اما با وجود این فراوانی داده، پرونده‌های سلامت وضعیت بالینی بیماران را به‌اندازهٔ کافی توصیف نمی‌کردند. به‌ویژه در وضعیت‌های پیچیده مانند بیماری‌های التهابی روده (İBH)، اطلاعات پایه‌ای مانند نوع، محل و شدت بیماری ناقص بود. دکتر Stidham در اینجا ظرفیت یادگیری ماشین برای آموختن و بازتولید روند تصمیم‌گیری متخصصان را دریافت، اما برای آن به داده‌های مشاهده‌ای باکیفیت‌تر نیاز بود.

پژوهش‌های اولیه و چالش‌ها

با افزایش استفاده از نشانگرهای زیستی عینی در گوارش، این تغییر با درجه‌بندی استاندارد التهاب مخاطی در آندوسکوپی توجه را جلب کرد. اما به دلیل تفاوت میان مشاهده‌گران در این درجه‌بندی‌ها، به خوانش‌های متمرکز نیاز بود. چون یافته‌های آندوسکوپی کیفی بودند و تصاویر همهٔ ویژگی‌ها را به‌طور کامل نشان نمی‌دادند، حتی میان متخصصان نیز دربارهٔ شدت و نوع بیماری اختلاف نظر پدید می‌آمد.

دکتر Stidham برای برطرف‌کردن این کاستی، ارزیابی بهتر آندوسکوپی با رویکرد مبتنی بر هوش مصنوعی را هدف گرفت. شبکه‌های عصبی پیچشی مصنوعی (CNN= convolutional neural network) در آن زمان، با افزایش توان رایانشی، برای تصاویر پزشکی قابل استفاده شده بودند. مدل‌های CNN با یادگیری برچسب‌هایی مانند شدت بیماری، ظرفیت مهمی برای ارزیابی ویژگی‌های پیچیدهٔ تصاویر ارائه می‌کردند.

ارزیابی دیجیتال آندوسکوپی: داستان موفقیت با هوش مصنوعی

دکتر Stidham برنامه‌ای ساده اما دشوار داشت: جمع‌آوری تصاویر آندوسکوپی بیماران و آموزش مدل CNN با ارزیابی این تصاویر توسط متخصصان. اما در سال 2016، گردآوری شمار کافی تصاویر آندوسکوپی و برچسب‌گذاری آن‌ها آسان نبود. چالش اصلی یافتن ده‌ها هزار تصویر نمایندهٔ شدت‌های مختلف بیماری و عبور از محدودیت‌های فنی لازم برای تحلیل آن‌ها بود. با این حال، پس از سال‌ها تلاش، مدلی قابل استفاده ساخته شد.

مدل CNN حاصل، در ارزیابی شدت کولیت اولسراتیو تقریباً کاملاً با نظر متخصصان IBD همخوانی داشت. این موفقیت نخستین شاهدی بود که نشان می‌داد هوش مصنوعی می‌تواند بیماری‌های پیچیده را به‌طور خودکار اندازه‌گیری کند.

متخصصان گوارش در آینده با کمک هوش مصنوعی نقش مؤثرتری خواهند داشت

دکتر Stidham می‌گوید بخش مهمی از مزایای هوش مصنوعی در پزشکی، کاهش بار اداری خواهد بود. کاربردهایی مانند مستندسازی خودکار، ایجاد یادداشت با استفاده از ضبط صدا در درمانگاه و تهیهٔ یادداشت اقدام پزشکی با تحلیل ویدئوهای آندوسکوپی، به‌زودی محقق خواهند شد. این کاربردها به متخصصان گوارش زمان بیشتری برای تمرکز بر برنامهٔ درمان اختصاصی بیمار و تصمیم‌های پیچیده می‌دهند.

هوش مصنوعی همچنین در روندهای تداوم مراقبت سلامت، مانند واکسیناسیون، غربالگری آزمایشگاهی و پایش درمان، به کار می‌رود. انتظار می‌رود این فناوری‌ها بار کاری متخصصان گوارش را سبک‌تر و دسترسی به درمان را بهتر کنند. اما به گفتهٔ دکتر Stidham، به نظر نمی‌رسد این نوآوری‌ها بتوانند فوراً با کاهش بار تومور، راه‌حلی برای فرسودگی باشند.

آیا هوش مصنوعی می‌تواند با پزشکان انسانی رقابت کند؟

دکتر Stidham در ابتدا تصور می‌کرد هوش مصنوعی متخصصان گوارش را شگفت‌زده خواهد کرد، اما با گذشت زمان از این دیدگاه عقب نشست. او بیان می‌کند هوش مصنوعی در درک زمینهٔ فردی بیمار و رسیدن به درست‌ترین تصمیم برای هر بیمار دشواری دارد. متخصص باتجربهٔ گوارش می‌تواند کمبود داده را پیش‌بینی کند و وزن اطلاعات را در تصمیم‌گیری متناسب با بیمار شکل دهد. بنابراین اگرچه هوش مصنوعی در کارهای معمول و تکراری موفق‌تر از متخصصان گوارش خواهد بود، در مدیریت روزمرهٔ بیماری‌های گوارشی نمی‌تواند جای تجربهٔ بالینی، خلاقیت و تخصص را بگیرد.

هوش مصنوعی و گوارش: گذار به کاربردهای واقعی

لحظه‌ای که دکتر Stidham آن را نقطهٔ عطف کاربرد فناوری در دنیای واقعی می‌نامد، سخنرانی Peter Lee، رئیس Microsoft Research، در بهار گذشته بود. در آن سخنرانی، توانایی مدل‌های زبانی بزرگ (LLM) در درک متن پزشکی و پاسخ‌دادن به پرسش‌ها نمایش داده شد. دیدن کاربردهایی مانند تهیهٔ یادداشت SOAP (ذهنی، عینی، ارزیابی و برنامه) از صدای ضبط‌شدهٔ یک ویزیت بالینی، دکتر Stidham را تحت تأثیر قرار داد.

با این پیشرفت‌های مبتنی بر هوش مصنوعی روشن شده بود که کارهای اداری، مستندسازی، صورت‌حساب‌ها و یادداشت‌های پیگیری بیمار توسط هوش مصنوعی انجام خواهند شد. به‌سمت آینده‌ای می‌رویم که پزشکان گوارش با کمک ماشین‌ها می‌توانند بیشتر بر جنبه‌های خلاقیت و تصمیم‌گیری بالینی کار خود تمرکز کنند.

سازگاری آیندهٔ متخصصان گوارش: همکاری انسان و رایانه

در سال‌های آینده، متخصصان گوارش شیوهٔ استفاده از فناوری‌هایی مانند مدل‌های پیش‌بینی هوش مصنوعی، چت‌بات‌ها و تحلیل تصویر را خواهند آموخت. حافظه، بازیابی اطلاعات، محاسبه‌ها و کارهای خسته‌کننده، کار ماشین‌ها خواهند بود. ما نیز با استفاده از توان درک زمینهٔ انسانی، قضاوت و خلاقیت خود می‌توانیم راه‌حل‌های اختصاصی‌تری برای بیماران بیشتر ارائه کنیم. آینده به دورانی مبتنی بر همکاری نیرومند انسان‌ها و رایانه‌ها در گوارش و در واقع همهٔ پزشکی اشاره دارد.