رادیولوژیست‌ها یا هوش مصنوعی؟ گوریلی بزرگ‌تر از آنکه نادیده گرفته شود
در این مقاله
اغلب واقعاً چیزهایی را که انتظارشان را نداریم نمی‌بینیم
در سال 2013، آزمایشی که دنیای پزشکی را تکان داد، یعنی آزمایشی بسیار چشمگیر، انجام شد. تصاویر سی‌تی‌اسکن (BT) به 24 رادیولوژیست آموزش‌دیده برای شناسایی ندول ریه داده شد. اما در برخی تصاویر، پژوهشگران عمداً تصویر دیجیتال گوریلی قرار داده بودند که نسبت به یک ندول معمولی 48 برابر بزرگ‌تر بود. نتیجه شگفت‌انگیز بود: 83% رادیولوژیست‌ها متوجه این گوریل آشکار نشدند. فناوری ردیابی چشم نیز تأیید کرد که آنها مستقیماً به ناحیه گوریل نگاه کرده‌اند. پس چرا متوجه آن نشدند؟
این رویداد پدیده‌ای به نام «نابینایی ناشی از بی‌توجهی» (inattentional blindness) را آشکار کرد. مغز انسان، به‌ویژه هنگام تمرکز بر یک وظیفه مشخص، می‌تواند اطلاعات غیرعادی و غیرمنتظره را فیلتر کند. این نشان داد حتی آموزش‌دیده‌ترین متخصصان نیز ممکن است زیر بار اطلاعات، نشانه‌های دیداری را از دست بدهند.
امروز پرسش مشابهی دوباره مطرح است: آیا به کمک هوش مصنوعی دیگر «گوریل‌های» جلوی چشممان را خواهیم دید؟
رشد هوش مصنوعی در دنیای تصویربرداری
هرچند هوش مصنوعی به‌ویژه در شناسایی تومور موفقیت‌های چشمگیر دارد، نقش واقعی آن در رادیولوژی بسیار گسترده‌تر است. الگوریتم‌های کنونی هوش مصنوعی:
-
می‌توانند نشانه‌های سکته مغزی را فوراً در تصاویر سی‌تی‌اسکن تحلیل کنند.
-
می‌توانند شکستگی‌ها را در تصاویر تروما علامت‌گذاری کنند.
-
می‌توانند کوچک‌ترین تغییر اندازه تومور را در تصاویر انکولوژی به‌صورت عددی نشان دهند.
به‌ویژه در انکولوژی، هوش مصنوعی با پردازش مجموعه‌های بزرگ داده تصویری می‌تواند جزئیاتی را شناسایی کند که رادیولوژیست‌ها از دست می‌دهند و از فرایند تصمیم‌گیری بالینی پشتیبانی کند.
MASAI و EDITH UK: هوش مصنوعی اکنون در پژوهش‌های بالینی
چند پژوهش بالینی مهم برای ارزیابی توان هوش مصنوعی در دنیای واقعی در حال انجام‌اند:
-
مطالعه MASAI: The Lancet Digital Health این مطالعه تصادفی کنترل‌شده را منتشر کرده است که بررسی می‌کند آیا غربالگری ماموگرافی با کمک هوش مصنوعی می‌تواند تشخیص سرطان پستان در مراحل اولیه را بهبود دهد. هدف، کاهش موارد منفی کاذب و سرطان‌های فاصله‌ای است.
-
پروژه EDITH UK: در این مطالعه بزرگ در انگلستان بررسی می‌شود که آیا هوش مصنوعی می‌تواند در غربالگری سرطان پستان به‌خوبی انسان‌ها یا حتی بهتر باشد. در صورت موفقیت، با کوتاه‌کردن فرایند تشخیص ممکن است زمان انتظار بیماران را کاهش دهد.
این نمونه‌ها نشان می‌دهند هوش مصنوعی دیگر فقط فناوری آزمایشی نیست، بلکه به یکی از پایه‌های اصلی فرایندهای تشخیصی نوین تبدیل شده است .
در کنار مزایا، خطر هم وجود دارد: حریم خصوصی داده‌ها و سوگیری الگوریتمی
مانند هر فناوری قدرتمند، هوش مصنوعی نیز خطرهایی دارد که باید با دقت مدیریت شوند:
-
سوگیری داده‌ها: اگر الگوریتم‌ها فقط با داده‌های بیمارستان‌های شهرهای بزرگ آموزش ببینند، ممکن است در گروه‌های روستایی یا محروم دقت کافی نداشته باشند.
-
امنیت داده‌ها: با گسترش سامانه‌های ابری، محرمانگی اطلاعات بیمار حیاتی‌تر می‌شود. رمزگذاری قوی، دسترسی محدود و رعایت مقررات قانونی اهمیت زیادی دارند.
-
سوگیری خودکارسازی: اعتماد کورکورانه پزشکان به نتایج الگوریتم می‌تواند به تشخیص و تصمیم درمانی نادرست منجر شود.
بنابراین هنگام استفاده از هوش مصنوعی باید احتیاط کرد و تصمیم نهایی را همیشه به تخصص انسانی سپرد.
نقش انسانی: پارادوکس Moravec و چابکی شناختی
پارادوکس Moravec تأکید می‌کند که هوش مصنوعی با وجود توان انجام آسان محاسبات پیچیده، هنوز از انجام مهارت‌هایی مانند همدلی، شهود و تفسیر زمینه که برای انسان «آسان» به نظر می‌رسند، ناتوان است. برای مثال:
-
هوش مصنوعی می‌تواند یک ندول را شناسایی کند،
-
اما نمی‌تواند داستان زندگی، وضعیت عاطفی و محیط اجتماعی بیمار را ارزیابی کند.
اینجا است که چابکی شناختی وارد عمل می‌شود: تصمیم‌گیرندگان بالینی باید هم تحلیل فنی انجام دهند و هم با بیمار همدلی کنند.
رادیولوژیست‌ها و هوش مصنوعی: همکاری به‌جای رقابت
هرچند عنوان نوشته «رادیولوژیست‌ها یا هوش مصنوعی؟» است، آینده واقعی در فرمول «رادیولوژیست‌ها + هوش مصنوعی» نهفته است. به کمک این همکاری:
-
هوش مصنوعی تصاویر را سریع تحلیل می‌کند،
-
یافته‌های مقدماتی را علامت‌گذاری می‌کند،
-
و رادیولوژیست این داده‌ها را در زمینه بالینی بیمار تفسیر می‌کند.
این رویکرد ترکیبی هم دقت تشخیص را افزایش می‌دهد و هم بار ذهنی رادیولوژیست‌ها را کاهش می‌دهد. مطالعاتی مانند MASAI و EDITH با نشان‌دادن امکان تشخیص زودتر سرطان پستان با هوش مصنوعی، اثبات می‌کنند این همکاری چگونه می‌تواند به نفع بیمار تبدیل شود.
رادیولوژیست آینده: آشنا با هوش مصنوعی و سازگارپذیر
در جهانی که هوش مصنوعی وظایف بیشتری را بر عهده می‌گیرد، مهارت‌های جدید برای رادیولوژیست‌ها اجتناب‌ناپذیر می‌شوند. رادیولوژیست آینده باید 4 توانایی اصلی داشته باشد:
-
آموزش هوش مصنوعی: تجربه مستقیم هوش مصنوعی با کارگاه‌ها، دوره‌های گواهی آنلاین و آموزش عملی درون‌سازمانی.
-
گسترش سواد هوش مصنوعی: حمایت از ادغام بخش‌هایی مانند اخلاق، علم داده و ارزیابی هوش مصنوعی در آموزش تخصصی.
-
مطالبه برابری و ایمنی: همکاری با دانشمندان و نهادهای تنظیم‌گر برای کاهش سوگیری الگوریتمی و حفاظت از داده بیمار.
-
هوشیارماندن: دیدن خروجی هوش مصنوعی به‌عنوان آغاز فرایند تصمیم‌گیری و فراموش‌نکردن اینکه مرجع نهایی تصمیم همچنان پزشک است.
نتیجه: دیگر «گوریل‌ها» را در تصویربرداری از دست ندهیم
از آزمایش معروف گوریل در 2013 تا مطالعات تحول‌آفرین امروزی مانند MASAI و EDITH، این مسیر شیوه دیدن رادیولوژی را تغییر داده است. اکنون هم الگوریتم‌های پیشرفته داریم و هم رادیولوژیست‌های باتجربه.
اگر درست اجرا شود، هوش مصنوعی می‌تواند:
-
دقت بالینی را افزایش دهد،
-
زمان تشخیص را کوتاه کند،
-
و دریافت سریع‌تر نتایج آزمایش را برای بیماران ممکن کند.
اما فراموش نکنیم: شیوه استفاده ما از این فناوری، میزان اثربخشی آن را تعیین خواهد کرد.
شما چه فکر می‌کنید؟
آیا به نظر شما هوش مصنوعی واقعاً انقلابی در رادیولوژی ایجاد می‌کند؟ یا اگر مراقب نباشیم، همچنان «گوریل‌های» تازه را از دست خواهیم داد؟
دیدگاه‌هایتان را با ما در میان بگذارید تا در این فرایند تحول، با هم بیشتر ببینیم.
منابع
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.