در یک مرکز مراقبتهای اولیه، از شبکیهی بیمار دیابتی عکس میگیرند و چند ثانیه بعد نرمافزار یکی از دو پاسخ را میدهد: «به متخصص چشم ارجاع بده» یا «یک سال بعد دوباره غربالگری کن». این صحنه خیالی نیست. FDA آمریکا در آوریل ۲۰۱۸ سامانه IDx-DR را مجاز کرد؛ نخستین دستگاهی که چنین تصمیم غربالگری را بدون تفسیر پزشک ارائه میداد. امروز کاربرد هوش مصنوعی در پزشکی و بهداشت بسیار گستردهتر شده است. از تشخیص بیماریها و تحلیل تصاویر پزشکی تا پیشبینی خطر، توسعه دارو و مدیریت خدمات درمانی، این فناوری بخشهای مختلف نظام سلامت را تحت تأثیر قرار داده است. بااینحال، همهی ادعاهایی که درباره تواناییهای آن مطرح میشوند، قابل اتکا نیستند.
در این مقاله، کاربردهای هوش مصنوعی در پزشکی، مهمترین ابزارهای این حوزه و محدودیتهای آنها را بررسی میکنیم. مطالب بر پایه منابعی مانند سازمان جهانی بهداشت، FDA و آکادمی ملی پزشکی آمریکا تنظیم شدهاند و جایگزین مشاوره و تشخیص پزشک نیستند.
هوش مصنوعی در پزشکی دقیقاً چه کاری انجام میدهد؟
هوش مصنوعی در پزشکی به استفاده از الگوریتمها و مدلهای رایانهای برای تحلیل اطلاعات سلامت، شناسایی الگوها و کمک به انجام وظایف پزشکی و درمانی گفته میشود. این سامانهها میتوانند تصاویر پزشکی را بررسی کنند، اطلاعات پرونده بیماران را تحلیل کنند یا احتمال بروز بعضی بیماریها را برآورد کنند.
بیشتر سامانههای امروزی هوش مصنوعی، از نوع «محدود» هستند. یعنی برای انجام یک وظیفه مشخص با استفاده از دادههای مرتبط آموزش دیدهاند؛ برای مثال، خواندن نوع خاصی از تصویر پزشکی یا برآورد احتمال بروز یک عارضه. آکادمی ملی پزشکی آمریکا نیز تأکید میکند که هوش مصنوعی فعلی چنین ماهیتی دارد و نمیتوان توانایی آن را با استدلال گسترده و قضاوت بالینی یک پزشک مقایسه کرد.
در این میان، یادگیری ماشین در پزشکی نقش مهمی دارد. الگوریتمهای یادگیری ماشین با تحلیل دادههای قبلی، الگوهای مرتبط با بیماریها را شناسایی میکنند. یادگیری عمیق نیز با استفاده از شبکههای عصبی چندلایه، در تحلیل تصاویر پزشکی و شناسایی الگوهای پیچیده کاربرد دارد.
بنابراین، هوش مصنوعی در بهداشت و درمان بیشتر شبیه یک دستیار تخصصی است تا یک پزشک دوم. این فناوری میتواند اطلاعات را سریعتر تحلیل کند و به تصمیمگیری متخصصان کمک کند، اما مسئولیت تشخیص و انتخاب روش درمان همچنان اهمیت نظارت انسانی را حفظ میکند.
کاربردهای اصلی هوش مصنوعی در پزشکی و بهداشت
سازمان جهانی بهداشت در راهنمای سال ۲۰۲۴ خود درباره مدلهای بزرگ چندوجهی، پنج کاربرد اصلی را برای این فناوریها در حوزه سلامت معرفی کرده است:
• تشخیص و مراقبت بالینی: پاسخ به پرسشهای بیماران و کمک به تصمیمگیری پزشکان.
• استفاده مستقیم بیماران: جستوجوی اطلاعات درباره علائم و گزینههای درمانی.
• کارهای اداری: ثبت، خلاصهسازی و مستندسازی ویزیتها در پرونده سلامت.
• آموزش پزشکی و پرستاری: شبیهسازی شرایط بیمار برای تمرین دانشجویان.
• پژوهش و توسعه دارو: کمک به تحلیل متون علمی و دادههای پژوهشی.
در کنار این موارد، کاربرد هوش مصنوعی در تشخیص بیماری از طریق تحلیل تصاویر و پیشبینی خطر نیز یکی از مهمترین حوزههای استفاده از این فناوری است.
۱. تشخیص بیماری با هوش مصنوعی و تحلیل تصاویر پزشکی
یکی از شناختهشدهترین کاربردهای هوش مصنوعی در پزشکی، شناسایی نشانههای بیماری از طریق تحلیل تصاویر پزشکی است. الگوریتمهای یادگیری عمیق میتوانند تصاویر رادیولوژی، MRI، سیتیاسکن و عکسهای شبکیه را بررسی کنند و ناهنجاریهای احتمالی را به متخصصان نشان دهند.
برای مثال، برخی سامانهها برای شناسایی نشانههای سرطان در تصاویر پزشکی یا بررسی تغییرات بافتی آموزش دیدهاند. این فناوری در تصویربرداری پزشکی با هوش مصنوعی میتواند به اولویتبندی تصاویر مشکوک و کاهش زمان بررسی کمک کند.
طبق گزارشی که به فهرست رسمی FDA استناد دارد، تا ۱۰ ژوئیه ۲۰۲۵ حدود ۱٬۲۴۷ دستگاه پزشکی دارای هوش مصنوعی در این فهرست ثبت شده بودند. ۹۵۶ مورد، یعنی حدود ۷۷ درصد، به حوزه رادیولوژی تعلق داشتند. این آمار نشان میدهد ورود ابزارهای هوشمند به محیط بالینی بیش از هر چیز از مسیر تحلیل تصاویر پزشکی انجام شده است.
IDx-DR نمونهای مناسب برای درک تواناییها و محدودیتهای این فناوری است. طبق گزارش یوپیآی، در آزمایش بالینی روی ۹۰۰ بیمار در ده مرکز مراقبتهای اولیه، حساسیت این سامانه برای تشخیص رتینوپاتی دیابتی بیش از خفیف ۸۷٫۴ درصد و ویژگی آن ۸۹٫۵ درصد گزارش شد.
این سامانه تصویر شبکیه را بررسی میکند و یکی از دو پاسخ را ارائه میدهد: ارجاع بیمار به متخصص یا تکرار غربالگری پس از یک سال. البته این نتایج به معنای تشخیص بدون خطا نیستند. هدف سامانه، تسریع تصمیم اولیه برای غربالگری است، نه جایگزینی معاینه کامل چشم.
۲. پیشبینی خطر بیماریها و کمک به پیشگیری
هوش مصنوعی در پیشگیری از بیماریها نیز کاربردهای مهمی دارد. مدلهایی که با استفاده از سوابق پزشکی و اطلاعات بیماران آموزش میبینند، میتوانند احتمال بروز برخی عوارض را برآورد کنند. برای مثال، یک الگوریتم ممکن است با بررسی سوابق بیمار، احتمال بستری مجدد یا بروز یک مشکل پزشکی را تخمین بزند.
این قابلیت میتواند به پزشکان کمک کند تا افراد در معرض خطر را زودتر شناسایی کنند و اقدامات پیشگیرانه مناسبی در نظر بگیرند. تحلیل دادههای سلامت در مقیاس گسترده همچنین میتواند برای بررسی الگوهای شیوع بیماریها و برنامهریزی خدمات بهداشتی مفید باشد.
بااینحال، پیشبینی خطر با استفاده از دادههای مشاهدهای همیشه قابل اعتماد نیست. آکادمی ملی پزشکی آمریکا نمونهای از مدلی را مطرح میکند که بیماران مبتلا به ذاتالریه و آسم را کمخطرتر ارزیابی میکرد. علت این بود که این بیماران معمولاً سریعتر به مراقبتهای ویژه منتقل میشدند و در نتیجه، پیامد درمانی بهتری داشتند. مدل رابطه میان شرایط بیمار و نتیجه درمان را بهدرستی تفسیر نکرده بود.
این مثال نشان میدهد که حتی مدلهای دقیق نیز ممکن است تحت تأثیر سوگیری دادهها یا برداشت نادرست از روابط آماری قرار بگیرند.
۳. هوش مصنوعی در درمان بیماریها و پزشکی شخصیسازیشده
یکی دیگر از حوزههای مهم، استفاده از هوش مصنوعی برای کمک به انتخاب روش درمانی است. در پزشکی شخصیسازیشده، تلاش میشود تصمیمهای درمانی با توجه به شرایط هر بیمار، سوابق پزشکی و ویژگیهای زیستی او اتخاذ شوند.
سامانههای هوشمند میتوانند حجم زیادی از اطلاعات را تحلیل کنند و الگوهایی را شناسایی کنند که بررسی دستی آنها دشوار است. این اطلاعات ممکن است در انتخاب یا ارزیابی گزینههای درمانی به پزشکان کمک کنند.
هوش مصنوعی در درمان بیماریها همچنین میتواند در بررسی پاسخ بیماران به درمان و تحلیل دادههای حاصل از آزمایشهای پزشکی نقش داشته باشد. البته پیشنهاد الگوریتم بهتنهایی برای انتخاب یک روش درمانی کافی نیست و باید شواهد علمی و شرایط بالینی بیمار نیز در نظر گرفته شوند.
۴. کاربرد هوش مصنوعی در جراحی و پزشکی رباتیک
هوش مصنوعی در جراحی بیشتر با تحلیل تصاویر، برنامهریزی پیش از عمل و کمک به هدایت ابزارهای پزشکی شناخته میشود. برخی سامانههای رباتیک میتوانند حرکات جراح را با دقت بالا اجرا کنند یا اطلاعات تصویری را برای هدایت بهتر فرایند جراحی در اختیار تیم درمان قرار دهند.
در این زمینه باید میان جراحی رباتیک و جراحی خودکار تفاوت قائل شد. بسیاری از ابزارهای رباتیک، تحت کنترل مستقیم جراح فعالیت میکنند و صرفاً به افزایش دقت یا کنترل ابزارها کمک میکنند. بنابراین، استفاده از ربات در اتاق عمل به معنای انجام مستقل جراحی توسط هوش مصنوعی نیست.
۵. هوش مصنوعی در داروسازی و کشف داروهای جدید
توسعه دارو فرایندی زمانبر و پیچیده است. پژوهشگران باید ترکیبات مختلف را بررسی کنند، ویژگیهای مولکولی را بشناسند و ایمنی و اثربخشی گزینههای احتمالی را ارزیابی کنند. هوش مصنوعی در داروسازی میتواند بخشی از این فرایند را با تحلیل دادههای زیستی و شیمیایی تسهیل کند.
الگوریتمهای هوشمند در مراحل اولیه پژوهش میتوانند به شناسایی ترکیبات امیدوارکننده، بررسی ساختار پروتئینها و پیشبینی برخی ویژگیهای مولکولی کمک کنند. بااینحال، پیشبینی یک مدل به معنای اثبات اثربخشی دارو نیست. پیشنهادهای تولیدشده همچنان باید در آزمایشگاه و مراحل مختلف آزمایش بالینی بررسی شوند.
یکی از نمونههای شناختهشده در این حوزه، AlphaFold است. این برنامه که توسط دیپمایند توسعه یافته، ساختار سهبعدی پروتئینها را بر اساس ترتیب اسیدهای آمینه پیشبینی میکند. توسعهدهندگان نسخه دوم آن در سال ۲۰۲۴ نیمی از جایزه نوبل شیمی را دریافت کردند. طبق گزارش Scientific American، این فناوری تا سال ۲۰۲۲ ساختار حدود ۲۰۰ میلیون پروتئین را پیشبینی کرده بود.
AlphaFold یک ابزار پژوهشی است و برای تشخیص بیماری در بیماران استفاده نمیشود. اهمیت آن در پژوهشهای زیستی و طراحی دارو به این دلیل است که شناخت ساختار پروتئینها میتواند در درک عملکرد آنها و بررسی اهداف احتمالی دارویی مؤثر باشد.
۶. مراقبتهای بهداشتی و پایش وضعیت بیماران
هوش مصنوعی در مراقبتهای بهداشتی فقط به بیمارستانها و مراکز تخصصی محدود نمیشود. برخی ابزارهای پوشیدنی و تجهیزات هوشمند، اطلاعاتی مانند ضربان قلب و سایر شاخصهای مرتبط با سلامت را ثبت میکنند. الگوریتمهای هوش مصنوعی میتوانند این دادهها را تحلیل کنند و در صورت مشاهده تغییرات غیرعادی، هشدارهایی ارائه دهند.
این قابلیت در مراقبت از بیماران مبتلا به بیماریهای مزمن، پیگیری وضعیت افراد سالمند و توسعه خدمات پزشکی از راه دور اهمیت دارد. پزشکان میتوانند با استفاده از اطلاعات جمعآوریشده، تغییرات وضعیت بیمار را بهتر بررسی کنند.
البته هشدار یک ابزار هوشمند بهتنهایی به معنای تشخیص بیماری نیست. دادههای این تجهیزات باید با توجه به وضعیت واقعی بیمار و نظر متخصص تفسیر شوند.
۷. مدیریت بیمارستان و خدمات درمانی
یکی دیگر از کاربردهای هوش مصنوعی، بهینهسازی فرایندهای اداری و مدیریتی مراکز درمانی است. هوش مصنوعی در مدیریت بیمارستان میتواند برای تحلیل اطلاعات، مدیریت نوبتدهی، پیشبینی نیاز به تخت و تجهیزات و کاهش برخی کارهای تکراری استفاده شود.
این فناوری همچنین میتواند در ثبت اطلاعات ویزیت، خلاصهسازی مکالمات پزشک و بیمار و سازماندهی پروندههای الکترونیک سلامت نقش داشته باشد. در نتیجه، بخشی از زمان کارکنان درمانی که صرف امور اداری میشود، میتواند کاهش پیدا کند.
مهمترین ابزارهای هوش مصنوعی در پزشکی
وقتی کسی میپرسد «چه ابزارهایی از هوش مصنوعی در پزشکی استفاده میشوند؟»، پاسخ یک نرمافزار واحد نیست. ابزارهای مختلفی برای تحلیل تصاویر، پیشبینی ساختارهای زیستی، پردازش اطلاعات پزشکی و مستندسازی خدمات درمانی طراحی شدهاند.
در ادامه، چند نمونه شناختهشده را بررسی میکنیم. این ابزارها کاربردهای متفاوتی دارند و برخی از آنها اساساً برای پژوهش ساخته شدهاند، نه تشخیص مستقیم بیماران.
IDx-DR؛ غربالگری رتینوپاتی دیابتی
این سامانه عکس شبکیه را تحلیل میکند و یکی از دو پاسخ ارجاع به متخصص یا تکرار غربالگری پس از یک سال را ارائه میدهد. IDx-DR در سال ۲۰۱۸ مجوز FDA گرفت و نخستین دستگاه از این نوع بود که بدون تفسیر پزشک تصمیم غربالگری ارائه میکرد.
در آزمایش بالینی آن، حساسیت ۸۷٫۴ درصد و ویژگی ۸۹٫۵ درصد گزارش شد. مهمترین مزیت این سامانه، امکان انجام غربالگری در مراکز مراقبتهای اولیه است. البته کاربرد آن به همین بیماری و نوع مشخصی از تصویر محدود میشود.
Viz.ai؛ هشدار سریع برای سکته مغزی
Viz.ai پلتفرمی مبتنی بر یادگیری عمیق است که تصاویر سیتی آنژیوگرافی را برای شناسایی انسداد عروق بزرگ مغز تحلیل میکند. این سامانه میتواند تصاویر مشکوک را علامتگذاری کند و اطلاعات را برای بررسی سریعتر به متخصصان بفرستد.
FDA در فوریه ۲۰۱۸ این نرمافزار را بهعنوان نخستین پلتفرم هوشمند اولویتبندی و اطلاعرسانی برای این نوع سکته مجاز کرد. طبق مطالعهای شامل ۳۰۰ بیمار که در خبر شرکت منتشر شده، میانه زمان اطلاعرسانی کمتر از ۶ دقیقه بود. ازآنجاکه این آمار در گزارش خود شرکت مطرح شده، برای استناد قطعی بهتر است مقاله پژوهشی مستقل نیز بررسی شود.
نقش اصلی Viz.ai هشدار و تسریع ارتباط میان اعضای تیم درمان است؛ تصمیم نهایی درباره درمان همچنان بر عهده متخصصان قرار دارد.
AlphaFold؛ پیشبینی ساختار پروتئین
AlphaFold ابزار پژوهشی توسعهیافته توسط دیپمایند است که ساختار سهبعدی پروتئینها را از روی توالی اسیدهای آمینه پیشبینی میکند. این ابزار در پژوهشهای زیستی و بررسی اهداف احتمالی دارویی کاربرد دارد.
AlphaFold مستقیماً برای تشخیص بیمار طراحی نشده است، اما اطلاعات حاصل از آن میتواند به پژوهشگران در شناخت بهتر پروتئینها و مطالعه فرایندهای زیستی کمک کند.
Med-PaLM 2؛ مدل زبانی پزشکی گوگل
Med-PaLM 2 مدلی زبانی است که برای پاسخگویی به پرسشهای پزشکی توسعه یافته است. طبق چکیده مقاله گوگل، این مدل در مجموعه MedQA که شامل پرسشهای سبک آزمون پزشکی آمریکا است، به امتیاز ۸۶٫۵ درصد رسید.
بااینحال، عملکرد موفق در آزمون به معنای توانایی تشخیص قابل اعتماد در محیط واقعی درمان نیست. در مطالعه آزمایشی پرسشهای واقعی نیز پزشکان متخصص در مجموع پاسخهای متخصصان انسانی را بیشتر ترجیح دادند. بنابراین، Med-PaLM 2 را باید یک نمونه پژوهشی دانست، نه محصول تأییدشده برای تشخیص بیماران.
چتباتهای عمومی و ابزارهای ثبت ویزیت
مدلهای زبانی عمومی مانند ChatGPT نیز میتوانند برای توضیح مفاهیم پزشکی، خلاصهسازی اطلاعات و پاسخگویی به پرسشهای عمومی استفاده شوند. سازمان جهانی بهداشت در راهنمای سال ۲۰۲۴ خود درباره مدلهای مولد، به کاربرد این ابزارها در سلامت اشاره کرده و درباره اطلاعات نادرست، سوگیری و تهدیدهای حریم خصوصی هشدار داده است.
در بخش اداری نیز ابزارهایی مانند DAX Copilot شرکت Nuance برای مستندسازی ویزیتها و ثبت اطلاعات پزشکی توسعه یافتهاند. این ابزارها با هدف کاهش کارهای تکراری و کمک به تهیه یادداشتهای بالینی استفاده میشوند. بااینحال، اطلاعات تولیدشده باید توسط پزشک بازبینی شوند.
مزایا و محدودیتهای هوش مصنوعی در پزشکی چیست؟
گسترش کاربرد هوش مصنوعی در پزشکی و بهداشت فرصتهای زیادی برای بهبود خدمات سلامت ایجاد کرده است. بااینحال، این فناوری محدودیتهایی دارد که هنگام استفاده از آن باید جدی گرفته شوند.
مهمترین مزایای هوش مصنوعی در پزشکی عبارتاند از:
• افزایش سرعت تحلیل اطلاعات: بررسی حجم زیادی از تصاویر و دادههای پزشکی در زمان کوتاهتر.
• بهبود دسترسی به خدمات: امکان انجام برخی غربالگریها در مراکزی که به متخصصان مربوط دسترسی محدودی دارند.
• کمک به تشخیص زودهنگام: شناسایی برخی الگوهای غیرعادی در تصاویر یا سوابق سلامت.
• کاهش بار اداری: خودکارسازی بخشی از مستندسازی و کارهای تکراری.
• حمایت از تصمیمگیری بالینی: فراهم کردن اطلاعات تکمیلی برای بررسی گزینههای درمانی.
در مقابل، مهمترین محدودیتها و چالشها شامل موارد زیر هستند:
• تغییر دادهها: مدلی که روی یک جمعیت یا دستگاه خاص آموزش دیده، ممکن است در محیطی متفاوت عملکرد ضعیفتری داشته باشد.
• سوگیری الگوریتمی: دادههای آموزشی ناقص یا ناعادلانه میتوانند نتایج نادرست و تبعیضآمیز ایجاد کنند.
• توضیحناپذیری: در برخی مدلها مشخص نیست چرا یک نتیجه خاص تولید شده است.
• وابستگی بیشازحد: اعتماد بیچونوچرا به خروجی سیستم ممکن است باعث نادیده گرفتن نشانههای مهم پزشکی شود.
• امنیت اطلاعات: نگهداری و پردازش دادههای حساس بیماران، خطر افشای اطلاعات و نقض حریم خصوصی را به همراه دارد.
هنگام استفاده از ابزارهای هوش مصنوعی پزشکی به چه نکاتی توجه کنیم؟
بیماران و همراهان آنها باید بدانند که هر نرمافزار یا سامانهای که از هوش مصنوعی استفاده میکند، لزوماً برای تشخیص یا درمان بیماری تأیید نشده است. پیش از اعتماد به نتیجه چنین ابزاری، میتوان چند پرسش مهم مطرح کرد:
۱. آیا این ابزار برای کاربرد مشخص خود مجوز یا تأییدیه نهاد ناظر را دریافت کرده است؟
۲. آیا پزشک نتیجه را بررسی میکند یا تصمیم نهایی صرفاً توسط نرمافزار گرفته میشود؟
۳. این سامانه روی چه جمعیتی آزمایش شده است و آیا شرایط آنها با وضعیت بیمار شباهت دارد؟
۴. اطلاعات بیمار کجا و برای چه مدتی نگهداری میشوند؟
۵. آیا نتیجه تولیدشده توسط ابزار با شواهد پزشکی و نظر متخصص تطبیق داده میشود؟
پاسخ به این پرسشها کمک میکند تا افراد تفاوت میان یک ابزار اطلاعاتی، یک سامانه پژوهشی و یک محصول پزشکی تأییدشده را بهتر درک کنند.
پرسشهای متداول
آیا هوش مصنوعی جای پزشک را میگیرد؟
خیر. هوش مصنوعی به تشخیص و درمان کمک میکند، اما جایگزین تخصص و قضاوت پزشک نیست.
آیا میتوان برای تشخیص بیماری از چتباتهای هوش مصنوعی استفاده کرد؟
چتباتها برای دریافت اطلاعات عمومی مفیدند، اما ممکن است پاسخ نادرست بدهند و جایگزین تشخیص پزشک نیستند.
مهمترین کاربرد هوش مصنوعی در پزشکی چیست؟
تحلیل تصاویر پزشکی، تشخیص بیماری، پیشبینی خطر، کمک به درمان و کشف دارو از مهمترین کاربردهای آن هستند.
هوش مصنوعی چگونه به کشف دارو کمک میکند؟
با تحلیل دادههای زیستی و شیمیایی، شناسایی ترکیبات دارویی و پیشبینی ساختار پروتئینها به پژوهشگران کمک میکند.
آیا کاربرد هوش مصنوعی در پزشکی برای بیماران ایرانی نیز قابل استفاده است؟
بله، اما استفاده بالینی از این فناوری به زیرساختها، مجوزها و مقررات وزارت بهداشت ایران بستگی دارد.
نتیجهگیری؛ هوش مصنوعی دستیار پزشک، نه جایگزین او
کاربرد هوش مصنوعی در پزشکی و بهداشت از تحلیل تصاویر و تشخیص برخی الگوهای بیماری تا پیشبینی خطر، پزشکی شخصیسازیشده و کشف دارو گسترش یافته است. این فناوری میتواند سرعت تحلیل اطلاعات را افزایش دهد، به دسترسی بهتر به برخی خدمات کمک کند و بخشی از کارهای تکراری مراکز درمانی را کاهش دهد.
بااینحال، محدودیت دادهها، خطای الگوریتمی، سوگیری و تهدیدهای امنیتی نشان میدهند که استفاده از این ابزارها به نظارت و ارزیابی مستمر نیاز دارد. بهترین رویکرد، بهرهگیری از توانایی هوش مصنوعی در کنار دانش و تجربه متخصصان است.
پیش از استفاده از هر ابزار پزشکی مبتنی بر هوش مصنوعی، درباره مجوز، محدودیتها و نقش پزشک در فرایند تصمیمگیری سؤال کنید. در نهایت، هیچ خروجی نرمافزاری نباید بهتنهایی مبنای تصمیمگیری درباره سلامت و درمان شما قرار بگیرد.