تاثیر هوش مصنوعی در بهداشت و سلامت

تعریف هوش مصنوعی (Artificial Intelligence): به ماشینی که قادر است هوشمندی انسان را تقلید کند یا حتی عملکرد بهتری در وظیفه محوله داشته باشد، مثل پیش بینی یا استنتاج؛  ولی در اینجا فقط به کاربرد های آن در حوزه سلامت می پردازیم.

 قبل از آن باید چند مفهوم را بیاموزیم.

در سال های اخیر خبرهای زیادی در مورد هوش مصنوعی شنیده ایم. شاید خیلی از ما ندانیم که منظور از هوش مصنوعی دقیقا چیست و چه کاربردی دارد.

شاید حتی ندانسته از آن استفاده کرده باشیم. یکی از مثال‌ها می‌تواند PubMed باشد، که یک موتور جستجوی پرکاربرد برای مقالات پزشکی است.

فناوری‌های هوش مصنوعی که توسط PubMed پیاده‌سازی شده است، الگوهای موجود در فعالیت‌های کاربران را تحلیل می کند تا جستجوی یک کاربر را بهبود بخشند.

یادگیری ماشین (Machine Learning) به سیستم‌ها کمک می‌کند تا به صورت خودکار یاد بگیرند و پیشرفت کنند.

با استفاده از یادگیری ماشین، یک سیستم می‌تواند با تجزیه و تحلیل تجربیات و مشاهداتی که بر اساس یک مجموعه اطلاعات ارائه شده است، آموزش ببیند.

به طور ساده‌تر می‌توان گفت که یادگیری ماشین مجموعه‌ای از روش‌ها و الگوریتم‌ها است که به سیستم‌ها اجازه می‌دهد از داده‌ها یاد بگیرند و الگوها را تشخیص دهند، بدون این که به صورت صریح برنامه‌ریزی شوند.

فرض کنید یک متخصص قلب آموزش دیده که تفاوت نوار قلب طبیعی و غیرطبیعی را تشخیص دهد، و نوار قلب های بی شماری را بررسی می کند. مهارت و دانش پزشک در اینجا می تواند در حفظ جان بیمار تاثیر داشته باشد، خطای انسانی هم بی تاثیر نخواهد بود.

اما تصور کنید یک مجموعه کد به صورت مستمر داده های بزرگی از میلیون ها نوار قلب و بیماری های مرتبط تائید شده بیماران را در مجموعه داده خود بررسی می کند و با هر بررسی عملکرد خود را بهبود می بخشد و می تواند با حداقل خطا در شناسایی بیماری های قابل تشخیص از نوار قلب عمل کند.

مفهوم “Big Data” به فارسی به عنوان “داده‌های بزرگ” تعریف می‌شود. این عبارت به مجموعه‌ای از داده‌های بسیار حجیم و پیچیده اشاره دارد که به صورت مستمر و با سرعت بالا تولید می‌شوند و با استفاده از فناوری‌های مختلف جمع‌آوری، ذخیره، پردازش و تحلیل می‌شوند.

داده‌های بزرگ معمولاً شامل انواع مختلفی از داده‌ها مانند متن، تصاویر، صدا، ویدیو و داده‌های حسی می باشد و به عنوان یک منبع ارزشمند در شناخت الگوها، روندها و ارتباطات در زمینه‌های مختلف مورد استفاده قرار می‌گیرد. مثلا داده های نوار قلب تمام بیمارستان های تخصصی قلب ایران یک Big Data  به حساب می آید.

یادگیری عمیق (Deep Learning)، یک نوع یادگیری ماشینی است که بر روی هدف تقلید ساختار ذهن انسان در یادگیری متمرکز می‌شود. این رویکرد به طور عمده بر مدل‌های عصبی عمیق متکی است و سعی دارد الگوها و ارتباطات پیچیده‌تری را مانند انسان در داده‌ها شناسایی و تحلیل کند.

در واقع یادگیری عمیق با استفاده از روش‌های آماری و مدل‌سازی پیش‌بینی، توانایی تشخیص الگوها و استخراج ویژگی‌های پنهان در داده‌ها را دارد.

به طور ساده‌تر می‌توان گفت که یادگیری عمیق به شبکه‌های عصبی عمیق متکی است که به نحوی ساختار ذهن انسان را تقلید می‌کنند و توانایی تشخیص الگوها و تحلیل داده‌های پیچیده را دارا می‌باشند.

مسلما  توانایی بررسی تمامی این داده ها توسط انسان امکان پذیر نیست.

هم چنین می توان از هوش مصنوعی در کشف و توسعه دارو ها کمک گرفت؛ برای مثال stokes و همکارانش با استفاده از یک الگوریتم هوش مصنوعی یک میلیارد مولکول دارویی را غربالگری کردند، و 107 میلیون مولکولی که احتمال خواص ضد میکروبی دارند را بصورت مجازی تست کردند و حدود 8 مولکول با ساختاری متفاوت از آنتی بیوتیک های شناخته شده پیدا کردند.

با کمک هوش مصنوعی می توان  از برخی بیماری ها پیشگیری کرد، مثلا داده های توالی های ژنتیکی یک جمعیت می تواند سال ها زودتر از بروز بیماری آن را پیش بینی کند و با راهکارهای پیشگیرانه از بروز آن جلوگیری کند، یا زمان آن را به تعویق بیاندازد و یا آن را تخفیف بخشد.

با این وجود، باید در نظر داشت که هوش مصنوعی توانایی درک بسیاری از عواطف و هنجارهای انسانی را نداشته و امکان نقض برخی از موارد با استفاده از آن وجود خواهد داشت. 

خطرات هوش مصنوعی

در آینده نزدیک هوش مصنوعی مشاغل زیادی را با اتوماسیون از بین خواهد برد؛ اما به اعتقاد بسیاری مشاغل زیادی هم ایجاد خواهد کرد.

شاید تعداد مشاغلی که به وجود می آیند بسیار کمتر از مشاغل فعلی باشد. به هر حال ما در یکی از جالب ترین لحظات تاریخ قرار داریم.

این روزها شرکت های مختلف در حوزه هوش مصنوعی عنوان شغلی به نام Prompt Engineering ایجاد کرده اند که حقوق بسیار بالایی هم دارد.

ساده‌ترین تعریف Prompt Engineering چگونگی ارتباط ما با هوش مصنوعی است.

روشی که به هوش مصنوعی بگوییم چه می‌خواهیم و چگونه می‌خواهیم، برای مثال در روز های اولیه در دسترس قرار گرفتن Chatgpt افرادی سعی می کردند که پاسخ های این هوش مصنوعی را دور بزنند.

مثلا از آن می خواستند که فرامین اولیه خود را فراموش کند و به تمامی سوالات پاسخ دهد، اما باید توجه داشت که این هوش مصنوعی از پاسخ دادن به سوالات با موضوعات حساس مثل نژاد پرستی و . . . منع شده است.

حریم خصوصی و امنیت داده‌ها

استفاده از هوش مصنوعی نیازمند استفاده از حجم زیادی از داده‌های شخصی بیماران و حافظه‌های ابری است. این موضوع می‌تواند حریم خصوصی و امنیت داده‌ها را به خطر بیندازد.

تأمین امنیت مناسب و رعایت حریم خصوصی در هوش مصنوعی بسیار حائز اهمیت است. مثلا فرض کنید اگر داده های ژنتیکی یک جمعیت به دست شرکت های بیمه بیفتد این احتمال وجود دارد که با دانستن زمینه بیماری افراد، و به منظور افزایش سود، از بیمه کردن آنها خودداری کنند.

البته قانون گذاری مناسب در این حوزه می تواند از بروز این مشکلات جلوگیری کند، یا مثلا شرکت های بیمه می توانند با در نظر گرفتن درمان مناسب فرد، مورد نظر را تحت پوشش بیمه قرار دهند.

آینده تقریبا در همه موارد با سرعت زیاد به سمت شخصی سازی حرکت می کند. زمانی که درمان شخصی سازی می شود بیمه ها هم شخصی سازی خواهند شد.

1. اعتماد به هوش مصنوعی: برای قبول و اعتماد به تصمیماتی که توسط هوش مصنوعی اتخاذ می‌شوند، نیاز به شفافیت و قابل فهم بودن عملکرد آن وجود دارد. تضمین اعتماد و اعتبار هوش مصنوعی با توجه به دلایل تصویری و اثبات کارکرد آن ضروری است. هوش مصنوعی راه طولانی در پیش دارد، برای مثال در تحلیل داده های نوار قلب اگر بیمار انگشتر به دست داشته باشد یا دستش را روی سینه خود قرار داده باشد، ممکن است هوش مصنوعی به اشتباه بیفتد. داده هایی که هوش مصنوعی با آن آموزش می بیند باید نویز (نوعی نشانه مخصوص) داشته باشد، تا در صورت بروز نویز احتمالی قابلیت تمیز دادن بین داده های بدون نویز و با نویز را داشته باشد. برای همین متخصصان هوش مصنوعی به عمد به داده های خود نویز اضافه می کنند.
2. تبعات اجتماعی و اخلاقی: استفاده از هوش مصنوعی در بهداشت می‌تواند تبعات اجتماعی و اخلاقی مختلفی داشته باشد. برای مثال نگرانی‌هایی وجود دارد که استفاده از هوش مصنوعی در تصمیم‌گیری‌های پزشکی می‌تواند منجر به نادیده گرفتن ارزش‌های اخلاقی و فرهنگی شود. هم چنین مسائلی مانند توزیع عادلانه و دسترسی برابر به فناوری هوش مصنوعی نیز در برخی جوامع مطرح است. هر جامعه ای هنجار های اخلاقی مربوط به خود را دارد که باید در تصمیم گیری های نهایی هوش مصنوعی اعمال گردد.

هوش مصنوعی به عنوان یک فناوری قدرتمند در بهداشت به ما امکان می‌دهد تا بهبود قابل توجهی را در سه شاخه اصلی سلامت یعنی تشخیص، درمان و مدیریت بیماری‌ها ببینیم.

با این حال برای موفقیت و پذیرش گسترده این فناوری، باید خطرات مرتبط و مسائل اخلاقی و اجتماعی را مد نظر داشته باشیم.

قانون گذاری حوزه سلامت و بهداشت با توجه به پیشرفت سریع علم باید مرتب به روزرسانی شود تا سد راه دانشمندان این حوزه قرار نگیرد.

تضمین حریم خصوصی، شفافیت در عملکرد هوش مصنوعی، اعتماد سازی عمومی، و تعامل با توسعه فناوری به عنوان مبانی اصلی اجرای موثر هوش مصنوعی در بهداشت است.

در حوزه هوش مصنوعی اصطلاحی به عنوان Black Box وجود دارد و بدین معنی است که دانشمندان این حوزه، هوش مصنوعی را آموزش می دهند، اما این که چگونه تصمیم می گیرد هنوز جای سوال دارد.

امکان مشخص کردن این که هوش مصنوعی به چه مواردی در تصمیم گیری توجه می کند وجود دارد، اما این که دقیقا چگونه تصمیم می گیرد هنوز مشخص نیست و این موضوع می تواند حساسیت زیادی را برانگیخته کند و استفاده از این تکنولوژی انقلابی را به تاخیر بیاندازد.

با رعایت این اصول می‌توانیم از توانمندی‌های هوش مصنوعی بهره‌برداری کنیم و بهبود چشمگیری را در سیستم بهداشت و بهبود سلامت جامعه رقم زنیم.

علی دهقانیان (محقق نانوفناوری پزشکی)