هوش مصنوعی و فنآوری‌های مرتبط با آن به شکل فزاینده‌ای در مشاغل و حوزه‌های اجتماعی گوناگون رواج پیدا کرده است.
به گزارش گرداب، همچنین ما شاهد شروع استفاده از هوش مصنوعی در خدمات درمانی هستیم. این فنآوری‌ها ظرفیت این را دارند که بسیاری از جنبه‌های خدمات درمانی و همچنین فرآیند‌های اداری در سازمان‌های دارویی را دگرگون سازند.
شماری از تحقیقات صورت گرفته در سال‌های اخیر نشان‌دهنده‌ی این امر هستند که هوش مصنوعی می‌تواند در انجام امور اساسی در زمینه‌ی خدمات درمانی، مانند تشخیص بیماری، عملکرد بهتری نسبت به انسان داشته باشد. امروزه الگوریتم‌ها در تشخیص تومور‌های بدخیم از متخصصان رادیولوژی پیشی گرفته‌اند و به محققان در زمینه‌ی ساخت گروه‌های آماری برای آزمایش‌های بالینی دقیق و پرهزینه یاری می‌رسانند.
با این‌حال به دلایل مختلفی این اعتقاد وجود دارد که هنوز سال‌ها طول می‌کشد تا هوش مصنوعی به شکلی گسترده در پیش‌روی فرآیند‌های پزشکی، جایگزین انسان شود. در این نوشته هم به ظرفیت‌هایی خواهیم پرداخت که هوش مصنوعی برای خودکارسازی حوزه‌های مختلف خدمات درمانی دارد و هم برخی از موانع در مسیر پیش‌روی سریع هوش مصنوعی در خدمات درمانی را بررسی خواهیم کرد.
انواع هوش مصنوعی مرتبط با خدمات درمانی
هوش مصنوعی یک فنآوری واحد نیست؛ بلکه مجموعه‌ای از فنآوری‌هاست. اکثر این فنآوری‌ها با حوزه‌ی خدمات درمانی ارتباط بی‌واسطه دارند، اما از فرآیند‌ها و امور خاص بسیار متفاوتی پشتیبانی می‌کنند. در زیر برخی از فنآوری‌های خاص هوش مصنوعی که برای مراقبت‌های پزشکی از اهمیت زیادی برخوردارند را تعریف و تشریح کرده‌ایم:
یادگیری ماشینی؛ شبکه‌های عصبی و یادگیری عمیق
یادگیری ماشینی تکنیکی آماری برای انطباق مدل‌ها با داده‌ها و یادگیری از طریق مدل‌های آموزشی با داده‌هاست.
یادگیری ماشینی یکی از رایج‌ترین اشکال هوش مصنوعی است. در یک نظرسنجی که در سال ۲۰۱۸ انجام شد و ۱۱۰۰ مدیر آمریکایی که در تشکیلاتشان پیگیر هوش مصنوعی بودند، را در بر می‌گرفت، ۶۳ درصد از شرکت‌های مورد بررسی از یادگیری ماشینی در مشاغل‌شان استفاده می‌کردند. یادگیری ماشینی تکنیکی فراگیر در هسته‌ی بسیاری از رویکرد‌های هوش مصنوعی است و نسخه‌های زیادی از آن وجود دارد.
در خدمات درمانی، رایج‌ترین کاربرد یادگیری ماشینی سنتی، درمان دقیق است؛ پیش‌بینی این مسئله که پروتکل‌های درمانی چقدر در درمان یک بیمار بر اساس ویژگی‌های مختلف بیمار و زمینه‌های درمانی‌اش موفق خواهند بود. اکثر برنامه‌های یادگیری ماشین و درمان دقیق نیاز به یک مجموعه داده‌ی آموزشی دارند که خروجیِ متغیر (به عنوان مثال آغاز بیماری) در آن مشخص باشد؛ امری که یادگیری تحت نظارت نامیده می‌شود.
یک شکل به مراتب پیچیده‌تر یادگیری ماشین، شبکه عصبی است؛ فنآوری‌ای که از دهه ۱۹۶۰ میلادی در دسترس است و چندین دهه است که در پژوهش‌های مربوط به خدمات درمانی پذیرفته شده است. این فنآوری در برنامه‌های طبقه‌بندی مانند تعیین اینکه آیا یک بیمار به بیماریِ خاصی مبتلا می‌شود یا نه، مورد استفاده قرار گرفته است.
فنآوری شبکه عصبی، مشکلات را از منظر ورودی‌ها، خروجی‌ها و وزن متغیرها یا ویژگی‌هایی که ورودی‌ها را به خروجی‌ها مرتبط می‌کند، مورد بررسی قرار می‌دهد. این روش مشابه روشی است که سلول‌های عصبی، پیام‌ها را پردازش می‌کنند، اما در تشابه با عملکرد مغز نسبتاً ضعیف‌تر است.
پیچیده‌ترین اشکال یادگیری ماشین، شامل یادگیری عمیق یا مدل‌های شبکه عصبی است که با درجات فراوانی از ویژگی‌ها و متغیرها، نتایج را پیش‌بینی می‌کنند. ممکن است که هزاران ویژگی پنهان در چنین مدل‌هایی وجود داشته باشد که با پردازش سریعتر توسط واحد‌های پردازش گرافیکی و معماری ابری امروزه، آشکار گردند.
یک کاربرد معمول یادگیری عمیق در خدمات درمانی، شناسایی ضایعات بالقوه سرطانی در تصاویر رادیولوژی است. یادگیری عمیق به طور فزاینده‌ای در رادیومیک‌ها یا تشخیص ویژگی‌های بالینی مرتبط در داده‌های تصویربرداری، فراتر از آنچه توسط چشم انسان قابل رویت است، به کار برده می‌شود. رادیومیک و یادگیری عمیق در تجزیه و تحلیل تصاویر جهت‌دار تومورشناسی کاربرد دارد. ترکیب آن‌ها نسبت به نسل قبلی ابزار‌های خودکار تحلیل تصویر معروف به شناسایی به کمک کامپیوتر یا کد (CAD)، در تشخیص تومور از دقت بیشتری برخوردارند.
عکس: یادگیری عمیق از پچیده‌ترین اشکال یادگیری ماشین
همچنین یادگیری عمیق به طور فزاینده‌ای در تشخیص گفتار به کار می‌رود و همانطور که در زیر توضیح خواهیم داد نوعی پردازشگر زبان طبیعی (NLP) است. برخلاف اشکال قبلی تجزیه و تحلیل آماری، هر ویژگی در یک مدل یادگیری عمیق به طور معمول برای مشاهده‌گر انسانی معنای ناچیزی دارد. در نتیجه ممکن است توضیح نتایج مدل‌ها برای تفسیر دشوار و حتی غیرممکن باشد.
پردازش زبان طبیعی
درک کردن زبان انسان از دهه‌ی ۱۹۵۰ میلادی، هدف محققان هوش مصنوعی بوده است. این رشته (NLP) شامل کارکرد‌هایی نظیر گفتار، تحلیل متن، ترجمه و سایر اهداف مرتبط با زبان است. دو رویکرد اساسی در این رشته وجود دارد: رویکرد آماری و معناشناسی. پردازش زبان طبیعیِ آماری مبتنی بر یادگیری ماشین (به ویژه شبکه‌های عصبی یادگیری عمیق) است که به افزایش اخیرِ دقت در تشخیص یاری رسانده است. این رویکرد نیاز به بدنه‌ی زبانی بزرگی دارد که بتوان از آن یاد گرفت.
در خدمات درمانی، کاربرد‌های غالب پردازش زبان طبیعی، ایجاد، درک و طبقه‌بندی اسناد بالینی و تحقیقات منتشر شده است. سیستم‌های پردازش زبان طبیعی می‌توانند یادداشت‌های بالینی غیرساختاری در مورد بیماران را تجزیه و تحلیل و گزارش‌هایی تدوین کنند (به عنوان مثال در معاینات رادیولوژی) و تعاملات بیمار را ترجمه کنند.
عکس: پردازش زبان طبیعی مبتنی بر یادگیری ماشینی
سیستم‌های تخصصی مبتنی بر قاعده
سیستم‌های تخصصی مبتنی بر قاعده «اگر - آنگاه»، فنآوری غالب هوش مصنوعی در دهه‌ی ۱۹۸۰ بود و به طور گسترده‌ای در دوره‌های بعدی نیز به کار برده می‌شد. این سیستم‌ها در خدمات درمانی طی چند دهه به طور گسترده برای اهداف پشتیبانیِ تصمیم‌گیری بالینی به کار برده شدند و هم اکنون نیز مورد استفاده قرار می‌گیرند. امروزه بسیاری از ارائه‌دهندگان سرویس پرونده الکترونیکی سلامت (EHR)، سیستم‌هایشان را به مجموعه‌ای از قوانین مجهز نموده‌اند.
سرویس‌های تخصصی به متخصصان انسانی و مهندسان دانشی نیاز دارند که یک سری قوانین در یک حوزه‌ی خاص دانش ایجاد کنند. سیستم‌های خبره تا جایی خوب پیش می‌رود و به آسانی قابل درک است، اما وقتی تعداد قوانین زیاد شود (معمولاً بیش از چندین هزار قانون) و قوانین با یکدیگر وابستگی داشته باشند، از کار می‌افتند.
علاوه بر این در صورت تغییر دامنه‌ی دانش، تغییر قوانین دشوار و وقت‌گیر خواهد بود. بدین‌ترتیب در حوزه‌ی خدمات درمانی، سیستم‌های تخصصی کم‌کم جایشان را به رویکرد‌های داده‌محور و الگوریتم‌های یادگیری ماشین می‌دهند.
ربات‌های فیزیکی
با توجه به اینکه سالانه بیش از ۲۰۰ هزار ربات صنعتی در سراسر جهان نصب و راه‌اندازی می‌شود، این ربات‌های فیزیکی به خوبی شناخته شده‌اند. این ربات‌ها کار‌های از پیش تعیین‌شده‌ای نظیر بلند کردن، جابه‌جا کردن، جوشکاری یا مونتاژ اشیا را در مکان‌هایی مانند کارخانجات و انبار‌ها و همچنین تحویل وسایل در بیمارستان‌ها را انجام می‌دهند.
پیشرفت‌های اخیر این ربات‌ها باعث شده که بتوانند همکاری بهتر و بیشتری با انسان‌ها داشته باشند، به طوری که با حرکت دادن آن‌ها در مسیر انجام کاری دلخواه، می‌توان به آسانی آن‌ها را تربیت کرد. همچنین این ربات‌ها بسیار هوشمندتر از پیش هستند، چرا که قابلیت‌های هوش مصنوعی در مغزشان (سیستم عامل‌شان) جاسازی می‌شود. به نظر می‌رسد با گذشت زمان، همان پیشرفت‌هایی در هوش که در سایر حوزه‌های هوش مصنوعی دیده می‌شود، در این ربات‌ها نیز گنجانده شود.
عکس: ربات‌های جراح، نیرویی مافوق بشری در اختیار جراحان
ربات‌های جراح که در سال ۲۰۰۰ میلادی در ایالات متحده‌ی آمریکا به تأئید رسیدند، قدرتی مافوق بشری را در اختیار جراحان قرار دادند و توانایی آن‌ها در دیدن، ایجاد برش‌های دقیق و کمتر ناراحت‌کننده، بخیه زدن جراحات و بسیاری موارد دیگر را بهبود بخشیدند. رایج‌ترین اقدامات در جراحی که توسط جراحی رباتیک انجام می‌شود شامل جراحی‌های زنان، پروستات و جراحی سر و گردن است.
اتوماسیون رباتیک فرایند
این فنآوری امور دیجیتالی ساخت‌یافته (با ساختار مشخص) را برای اهداف اداری، یعنی کار‌هایی که شامل سیستم‌های اطلاعاتی هستند، انجام می‌دهند، همانطور که یک انسان با پیروی از اسکریپت یا قوانینی انجام می‌دهد. این فنآوری در مقایسه با سایر فرم‌های هوش مصنوعی، ارزان‌تر است، برنامه‌ریزی آن ساده است و در اجرای اعمال شفاف است. اتوماسیون رباتیک فرایند (RPA)، در واقع ربطی به ربات‌ها ندارد و فقط شامل برنامه‌های رایانه‌ای اجراشده بر روی سرور‌ها می‌شود بدین‌ترتیب که متکی بر ترکیبی از گردش کار، قوانین کسب و کار و یکپارچه‌سازی لایه‌ی نمایش با سیستم‌های اطلاعاتی است، تا بتواند مانند یک کاربر نیمه‌هوشمندِ سیستم‌ها عمل کند.
عکس: اتوماسیون رباتیک فرایند، هوشمندسازی فرایند‌ها
تا اینجا، ما این فنآوری‌های را به صورت منفرد شرح دادیم، اما واقعیت این است که این فنآوری‌ها به طور فزاینده‌ای در حال ترکیب و تلفیق با یکدیگرند. به عنوان مثال ربات‌ها از مغز‌های مبتنی بر هوش مصنوعی بهره می‌برند و شناسایی تصویر با اتوماسیون رباتیک فرآیند تلفیق می‌شود. شاید در آینده این فنآوری‌ها چنان در هم آمیخته شوند که راه‌حل‌های ترکیبی محتمل‌تر و همچنین عملی‌تر باشند.
____________________________________
منبع:
https://www.youtube.com/watch?v=I-THaj۵TPZU&t=۶s
https://www.youtube.com/watch?v=G۱IsZeFR_Rk
supervised learning
https://www.zdnet.com/a/hub/i/r/۲۰۱۸/۰۴/۱۳/۳۶c۵۲۹۵۳-۷ab۹-۴۶۰۸-a۸۴۸-۷۱d۱d۵۳۸۸۵۶e/resize/۱۲۰۰x۹۰۰/cb۲۵۹۷۰cc۹۶ac۱۱۸c۱۷۷e۲f۶۷۶۹۰۷۶۳b/td-deep-learning.jpg
Natural language processing
https://sm.pcmag.com/pcmag_in/feature/w/what-is-na/what-is-natural-language-processing-nlp_as۹۳.jpg
Rule-based expert systems
Electronic health record
knowledge engineer
Physical robots
https://wp.technologyreview.com/wp-content/uploads/۲۰۲۰/۰۲/robot-surgeons-۱-۲.jpg
Surgical robots
Robotic process automation
presentation layer
https://d۱nz۲cwxocqem۸.cloudfront.net/image/۳۸۰۲۳۰۴۸۷۱۵۷/image_gjpcm۵m۳np۶۹۷۵۱۴ks۲rp۹ha۳۷/-FJPG-C۱۶۰۰x۸۰۰%۲C۰%۲C۰-S۸۰۰x۴۰۰
