پایگاه خبری – تحلیلی رسانه ۷: وینود خسلا (Vinod Khosla) یکی از بزرگترین سرمایه‌گذارهای «سیلیکون ولی» حرف قابل تاملی زد. او ادعا کرده تا سال ۲۰۳۵ روبات‌ها به طور کامل جای پزشک‌ها را خواهند گرفت. خسلا با قاطعیت این حرف را در محافل مختلف می‌زند چرا که شواهد متعددی پیرامون این حرف و صحبت دارد. […]

پایگاه خبری – تحلیلی رسانه ۷:

وینود خسلا (Vinod Khosla) یکی از بزرگترین سرمایه‌گذارهای «سیلیکون ولی» حرف قابل تاملی زد. او ادعا کرده تا سال ۲۰۳۵ روبات‌ها به طور کامل جای پزشک‌ها را خواهند گرفت. خسلا با قاطعیت این حرف را در محافل مختلف می‌زند چرا که شواهد متعددی پیرامون این حرف و صحبت دارد.

پژوهشی در بیمارستان ماساچوست در سال ۲۰۱۷ میلادی طراحی شد که در آن یک سیستم هوش مصنوعی توانسته بود مثل یک کارشناس رادیولوژیست و حتی بهتر، ماموگراف‌های بیماران را بررسی و بیماران مستعد متاستاز را شناسایی کرده و به اطلاع پزشک معالج برساند تا این دسته از بیماران به اتاق عمل هدایت شوند.

جالب است بدانید یک سال پیش از این ماجرا، گزارشی در ژورنال انجمن پزشکی امریکا به انتشار رسید مبنی بر اینکه گوگل توانسته هوش مصنوعی منحصر به فردی بسازد تا با عکس‌برداری از قرنیه چشم افراد، بیماری دیابت را با دقت بالا و سریع شناسایی کند.


مستر بلیط


اخیرا نیز روبات‌هایی اختراع شده‌اند که توسط یک رایانه مرکزی کنترل می‌شوند. دانشمندان به واسطه این روبات توانسته‌اند یک عمل جراحی در ناحیه روده یک خوک آزمایشگاهی را با موفقیت به سرانجام برسانند. هر چند مدت زمان بیشتری نسبت به یک جراح انسانی طول کشید تا روبات این پروسه جراحی را به پایان برساند. از طرفی این ابزار پیشرفته همانطور که انتظار می‌رفت توانسته بود با دقت بهتری بخیه پوستی بزند و ناحیه اسکار از لحاظ بهداشتی در شرایط مطلوبی قرار داشت. صاحب نظرهای دنیای تکنولوژی باور دارند تا جایگزینی روبات‌ها در بیمارستان‌های مختلف زمان زیادی نمانده است.

هوش مصنوعی

هوشمند اما تا چه میزان؟

شناسایی هر چه بهترِ بیماری و اختلال‌های بالینی و به دنبال آن، پیامدهای بهتر درمانی از اهداف اصلی مهندسین پزشکی است اما هوش مصنوعی تنها زمانی می‌تواند با دقت مطلوب عمل کند که یک عده کارشناس و برنامه‌نویس، این ابزارهای الکترونیکی را به درستی برنامه‌ریزی و راه‌اندازی کرده باشند. اگر به هر نحوی یک گروه یا حتی یک فرد در برنامه‌نویسی هوش مصنوعی کوتاهی کند، قاعدتا این امکان وجود دارد با تبعات جبران‌ناپذیری روبه‌رو شویم.

سیستم‌های هوش مصنوعی با بهره‌گیری از شیوه آموزش ماشینی، داده‌های بسیار زیادی را به یک باره مورد تجزیه و تحلیل قرار داده و سپس اختلالات و بروز بیماری خاصی را پیش‌بینی کرده و در نهایت پروسه‌های بالینی متنوعی به اقتضای شرایط پیشنهاد می‌دهند. شاید برای ساخت و توسعه یک هوش مصنوعی بسیار پیشرفته هزینه هنگفتی نیاز باشد اما با این حال بودجه برای این پروژه می‌تواند از ریخت و پاش‌های دیگری که در بیمارستان‌ها انجام می‌شود جلوگیری کرده و از جنبه دیگر، وقت بیماران بیهوده تلف نشود.

هوش‌های مصنوعی فارغ از اینکه چه تعداد کارشناس روی آن مشغول به کار باشند و چه میزان بودجه در اختیار تیم توسعه‌دهنده قرار می‌گیرد، مبتنی بر اطلاعات فعالیت می‌کند و اگر اطلاعات مناسبی به سیستم داده نشود، نتایج مطلوبی را نیز به عنوان خروجی نباید انتظار داشته باشیم. نگرانی اصلی کارشناس‌های تکنولوژی در همین موضوع است که اطلاعات جامع و کافی از تمام مردم در اختیارشان نیست و ثبت و ضبط داده‌های مردم نیاز به یک همت و تلاش اساسی دارد که این همت به تک تک افراد جامعه بستگی دارد.

هوش مصنوعی

چالش‌هایی که هنوز حل نشده‌اند

بر اساس یک گزارش که توسط سازمان بهداشت و درمان ملی امریکا در سال ۲۰۱۷ میلادی به ثبت رسیده، سیاه‌پوست‌ها از شرایط بدتری از لحاظ بهداشتی مثل مرگ و میر نوزادان، سرطان، بیماری قلبی، چاقی و حتی ابتلا به بیماری ایدز رنج می‌برند.

به عنوان مثال میزان مرگ و میر نوزادان در اهالی آلاسکا ۶۰ درصد بیشتر از سفیدپوست‌ها گزارش شده است یا مرگ و میر ناشی از بیماری ایدز در امریکایی‌هایی با نژاد افریقایی روز به روز افزایش می‌یابد. به همین علت تضادهای زیادی بین مردم یک جامعه، آن هم در امریکا دیده می‌شود که وابسته به اقتصاد و شرایط فرهنگی جامعه است. اگر هم روزی روبات‌ها جای پزشک‌ها را بگیرند، نگاه نژادپرستانه به طور تدریجی در جوامع شکل می‌گیرد و بر این اساس، اگر فردی توان مالی نیز داشته باشد، از انجام یک پروسه بالینی به خاطر رنگ پوستش شاید منع شود.

داده‌هایی که به مدل‌های هوش مصنوعی داده می‌شود می‌تواند سیستم را قوی‌تر یا حتی ضعیف‌تر کند. ماشین‌ها به خودی خود نمی‌توانند دقت اطلاعات را بررسی کنند.

داده‌هایی که به مدل‌های هوش مصنوعی داده می‌شود می‌تواند سیستم را قوی‌تر یا حتی ضعیف‌تر کند. ماشین‌ها به خودی خود نمی‌توانند دقت اطلاعات را بررسی کنند. هوش مصنوعی به صورت پیش‌فرض تمامی داده‌ها را کاملا دقیقا با کیفیت بسیار بالا شناخته و سپس بر اساس این موارد و الگوریتمی که در اختیار دارد، دست به کار می‌شود. شاید با خودتان بگویید که می‌توانیم پس از راه‌اندازی هوش مصنوعی، داده‌ها را تصحیح کنیم اما این کار به نظر کارشناس‌ها چندان شدنی نیست. چون مدل‌های حال حاضر مثل جعبه‌های سیاه موجود در هواپیماها عمل می‌کنند و به همین علت شاید توضیح یک موضوع به ظاهر ساده برای یک هوش مصنوعی چندان کار آسانی نباشد. به خصوص اینکه پیش از این مسئله، داده‌های اشتباهی در مقیاس بالا به خوردش دادیم.

یکی دیگر از چالش‌های بزرگ در این راستا این موضوع است که بیشتر کلینیک‌های حال حاضر اقدامات بالینی را برای بیمارانشان انتخاب می‌کنند که این اطلاعات در محل مشخصی به ثبت نمی‌رسد. هر چند کلینیک‌هایی با نیروهای مجرب و کاربلد سعی می‌کنند ابتدا بیمارهای بد حال را غربالگری کرده و در مرحله بعدی، رویکرد هوشمندانه‌ای جهت درمان انتخاب می‌کنند. با این تفاسیر با وضعیت کنونی، داده‌های چندان مطلوبی برای هوش‌های مصنوعی مشتاق به امر طبابت در دسترس نیست.

هوش مصنوعی

استفاده از هوش مصنوعی برای درمان، آن هم بدون هیچ ریسک؟

چالش‌ها زمانی کاملا درک خواهند شد که بخش‌های مختلفی از سازمان بهداشت و درمان در کشورهای پیشرفته قصد داشته باشند از هوش مصنوعی در مقیاس کلان استفاده کنند. به عنوان مثال زمانی که اعضای مرکز پزشکی دانشگاه پیتزبورگ خطر مرگ ناشی از پنومونیای بیماران را در بخش اورژانس بررسی کردند، هوش مصنوعی توان پیش‌بینی بیماران با رده سنی بالاتر از ۱۰۰ سال یا افرادی که از آسم رنج می‌بردند را نداشت. چرا که تعداد داده‌های با این سن و وضعیت در دیتابیس هوش مصنوعی محدود بود. اگر حتی اطلاعات اندکی درباره آمار و اطلاعات داشته باشید، حتما درک خواهید کرد هر چه اندازه یک گروه کمتر باشد، دقت تخمین یک متغیر نیز کاهش می‌یابد. بنابراین نمی‌توان تاثیر متغیرهای گوناگون را روی این دسته از گروه‌هایی با اندازه کم به درستی و با دقت بررسی کرد.

باید این مسئله مدام بررسی شود که آیا این دسته از سیستم‌ها قابلیت پیش‌بینی بیماری‌ها را به صورت دقیق دارند یا خیر.

پزشکان دانشگاه پیتزبورگ زمانی به اشتباه هوش مصنوعی خود پی برده بودند که با تزریق دوز ناکارآمد آنتی‌بیوتیک سعی داشته‌اند بیماران را درمان کنند. به همین سبب استفاده از هوش‌های مصنوعی جهت شناسایی بیماری مثل راه رفتن روی یک تیغ دو لبه است. اندکی لغزش کافیست تا به تلف شدن جان بیماران بینجامد.

پیش از اینکه به سیستم‌های هوش مصنوعی و تبعا «روبات‌های پزشک‌نما» اعتماد کامل کنیم، اعضای تیم مهندسی پزشکی می‌بایست ابتدا تضادهای بین داده‌ها را بررسی کرده و در صدد حل این دسته از موارد باشند.

هوش مصنوعی

از طرفی سیستم‌های ماشینی نیازمند ارزیابی‌های متداوم هستند. باید این مسئله مدام بررسی شود که آیا این دسته از سیستم‌ها قابلیت پیش‌بینی بیماری‌ها را به صورت دقیق دارند یا خیر. رویکرد دیگر باید در این رابطه باشد روند بالینی که سیستم پیشنهاد می‌دهد از لحاظ اخلاق حرفه‌‌ای پزشکی تخطی نکند. به همین سبب مطالعه و بررسی ایده‌های مختلف در این زمینه می‌تواند امری بسیار پراهمیت تلقی شود. چرا که تحقیقات در زمینه تکنولوژی و مهندسی پزشکی می‌تواند بستر را برای توسعه هر چه بهتر یک هوش مصنوعی قدرتمند گسترده‌تر سازد.

البته بودجه در جوامع پیشرفته صرفا به تولید و توسعه روبات‌های پزشکی تخصیص نمی‌یابد و اندکی از این هزینه باید صرف فرهنگ‌سازی عموم شود تا به هوش مصنوعی به چشم یک پزشک نگاه کنند یا حداقل فردی را تصور کنند که مثل یک پزشک با دانستن پیش‌زمینه‌ای از اطلاعات فردی این قدرت را دارد تا بیماری‌‌شان را کشف کند. البته در کسری از ثانیه! اگر روزی این فناوری در بیمارستان‌های ایران باب شود آیا شما به روبات‌ها برای شناسایی و درمان بیماری خود اعتماد می‌کنید؟

منبع خبر: دیجیاتو

آخرین اخبار علم و فناوری و تکنولوژی ایران و جهان را در سایت خبری-تحلیلی رسانه ۷ بخوانید.