بزرگنمايي:

سیاست و بازاریابی - ایسنا / چین به ‌تازگی اداره یک کلینیک چشم‌پزشکی را به هوش مصنوعی سپرد.
این روزها دشوار می‌توان از بحث و گفتگو درباره هوش مصنوعی و میزان کارایی یا عدم کارایی آن دوری کرد. علم و حوزه سلامت دو عرصه‌ای هستند که این فناوری نویدبخش تحولات بنیادین در آن‌هاست.
هم‌اکنون شاهد کاربرد گسترده هوش مصنوعی در زمینه‌هایی همچون تحلیل تصاویر پزشکی (اسکن‌ها)، طراحی داروها و پیش‌بینی آینده بیماری‌ها یا ابتلا به آنها هستیم، اما پژوهشگران «موسسه علوم بینایی و تحقیقات چشم‌پزشکی انتقالی پکن»(BERI) در چین تصمیم گرفتند گام را فراتر بگذارند و اداره یک کلینیک چشم‌پزشکی را (البته همچنان تحت نظارت انسان) به هوش مصنوعی واگذار کنند.
نام این مرکز درمانی «AI-TEC» (کلینیک چشم‌پزشکی «چینگ‌هوا» با پشتیبانی عامل هوش مصنوعی) است. اگرچه پزشکان انسانی نیز در آن حضور داشتند، اما ساختار کلینیک از همان ابتدا به‌گونه‌ای طراحی شده یود که حداکثر بهره را از هوش مصنوعی ببرد؛ نه اینکه این ابزارها صرفاً به سیستم‌ها و روش‌های درمانیِ موجود الحاق شوند.
بر اساس گزارش نشریه Nature Medicine، این رویکرد بدین معناست که هوش مصنوعی در تمامی مراحل، از مشاوره اولیه گرفته تا پیگیری وضعیت بیمار و همچنین انجام اسکن‌های حیاتی چشم، نقش ایفا می‌کند.
پژوهشگران در مقاله منتشرشده خود نوشتند: ما درس‌هایی از مراحل اولیه پیاده‌سازی ارائه می‌دهیم؛ مراحلی که در آن هوش مصنوعی از سطح صرفاً عملکرد الگوریتمی فراتر رفته و به سمت تحول در گردش کار بالینی و یکپارچه‌سازی در سطح سیستم حرکت می‌کند. یعنی همان جایی که در نهایت ارزش بالینی خلق می‌شود.
یافته‌های جالب‌توجهی از کارآزمایی AI-TEC به دست آمد. نخست اینکه، عملکرد هوش مصنوعی در آغاز کار برای شناسایی بیماری‌های چشمی نظیر گلوکوم(آب‌سیاه) و «دژنراسیون ماکولا وابسته به سن» از نرخ موفقیت نسبتاً پایینی برخوردار بود.
با این حال، زمانی که متخصصان چشم‌پزشکی ۱۴۲۶ تصویر باکیفیت از اسکن‌های چشمی را که به‌درستی برچسب‌گذاری شده بودند و وضعیت بیماری در آنها مشخص شده بود به هوش مصنوعی دادند، سطح دقت به‌طور قابل‌توجهی افزایش یافت.
این داده‌های جدید عملکردی بهتر از داده‌های آموزشی اولیه شامل حدود ۲۷ هزار تصویر با کیفیت پایین‌تر و برچسب‌گذاری ناقص‌تر داشتند.
هوش مصنوعی با استفاده از معیار تشخیصی استانداردشده‌ای به نام AUROC توانست با بهره‌گیری از داده‌های آموزشی به‌روزرسانی‌شده، به دقتی فراتر از ۰٫۹۳ دست یابد؛ رقمی که تقریباً هم‌تراز با سایر سیستم‌های پیشرفته اسکن موجود است.
نکته دیگری که پژوهشگران دریافتند این بود که میزان استفاده بالینی از ابزارهای هوش مصنوعی در ابتدا بالا بود و سپس کاهش یافت.
در بررسی مقطعیِ انجام‌شده پس از پنج ماه مشخص شد که تنها ۴۱ مورد از ۱۱۱۳ معاینه انجام‌شده در آن ماه (معادل ۳٫۸ درصد) با استفاده از فرآیندهای AI-TEC صورت گرفته است.
این رقم در ماه بعد پس از آنکه پژوهشگران سیستم را سریع‌تر و کاربری آن را آسان‌تر کردند، به‌طوری که به کلیک‌ها و ورودی‌های دستی کمتری از سوی کارکنان نیاز داشت، افزایش یافت و به ۲۵۹ مورد از ۱۱۲۶ معاینه (۲۳ درصد) رسید.
پژوهشگران می‌گویند: تجربه اولیه ما نشان داد که پیاده‌سازی نظام درمانی مبتنی بر هوش مصنوعی، اساساً چالشی در سطح اکوسیستم است. اثربخشی آن نه به عملکرد یک الگوریتم خاص، بلکه به عواملی همچون کیفیت داده‌ها، تعامل با گردش کار، مشارکت متخصصان بالینی، حاکمیت و نظارت مناسب و ارزش بالینی قابل‌سنجش وابسته بود.
مشاهده دیگر پژوهشگران این بود که برای بهبود عملکرد هوش مصنوعی، دریافت بازخورد منظم از متخصصان بالینی باید به‌سرعت انجام شود، نه اینکه این بازخوردها با تأخیر چندهفته‌ای ارائه گردند.
نیاز به داده‌های باکیفیت، نیاز به عملیات بهینه‌سازی‌شده و نیاز به بازخورد منظم و سریع سه نکته کلیدی هستند.
پژوهشگران می‌گویند: ما بر ضرورت تعامل و همکاری نزدیک و حضوری میان متخصصان بالینی و پژوهشگران حوزه هوش مصنوعی تأکید داریم.
هنوز در مراحل آغازینِ فعالیت چنین کلینیک‌هایی هستیم که هوش مصنوعی در کانون آنها قرار دارد، اما نتایج این آزمایش در مقیاس کوچک نشان می‌دهد که وقتی ترکیبات مناسب با هم ترکیب شوند، می‌توانند موفق باشند.
با این حال، چالش‌های زیادی باقی مانده است، از جمله حل این مسئله که هوش مصنوعی ابتدا بر نتایج تمرکز می‌کند (آیا بیمار A بیماری چشمی دارد یا خیر)، در حالی که پزشکان ابتدا بر علائم تمرکز می‌کنند (آیا بیمار A تاری دید را گزارش می‌دهد).
به عبارت دیگر، داشتن هوش مصنوعی که در تجزیه و تحلیل تصاویر اسکن دقیق است، لزوماً به چیزی تبدیل نمی‌شود که مراقبت از بیمار را بهبود بخشد. در واقع، این مطالعه نشان می‌دهد که آزمایش‌های آینده از این نوع ممکن است بهتر باشد که فقط بر نمرات عملکرد خام تمرکز نکنند.
محققان می‌گویند: موفقیت سیستم مراقبت‌های بهداشتی بومی هوش مصنوعی در نهایت باید با این سنجیده شود که آیا گردش کار بالینی تغییر می‌کند و آیا هوش مصنوعی نتایج سلامت را بهبود می‌بخشد، نه اینکه آیا هوش مصنوعی به عملکرد معیار برتر دست می‌یابد یا خیر.
این پژوهش در مجله Nature Medicine منتشر شده است.