هوش مصنوعی در حوزه سلامت و درمان هنوز راه زیادی در پیش دارد – زومیت

ویروس جهانی کرونا اکتشافات پیشگامانه بی‌شماری از گام‌های قهرمانانه فردی تا گام‌های علمی حیرت‌انگیز را جمع‌آوری کرده است. شرکت‌های داروسازی از فناوری‌های بی‌سابقه‌ای برای تولید واکسن‌های مؤثر در یک دوره زمانی استفاده کرده‌اند. آزمایش‌های جدید در تصنیف‌ها، ادراکات جهان را از ممکن‌ها و غیرممکن‌ها غیرممکن در مبارزه برای تغییر آن‌ها می‌سازد. آلن تورینگ، یک اندیشکده بریتانیایی به تازگی گزارشی در مورد تاثیرات هوش مصنوعی بر بحران منتشر کرده است که چندان امیدوارکننده نیست.

بر اساس گزارش موسسه تورینگ که سال گذشته منتشر شد، هوش مصنوعی تأثیر عمیقی بر جهانی شدن داشته است و کارشناسان در حال ارزیابی سلامت و عملکرد این فناوری ها بدون انحراف هستند. این گزارش بر اساس بیش از صد مطالعه پژوهشی منتشر شده است. بر اساس این نظرسنجی، تقریباً تمام دستگاه های هوش مصنوعی که برای تشخیص علائم استفاده می شوند دارای نقص هستند. بلال متین، پزشک، محقق و سردبیر تورینگ ریپورت، گزارش می دهد:

هدف ما تمرکز بر نقاط روشنی بود که نتایج این فناوری را نشان می دهد. متأسفانه ما نمی توانیم این نقاط روشن را پیدا کنیم و در عوض با مشکلات بیشتری مواجه می شویم.

توجه به این نکته ضروری است که ابزارهای نسبتاً جدید در مراقبت‌های بهداشتی و درمانی، مانند هوش مصنوعی، بهترین راه‌حل‌ها را ارائه نمی‌دهند. علیرغم امیدهای زیاد آنها، این الگوریتم تنها راه بهبود سلامت و بهبودی است.

اکثر تحقیقات از نمونه های گذشته داده های پزشکی استفاده می کنند. در نتیجه این گزارش‌ها، الگوریتم‌ها عملکردهای خاصی مانند تشخیص سرطان پوست یا پیش‌بینی نتایج بیمار را انجام می‌دهند. برخی از تحقیقات همچنین از محصولات اثبات شده ای استفاده می کنند که به پزشکان کمک می کند علائم سکته مغزی یا بیماری های چشمی را کنترل کنند.

بسیاری از ایده های مربوط به مراقبت های بهداشتی و هوش مصنوعی فراتر از شواهد اولیه نمی روند. در عین حال، محققان هشدار می دهند که بسیاری از آنها از داده های کافی یا با کیفیت بالا برای آزمایش برنامه های هوش مصنوعی استفاده نمی کنند. اتفاقاً خطر مسکرات انتخابی به طور نامطلوب در حال افزایش است. بخش‌هایی از الگوریتم‌های بهداشت و درمان نیز معادل گروه‌های آماری خاص، نامطلوب یا منحرف هستند.

چیزی به نام درمان رایگان برای سلامتی و تندرستی وجود ندارد. این رویکرد به شناخت کل نگر در سال هشتم آغاز شد. در آن زمان، کالج پزشکی لندن، جان اسنو، اپیدمی های خاصی را برای اثبات وجود بیماری در نقشه ترسیم کرده بود. اخیراً، پزشکان، محققان و تکنسین ها علاقه مند به نوشتن در مورد روش های یادگیری ماشین در پروژه های صنعتی مانند تجسم یا تبدیل شده اند.

اما شرایط شرکت های فناوری با بیمارستان ها متفاوت است. شرکت هایی مانند فیس بوک می توانند میلیاردها پست را در اختیار کاربران قرار دهند تا الگوریتم های تصویر خود را بهبود بخشند. با این حال، دسترسی به داده های امنیتی به دلیل حفاظت از حریم خصوصی و سیستم های IT معیوب دشوار است. همچنین، توسعه الگوریتم‌هایی که سلامت و درمان شخصی را شناسایی می‌کنند، می‌تواند خطر فیلتر کردن هرزنامه‌ها یا تبلیغات را افزایش دهد. ویسار بریشا، استاد دانشگاه ایالتی آریزونا، می گوید:

ما نمی توانیم ابزارهای هوش مصنوعی را توسعه دهیم که در فضاهای کاری موفق بوده اند، می توانیم وارد حوزه پزشکی شویم.

بریشا اخیراً مجموعه‌ای از مقالات منتشر شده توسط همکاران خود در دانشگاه آریزونا در زمینه‌های پزشکی و مهندسی منتشر کرده است که نشان می‌دهد بسیاری از تحقیقات در زمینه هوش مصنوعی، الگوریتم‌ها، دقیق‌تر از سایرین است. به دلیل الگوریتم های قدرتمندی که در جمع آوری داده های کوچک استفاده می شود.

دلیل این امر این است که عوامل بهداشتی مانند مراقبت های پزشکی، علائم حیاتی و داده های مرتبط با سایر دستگاه ها مانند سبک زندگی یا تغییرات پس زمینه جدید ارتباط نزدیکی دارند. الگوریتم‌های ماشین‌های حافظه که در دنیای فناوری محبوبیت پیدا می‌کنند، در یافتن الگوریتم‌ها موفق هستند. همانطور که می توانیم صحت پاسخ ها را در پاسخ ها کشف کنیم. هر چه داده ها کوچکتر باشد الگوریتم امکان تقلب و ایجاد امتیاز بیشتر آسان تر است که این خود عاملی برای نتایج ضعیف است. بریشا افزود:

جامعه ما در حال فریب خوردن است که فکر می کند با توسعه رسانه ها وضعیت بهتری داریم.

به گفته بریشا، این مشکل توسط ناظران الگوریتمی در حوزه تحقیقات بهداشتی و درمانی قابل حل است. بریشا و همکارانش پس از بررسی الگوریتم‌های مورد استفاده برای تشخیص آلزایمر یا اختلال شناختی در گفتار، متوجه شدند که محققان مسن‌تر توجه کمتری به تحقیقات کوچک‌تر نشان می‌دهند. به طور غیرمنتظره، تحقیقات در مورد اختلالات مغزی مبتنی بر درمان های پزشکی یا تحقیقات برای کشف اوتیسم با حافظه ماشینی شباهت هایی را نشان داده است.

بخش‌هایی از الگوریتم‌ها در تست‌های عملکرد اولیه مناسب هستند. اما در مورد بیماران واقعی رفتار متفاوتی دارند و نمی توانند این خطر را نادیده بگیرند. در سال ششم، سیستم تحقیقاتی از این سیستم برای اولویت‌بندی دسترسی به درمان برای میلیون‌ها بیمار استفاده کرد و بیماران سفیدپوست را بیشتر در اولویت بیماران سیاه‌پوست قرار داد.

برای جلوگیری از انحراف از سیستم ها، باید مراقب تعادل بین داده ها و آزمون باشیم. با این حال، وجود انحرافات در مطالعه هوش مصنوعی به دلیل تناقضات ذاتی در سلامت امری عادی است. طبق مطالعه ای که توسط دانشگاه استنفورد انجام شد، 3 درصد از محققان دانشگاه ماساچوست یا نیویورک هنگام تحقیق درباره یادگاری های ریشه دار مفید بودند. با این حال، سایر ایالت ها آمار کمی یا بدون آمار داشتند. کشورهای با درآمد پایین در مطالعات هوش مصنوعی در حوزه سلامت و پزشکی شرکت می کنند. بر اساس تحقیقاتی که سال گذشته منتشر شد، مطالعه مربوط به استفاده از حافظه ماشین در تشخیص یا تشخیص دوره‌های بیماری اغلب از کیفیت شناسایی ضعیفی برخوردار است و می‌تواند خطر انحراف جدی داشته باشد.

دو سازمان غیرانتفاعی یک سازمان غیرانتفاعی به نام Nightingale Open Sicence راه‌اندازی کردند تا به دنبال مجموعه داده‌های پر زحمت برای بهبود کیفیت و مقیاس باشند. این شرکت با سیستم های مراقبت های بهداشتی برای جمع آوری داده های پزشکی و مرتبط با سوابق بیماران برای تجزیه و تحلیل داده ها و سپس انتخاب این داده ها به نفع تحقیقات غیرانتفاعی همکاری می کند.

زیاد اوبرمر، یکی از بنیانگذاران نایتینگل و استاد دانشگاه کالیفرنیا، برکلی، امیدوار است که بتواند دسترسی به داده ها را افزایش داده و نتایج بهتر و همچنین مجموعه های بزرگی از تصاویری که ارائه می دهد، ارائه دهد. او می گوید:

هسته این مشکل این است که محقق می تواند در سلامت داده ها هر کاری که می خواهد انجام دهد. زیرا هیچ کس نمی تواند نتایج را بررسی کند.

نایتینگل همچنین در پروژه های دیگری برای بهبود کیفیت هوش مصنوعی، درمان و دسترسی به داده ها همکاری می کند. صندوق لاکونا از ایجاد مجموعه ای از ماشین های یادبود در قرون وسطی حمایت می کند و در حال حاضر روی سیستم بهداشت و درمان کار می کند. این پروژه جدید در بیمارستان دانشگاه بیرمنگام انگلستان، با حمایت سازمان بهداشت عمومی (NHS) و MIT، در حال توسعه ارزیابی های استاندارد شده برای ارزیابی سیستم های هوش مصنوعی بر اساس داده های بدون انحراف است.

متین، سردبیر گزارش بریتانیا در مورد الگوریتم های جهانی، یکی از طرفداران پروژه های هوش مصنوعی است. اما همچنین اعتقاد بر این است که هوش مصنوعی و هوش مصنوعی با افزایش سیستم های سلامت مرتبط هستند. او می گوید:

ما باید روی علت اصلی مشکل سرمایه گذاری کنیم و منتظر نتیجه باشیم.