به دور از نوید آیندهنگرانه آن، هوش مصنوعی (A.I) یک واقعیت اجتناب ناپذیر در تمامی قسمتهاست. با توجه به پتانسیلیهای کاربردی و تخریب کنندهای که دارد، دولتها در سرتاسر جهان با یکدیگر همکاری کرده و گامهای زیادی را در جهت پیشرفت و استفاده مسئولانه از هوش مصنوعی برداشتهاند. یکی از جدیدترین مثالها در این زمینه، مشارکت جهانی در هوش مصنوعی (Global Partnership on Artificial Intelligence, GPAI) است که توسط 14 دولت و اتحادیه اروپا در سال 2020 ایجاد شده است.
بهداشت و درمان نیز نیاز دارد تا در مقابل این نیروی تخریب کننده ناشی از هوش مصنوعی محکم بایستد. درحال حاضر مطالعات انجام شده در علوم زنده در حیطه هوش مصنوعی از 1600 مورد در سال 2017 به 7300 مورد در سال 2020 افزایش یافته است. تکنولوژی همچنین مسیر خود را از آزمایشگاههای تحقیقاتی به نمونههای بالینی پیدا کرده است. تنها در فرانسه، یکی از هر 5 استارتآپ هوش مصنوعی در ارتباط با بهداشت و درمان میباشد. در فضای داروسازی، بیش از 230 استارتآپ از تکنولوژی برای کشف داروها استفاده میکنند.
ما به تازگی دامنه گستردهای از هوش مصنوعی را در دنیای بهداشت و درمان بررسی کرده و یافتههای خود را در آخرین کتاب الکترونیک خود، راهنمای هوش مصنوعی در بهداشت و درمان، به اشتراک گذاشتهایم. هدف اولیه این کتاب ایجاد یک راهنمای کامل برای خوانندههاست تا کمک کند که به درک کاملی از امکانات و محدودیتهای هوش مصنوعی در بهداشت و درمان برسند. برای تعمیق بیشتر در این موضوع، پیشنهاد ما به شما یک نسخه از LeanPub میباشد.
برای داشتن ایده بهتر از آنچه در این کتاب مطالعه میکنید، ما 8 چشمانداز از هوش مصنوعی در بهداشت و درمان را در این مقاله به اشتراک گذاشتهایم. در خود کتاب، به این موضوعات در عمق بیشتری پرداخته شده است.
- 1. یادگیری فدرال میتواند در حل مشکلات مرتبط با حریم خصوصی کمک کننده باشد.
برای ایجاد ابزارهای کارآمد و دقیق هوش مصنوعی، کیفیت و کمیت پایگاه داده، کلیدهای یادگیری الگوریتمها هستند. اما هنگام به کارگیری این نرمافزارها در بهداشت و درمان، این واقعیت که این دادهها شامل اطلاعات حساسی از بیماران هستند، مشکلزاست. تحقیقات در گذشته نشان دادهاند که، حتی پایگاههای داده ناشناس بهداشت و درمان میتواند برای شناسایی مجدد بیمار مورد استفاده قرار گیرند. دیگر مطالعات نشان دادهاند که، از توموگرافی کامپیوتری (CT) تا تصویربرداری رزونانس مغناطیسی (MRI) امکان بازسازی چهره بیمار وجود دارد. چنین امکاناتی نگرانیها در ارتباط با حریم خصوصی و این واقعیت که که آیا باید توافقی برای دستیابی به هوش مصنوعی در بهداشت و درمان باشد یا خیر را افزایش داده است.
هرچند که دیگر تکنیکهای یادگیری ماشین (Machine Learning, ML) به تازگی در زمینه بهداشت و درمان به کار رفتهاند. این آموزش که به عنوان، یادگیری فدراسیون شناخته میشود، میتواند بطور موثری نگرانیها در ارتباط با حریم خصوصی را مشخص کند. چرا که یادگیری فدرالی شامل یک روش آموزش غیر متمرکز الگوریتمها است در نتیجه میتواند در شناسایی مشکلات مرتبط با حریم خصوصی کمک کننده باشد.
با این روش، انیستیتوهای یادگیری زیادی، یادگیری ماشینی الگوریتمها را منطقهای و بدون انتشار داده های بیماران به خارج از بیمارستان، آموزش میدهند. در نتیجه، آنها تنها ویژگی مدلها را برای بهبود تصمیمگیری به اشتراک می گذارند. مطالعات نشان دادهاند این رویکرد، کاملا قابل رقابت با دیگر مدلهای یادگیری ماشینی عمل میکند. اما مزیت این همکاری در این است که اطلاعات حساس از بیمارستان خارج نمیشود.
2. رایانش ابری میتواند تامین کننده خدمات هوش مصنوعی بدون نیاز به ارتقا فناوری اطلاعات (IT) بهداشت باشد.
به تازگی در مطالعهای، ما به دلایل شکست استراتژیهای ملی بهداشت و درمان دیجیتال فکر کردهایم. از جمله دلایل، تمرکز بر ارتقا IT بیش از بهداشت و درمان دیجیتال بوده است. با چنین تلاشهایی، استفاده از کمکهای هوش مصنوعی در مطب دکترها تنها زمان و منابع بیشتری را خواهد گرفت.
با این حال، با رایانش ابری، نیاز به ارتقا IT بهداشت و درمان به طور کلی از بین میرود. با بارگذاری تمامی قدرت پردازش به رایانش ابری، داشتن تنها یک ارتباط قوی و مطمئن اینترنت برای به کارگیری ابزارهای هوش مصنوعی موجود در زیرساختها مورد نیاز است.
3. کمبود قوانین برای تعریف بهتر فناوری پزشکی مبتنی بر هوش مصنوعی
با قدم برداشتن غولهای بزرگ تکنولوژی و استارتآپها به دنیای بهداشت و درمان با راهحلهای مبتنی بر هوش مصنوعی، نهادهای نظارتی و سیاستگذاران باید کار خود را برای ایجاد چشماندازهای مناسب برای این سازگاری بزرگ،شروع کنند. اداره غذا و داروی امریکا (FDA) به طور خاص در زمینه تکنولوژی های مبتنی بر هوش مصنوعی و ایجاد یک چارچوب نظارتی بر پزشکی با هوش مصنوعی رهبری خود را نشان داده است.
هرچند کمپانیهای زیادی دستگاههای تایید شده خود توسط FDA را معرفی میکنند اما در وبسایتشان این ابزارها را تنها تحت عنوان “مبتنی بر هوش مصنوعی” بدون توضیحات بیشتر درباره چرایی این اعتبار عنوان میکنند. جالب توجه است که این شرکتها، در ارائه رسمی خود به FDA برای دریافت تاییدیه از ارائه راهحلهایشان به عنوان دستگاهی مبتنی بر هوش مصنوعی خودداری میکنند. نیاز به دسترسی به پایگاه دادهای که کمک کند تا بتوان از بین دستگاههای پزشکی برای مصارف بالینی و علمی، آنهایی را که واقعا مبتنی بر هوش مصنوعی هستند را از آنهایی که تنها از این عنوان برای مقاصد تجاری استفاده میکنند، تشخیص داد، در این دوره هوش مصنوعی بهداشت درمان، درحال افزایش است.
درحالیکه نهادهای نظارتی امریکایی، چنین پایگاه داده جامعی را ارائه نکردهاند، انستیتو Medical Futurist، این امکان را فراهم کرده و ما این پایگاه داده را همواره به روز نگه میداریم. درحالیکه ما درحال مذاکره با تیم بهداشت دیجیتال FDA هستیم، آنها اعلام کردهاند که این پایگاه داده را قبول ندارند. امیدواریم که در آینده تجدید نظر کرده و پیشرو در تعریف بهتر تکنولوژیهای پزشکی مبتنی بر هوش مصنوعی باشند.
ادامه دارد ….
منبع
A.I. In Healthcare, 2021: 8 Exciting Insights From The E-Book – The Medical Futurist
