چه میشود اگر یک الگوریتم بتواند بر اساس سیتیاسکن یا معاینه ماموگرافی به شما بگوید سرطان دارید. گرچه کار رادیولوژیستها در آینده برای حل مسائل پیچیده و نظارت بر فرآیندهای تشخیصی ضروری خواهد بود اما به طور قطع هوش مصنوعی در تشخیص موارد سادهتر و انجام کارهای تکراری بخشی از برنامه روزانه آنها خواهد شد. بنابراین به جای اینکه توسط هوش مصنوعی تهدید شویم، باید خود را برای تطبیق با آینده پیش روی، چگونگی بهبود مسیر رادیولوژی و از همه مهمتر بهبود مراقبت از بیماران آماده کنیم.
رادیولوژیستهایی که از هوش مصنوعی استفاده می کنند، جایگزین کسانی خواهد شد که این کار را نمیکنند.
تبلیغات و ترس زیادی در مورد هوش مصنوعی و تأثیر آن بر آینده مراقبت های بهداشتی وجود دارد. نشانه های زیادی وجود دارد مبنی بر تغییر و تحول کامل در دنیای پزشکی وجود دارد که نشان می دهد A.I. به طور کامل دنیای پزشکی را به حرکت در خواهد آورد.
نشانه های زیادی مبنی بر تغییر و تحول بنیادین در دنیای پزشکی توسط هوش مصنوعی وجود دارد. به عنوان مثال الگوریتم های یادگیری عمیق و هوش مصنوعی محدود (narrow A.I.) در زمینه تصویر برداری پزشکی را می توان شروع این فرآیند دانست.
ترکیب انسان و ماشین باعث ایجاد نقطه بهینه عملکردی در یک فرآیند می شود همانند خلبانی که در آن هوش مصنوعی به کمک خلبان ها آمده و در مسیر های طولانی و خسته کننده این هوش مصنوعی است که کنترل را بر عهده دارد اما در زمان تصمیم گیری سریع این ذهن انسانی است که توانایی مدیریت صحنه را به عهده خواهد گرفت. در حوزه بهداشت و درمان نیز همینطور خواهد بود. هوش مصنوعی جایگزین رادیولوژیستها نخواهد شد. اما، رادیولوژیستهایی که از هوش مصنوعی استفاده میکنند، جایگزین کسانی خواهد شد که این کار را نمیکنند.
تاریخچه تصویر برداری پزشکی
رادیولوژی بالینی با کشف تصادقی اشعه ایکس توسط Wilhelm Conrad Röntgen در ۸ نوامبر سال ۱۸۹۵ آغاز شد. در عرض دو ماه عناوین هیجان انگیزی همچون «نوری که از گوشت تا استخوان را میبیند» جهان را فراگرفت. حتی پیشبینیهایی مبنی بر تجاریسازی دستگاه پرتو کاتدی برای نصب در هر خانه، دنیا را فراگرفته بود. اما تلاشها برای تجاریسازی لامپ اشعه ایکس با شکست مواجه شد. همچنین تلاشهای توماس ادیسون برای گرفتن یک عکس اشعه ایکس از مغز انسان با موفقیت همراه نبود. اشتیاق فراوان کار را به جایی رساند که حتی به سمت ساختن تصویر روی آوردند و عکسی از روده گربه را به جای مغز انسان منتشر کردند. اگرچه تلاشهای اولیه به شکستهای بزرگی منجر شد اما اشعه ایکس در پزشکی جایگاه خود را یافت. جایگاهی که باید در آینده برای هوش منصوعی نیز مد نظر قرار دهیم.
توسعه سریع این فناوری از گذشته تا حال باعث شد که در ابتدا مدت زمان عکس برداری یک ساعت و حتی بیشتر طول میکشید را تبدیل به عکسبرداری و دریافت نتیجه حداکثر چند دقیقه طول کرد.
طیف وسیع ابزار با دقت بالاتر
تقریباً نیم قرن پس از کشف اشعه ایکس، اولتراسوند به روشهای تصویربرداری پزشکی پیوست. از اواسط دهه شصت به بعد، ظهور دستگاههای تجاری و پیشرفت سریع در فناوریهای الکترونیک و پیزوالکتریک، باعث پیشرفتهایی در زمینه تصویربرداری ثابت و متحرک فوری شد. دستگاههای سونوگرافی نیز در ادامه مسیر پیشرفت در طول نیم قرن، از دستگاههایی به اندازه یک اتاق به اسکنرهایی قابل حمل و اپلیکیشن موبایل تبدیل شدند. به طوری که پزشکان میتوانند از دستگاه سونوگرافی شخصی برای معاینات سریع و تزریقهای هدفمند استفاده کند.
اولین اسکنرهای CT در سال 1971 همراه با یک آشکارساز برای مطالعه مغز، تحت رهبری Godfrey Hounsfield معرفی شدند. اولین اسکنر MRI نیز توسط Raymond Damadian در دهه 1970 با کمک شاگردانش ساخته شد. او اولین اسکن MRI از بدن انسان سالم را در سال 1977 به دست آورد. اولین تصویربرداری «عملکردی MR» از مغز انسان در اوایل دهه 1990 تولید شد. مجموعه این پیشرفتها باعث شد تا اوایل دهه 2000، MRI قلب، MRI بدن، تصویربرداری از جنین، و تصویربرداری MR عملکردی در بسیاری از مراکز تصویربرداری به معاینات معمول تبدیل شوند.
دقت و تنظیم خودکار
تاریخچه رادیولوژی نشان دهنده گسترش و افزایش دقت ابزارها تا کنون است. اما خودکار سازی فرآیندها باعث آسان شدن کار رادیولوژیستها میشود. از جمله مثالهای خودکار سازی استفاده از الگوریتمهایی برای تشخیص انواع ناهنجاریها بر اساس تصاویر رادیولوژی میباشد که در نهایت این امکان را برای رادیولوژیستها فرآهم می کند تا تمرکز خود را به مسائل غیر عادی و اساسیتر اختصاص دهند.
زمانی که یادگیری عمیق امکان پذیر شود و الگوریتم بتواند خود را آموزش دهد، رادیولوژیستها با ارزیابی این فرآیندها علاوه بر افزایش اثربخشی، رویکردی کل نگر و حل مسئله کسب میکنند. هوش مصنوعی در بررسی مسائلی غیر معمول و شناسایی جزئیات غیر معمول برای الگوریتمهای یادگیری عمیق دچار مشکل خواهد بود. اما در موارد رایج به خوبی می توانند کمک کننده باشند.
آیا هوش مصنوعی میتواند زمان مرگ را پیش بینی کند؟
گروهی از محققین در دانشگاه آدلاید در حال آزمایش نوعی از هوش مصنوعی هستند که گفته میشود توانایی پیش بینی زنده ماندن افراد را دارد. برای نمونه این هوش مصنوعی با استفاده از الگوریتمهای یادگیری عمیق و تجزیهوتحلیل سیتیاسکن ۴۸ بیمار با دقت ۶۹ درصد پیشبینی مرگومیر این بیماران در پنج سال آینده را داشته است. این میزان شبیه به پیشبینی تشخیص دهنده های انسانی بوده است. این سیستم یادگیری عمیق برای تجزیه و تحلیل از ۱۶ هزار ویژگی تصویری برای شناسایی نشانه های بیماری در اندام ها، آموزش دیده بود. با این حال استفاده از این هوش مصنوعی برای به دست آوردن متوسط امید به زندگی، در حال حاضر به طور کامل امکان پذیر نمی باشد.
چالشهای هوش مصنوعی در رادیولوژی
استفاده از یادگیری ماشینی در مقیاس وسیع نیاز به بررسی نحوی انجام این فرآیند دارد. در این فرآیند الگوریتم هزاران و بلکه میلیون ها تصویر را مورد بررسی و تفاوت های مربوط به بافت های مختلف را تشخیص میدهد. در صورت رخ دادن اشتباه، محقق ناظر مسئولیت اصلاح این روند را دارد. بنابراین یک فرآیند نسبتاً طولانی همراه با تعداد بسیار بالایی داده نیاز دارد. به اعتقاد محققان استفاده از آزمونی در حجم بالا، زمینه تجزیه و تحلیل گزارش اولیه الگوریتم را فرآهم میآورد.
در ساخت این پلتفرمهای اکتشافی و تحلیلی چالشهای متعددی وجود دارد از جمله دسترسی و دریافت دادهها، مقبولیت استفاده توسط بیمارستانها، حاشیهنویسی اطلاعات تکمیلی دادهها، استراتژی ذخیرهسازی، سیاستهای دولتی استفاده از آن، انواع تجزیه و تحلیل فعال شده از طریق پلتفرمها و امکان کشف در میان مجموعههای داده متصل در پلتفرم.
بهرهگیری از «جمعسپاری» ترکیبی داخلی و خارجی با دادههای ناشناس به اندازه کافی، این یک فرآیند گامبهگام خواهد برد. برای مثال یک فروشنده میتواند الگوریتمهای علم داده را بر اساس دادههای ناشناس شبکه بیمارستانی خود ایجاد کند، سپس بیمارستان جدید میتواند الگوریتم را به کار گرفته و آن را به مجموعه دادههای «محلی» ناشناس (که ممکن است شامل متغیرهای اضافی بیمار باشد) برای سفارشیسازی در جمعیت خود اصلاح کند.
چگونه همکاری هوش مصنوعی در حوزه پزشکی در سالها و دهههای آینده آشکار خواهد شد؟
Andrew Ng پنج سطح از خودکار سازی را از انسان(سطح ۱) تا کاملاً خودکار(سطح ۵) به طور خلاصه در شکل زیر عنوان میکند. و این سطوح را با مثالهای فعلی و سناریوهای آینده توضیح میدهد.
سطح ۱ (فقط انسان، بدون هوش مصنوعی): در این سطح هیچ هوش مصنوعی ای شامل هر روش پزشکی که دارای داده باشد و یا نباشد در این دسته قرار میگیرد. انسانها کار را در این سطح پایه انجام میدهند، چه کار دستی باشد و چه وارد کردن داده برای تولید یک فرآیند. اینها همچنین میتوانند شامل الگوریتمهای ساده باشند، اما نه توسط هوش مصنوعی.
به عنوان مثال چه جراحی باشد که جراحی را انجام میدهد یا یک محقق پزشکی که دادهها را برای یک متا آنالیز جمعآوری میکند، انسانی بدون کمک یک هوش مصنوعی هستند.
سطح ۲ (حالت سایه، معلم پزشک و هوش مصنوعی دانشجو)؛ در دانشکدههای پزشکی، دانش آموزان با پیروی از یک پزشک معین در اطراف بیمارستان، ترفندهای این حرفه را یاد میگیرند. آنها یادداشت برداری میکنند، سؤال میپرسند و میتوانند برخی معاینات فیزیکی را زیر نظر پزشک انجام دهند. این معمولاً به عنوان سایه شناخته میشود. هوش مصنوعی میتواند تحت یک فرآیند آموزش مشابه با یک حالت به اصطلاح «سایه» قرار گیرد.
به عنوان مثال، در حالی که یک پزشک تشخیص را بر اساس اشعه ایکس انجام میدهد، یک “کارآموز” این فرآیند را بدون دخالت در آن دنبال میکند. بنابراین الگوریتم را ثبت کرده، دقت پزشک را بررسی میکند و هر چیزی را که میتواند از یک تصمیم تشخیصی آینده توسط هوش مصنوعی پشتیبانی کند، ثبت میکند. همچنین از این فرآیند میتواند برای توسعه بیشتر هوش مصنوعی استفاده شود.
سطح ۳ (دستیار)؛ در این مرحله از طیف خودکارسازی، سیستم هوش مصنوعی از طریق پیشنهادهایی از پزشکان در تصمیمگیری بالینی پشتیبانی میکند.
به عنوان مثال، پس از اسکن یک پایگاه داده از سیتیاسکن قفسه سینه، هوش مصنوعی نتایج CT قفسه سینه بیمار مورد بررسی را در نظر میگیرد و علائم مشکوک را برجسته میکند. سپس این علائم توسط پزشک بیشتر بررسی میشود.
سطح ۴ (خودکار سازی جزئی)؛ با خودکارسازی جزئی، یک سیستم هوش مصنوعی میتواند تشخیص خود را ارائه دهد. اما اگر بهاندازه کافی در مورد آن اطمینان نداشته باشد، هوش مصنوعی به پزشکان مراجعه میکند. امروزه چندین شرکت روی چنین راهحلهایی کار میکنند.
از جمله سیستم هوش مصنوعی Behold.ai، مبتنی بر طبقه بندی تصویر دریافتی از اشعه ایکس قفسه سینه و حتی میتواند تصویر اشعه ایکس غیرطبیعی قفسه سینه بیماران COVID-19 را شناسایی کند. این میتواند به “تریاژ فوری” برای تسریع تشخیص و تخصیص منابع بر اساس آن کمک کند. همچنین شرکت Nines با طراحی یک سیستم هوش مصنوعی که توانایی شناسایی موارد بالقوه خونریزی داخل جمجمه و توده در سیتیاسکن و سپس علامت گذاری آن موارد برای بررسی رادیولوژیستها را بر عهده دارد.
سطح ۵ (خودکار سازی کامل): همانطور که از نام آن پیداست، فرآیندهای خودکارسازی کامل به تنهایی توسط یک هوش مصنوعی انجام میشود و دخالت انسان را در بر نمیگیرد.
به عنوان مثال، یک سیستم سطح 5 میتواند ماموگرافی را به تنهایی تجزیه و تحلیل کند و بدون مشورت با پزشک انسانی برای این تصمیم، آزمایش بعدی را درخواست کند.
در نهایت کارشناسان بر این موضوع تاکید دارند که هوش مصنوعی رادیولوژی را در دراز مدت متحول خواهد کرد. بنابراین به جای نادیده گرفتن آن یا احساس خطر از آن، جامعه پزشکی باید دستاوردهای آن را بپذیرد. گرچه بخش بزرگی از کار هایی که رادیولوژیستها امروز انجام میدهند خودکار شوند از جمله تمام کار های تکراری و مبتنی بر داده، اما این موضوع ظرفیتهایی را برای تکالیف پیچیدهتر فراهم میکند و همچنین فناوریهای مبتنی بر هوش مصنوعی توسط رادیولوژیستها طراحی و کنترل میشود.