پزشکی و سلامتهوش مصنوعی

چرا تشخیص سرطان به کمک هوش مصنوعی باید با احتیاط به کار گرفته شود؟

تسریع در تشخیص سرطان می تواند بیش از آنکه کمک کننده باشد،آسیب بزند

این روزها به نظر می رسد که الگوریتم های هوش مصنوعی پزشکان تشخیص دهنده بیماری هستند،  این الگوریتم ها ضایعات خطرناک و توده های بدخیم  را به شکل قابل قبولی شناسایی می کنند که تنها یک ماشین قادر به شناسایی آن است. در ماه ژانویه 2020، گوگل در مطالعه ای مبنی بر اینکه سیستم های هوش مصنوعی گوگل می تواند سرطان پستان را در ماموگرام ها(تصویر پستان با اشعه ی ایکس)، دقیق تر از پزشکان تشخیص دهد، موج های خبری به راه انداخت. برای بسیاری از افراد شاغل در سیستم مراقبت های بهداشتی، چنین مطالعاتی نشان می دهد که این تنها وعده ی هوش مصنوعی نیست، بلکه  یک تهدید بالقوه است. آنها می گویند در برخی از مناطقی که شرکت های تکنولوژی در حال تلاش برای هوش مصنوعی پزشکی خود هستند، این فناوری می تواند مشکلات موجود را تشدید کند.

آسیب های ناشی از یافتن سرطان های بیشتر

انتقاد اصلی در مورد مقاله ی ماموگرام گوگل این است که این شرکت در تلاش است، تا فرایندی را  اتوماتیک کند که در حال حاضر تا حدودی بحث برانگیز است. کریستی آشواندن در اوایل ماه ژانویه در wired ذکر کرد، پزشکان سالها در حال استدلال هستند که اسکن زودرس سرطان پستان ممکن است به همان اندازه که به آنها کمک می کند می تواند صدمه وارد کند و معرفی هوش مصنوعی ممکن است سبب از بین بردن این توازن شود.  Adewole Adamson متخصص پوست و استادیار دانشکده پزشکی دل می گوید” این ایده در جامعه که، پیدا کردن سرطان های بیشتر بهتر است، همیشه درست نیست. هدف پیدا کردن سرطان های بیشتر در واقع منجر به مرگ افراد می شود و برای این مشکل که سرطان چگونه شکل می گیرد هنوز استاندارد طلایی وجود ندارد.

در مطالعه ای نشان داده شد که اگر یک ضایعه، که در مراحل اولیه قرار دارد را به گروهی از پزشکان نشان دهید،  پاسخ های کاملا متفاوت دریافت خواهید کرد. و حتی اگر به این نتیجه برسند که ضایعه مورد نظر سرطان است و تشخیص آنها درست باشد، با این حال به هیچ وجه نمی توان فهمید که آیا این سرطان می تواند زندگی شخص را تهدید کند یا خیر. به محض اینکه شما چیزی را سرطان تشخیص می دهید،  زنجیره ای از مداخلات پزشکی ایجاد می شود که می تواند دردناک، پرهزینه و تغییر دهنده ی جریان زندگی باشد. در مورد سرطان پستان، این تشخیص ممکن است به معنی پرتودرمانی، شیمی درمانی،خارج کردن بافت از پستان(لومپکتومی) یا خارج کردن یک یا هر دو سینه به صورت کامل(مستکتومی) باشد. این تصمیمات نباید با عجله گرفته شوند.

چرا تشخیص سرطان به کمک هوش مصنوعی باید با احتیاط به کار گرفته شود؟
الگوریتم گوگل می تواند توده های موجود در ضایعات را در ماموگرام ها با اطمینان بیشتری نسبت به برخی پزشکان تشخیص دهد.

آدامسون می گوید” این چنین پیچیدگی های تشخیصی در مطالعه گوگل به شکل مناسب مورد توجه قرار نمی گیرد”.محققان شرکت گوگل الگوریتم خود را بر روی تصاویری که قبلا به عنوان نمونه سرطانی تشخیص داده شده یا نه، مورد آزمایش قرار داده اند. اما از آنجا که هیچ استاندارد کاملا مشخصی برای تشخیص سرطان زودرس وجود ندارد،آیا چنین داده های آموزشی، مبانی خوبی برای این امر هستند؟ آدامسون می گوید که الگوریتم گوگل فقط نتایج را بصورت باینری ارایه می دهد، بله سرطان است، خیر سرطان نیست. او همچنین استدلال می کند برای این تشخیص باید همیشه فضایی برای عدم اطمینان از تشخیص درست وجود داشته باشد که نمایانگر منطقه خاکستری تشخیص است که این پروسه را بجای سریع بستن، طولانی تر می کند. تیم گوگل در دفاع از این مساله بیان کردند که  الگوریتم های آنها پاسخ های مثبت کاذب (حوادثی که به طور نادرست سرطان شناخته می شوند) را کاهش می دهد که سبب کاهش خطر تشخیص بیش از حد است. آنها همچنین خاطر نشان کردند که این مقاله” تحقیق در مرحله اولیه” است و آنها در آینده در مورد تجزیه و تحلیل غیر باینری که آدامسون نسبت به آن واکنش نشان داده بود، تحقیق خواهند کرد.

سخنگوی Google Health گفت ” این دقیقا همان نوع تحقیقاتی است که ما با شرکای خود در مرحله بعد با آن درگیر هستیم”. برای آدامسون این چالش ها بزرگتر از یک مقاله است. او می گوید تشخیص بیش از حد، یک مشکل برای بسیاری از سرطان ها مانند پروستات، سرطان خون، سرطان پستان و تیروتید است. اگر سیستم هوش مصنوعی در یافتن ضایعات کوچکتر و کوچکتر بهتر و بهتر شود، تعداد زیادی بیمار کاذب ساخته خواهد شد که در واقع بیماری آنها را نمی کشد.

رادیولوژیست ها هنوز کارا هستند

تشخیص بیش از حد یکی از چالش های ادغام هوش مصنوعی در پزشکی است، اما برای برخی از پزشکان، ریشه های این مساله عمیق تر است. آنها در هیچ الگوریتم یا مقاله ی خاصی یافت نمی شوند، اما در دنیای اعتماد به هوش مصنوعی می تواند یک دسته ی کامل از کادر پزشکی را حذف کند: رادیولوژی. در سال 2016، پیشگام هوش مصنوعی جفری هینتون(یکی از سه پدرخوانده هوش مصنوعی که در سال 2018 برنده جایزه تورینگ شد) گفت” مردم اکنون باید تحصیل در رادیولوژی را متوقف کنند”. کاملا واضح است که در طی پنج سال، یادگیری عمیق(Deep learning) این کار را از رادیولوژیست ها بهتر انجام خواهد داد. در سال 2017 اندرو نگ، هم بنیانگذار Google Brain، ضمن اظهار نظر در مورد الگوریتمی که ذات الریه را از اشعه ایکس تشخیص می دهد، این نکته را نیز یادآور شد که ” آیا رادیولوژیست ها باید در مورد شغل خود نگران باشند؟”. در سال های اخیر این سخنان کمتر شده است اما برای رادیولوژیست ها این صداها گمراه کننده و کمی توهین آمیز بوده است.

هیو هاروی، رادیولوژیست و مشاور فناوری بهداشت می گوید” اصلی ترین مساله این است که رادیولوژیست ها فقط به تصاویر نگاه نمی کنند، این یک سوتفاهم کامل از آنچه رادیولوژیست ها انجام می دهند است”. به گفته ی وی، این کار بیشتر شبیه به خواندن رمان و تلاش برای نوشتن خلاصه ای از آن پس از مطالعه است. هاروی در یک پست وب وبلاگ  در سال 2018 اشاره کرد، این پروسه شامل برنامه ریزی و آماده سازی بیماران، جمع آوری داده از راه های مختلف(فلوروسکوپی، سونوگرافی، بیوپسی و غیرو.)، ارتباط دوسویه با دیگر بخش های تشخیص، وظایف دیگر مانند تدریس، آموزش و رسیدگی به دیگر کارها است. هاروی اشاره می کند که هوش مصنوعی واقعا نمی تواند جایگزین رادیولوژیست ها شود و این امر هیچ معنی و مفهومی ندارد. هوش مصنوعی در واقع می تواند چیزهایی را پیدا کند که یافتن آنها برای رادیولوژیست ها دشوار است، تا آنها بتوانند با استفاده از داده های بدست آمده بهتر تصمیم گیری کنند و چیزی بیشتر از این نیست.

چرا تشخیص سرطان به کمک هوش مصنوعی باید با احتیاط به کار گرفته شود؟

منشا نگرانی و عدم اعتماد جهانی به هوش مصنوعی به هیچ وجه به خاطر انتقام به دلیل رادیولوژیست ها نیست، بلکه در واقع به دلیل پیوندهای ساختاری خود هوش مصنوعی است. ثابت شده است که بینایی ماشین با اختلاف زیادی، دارای بیشترین قدرت یادگیری عمیق است که یکی از صفات بارز هوش مصنوعی است. یک آزمایش تشخیص چهره در سال 2012 صورت گرفت که سبب توسعه جریان هوش مصنوعی شد. و الگوریتم های بینش یادگیری عمیق که شامل مواردی چون ماشین های خودران و تشخیص چهره بودند توسعه پیدا کردند. هاروی می گوید” یادگیری عمیق به عنوان چکش استفاده می شود و شرکت های تکنولوژی به دنبال میخ ها هستند، اما برخی از این میخ ها کاملا درست نیستند”.

بازنویسی روایت هوش مصنوعی و سلامت

مری کریس جاکلویچ، خبرنگار حوزه سلامت و درمان، در مقاله اخیر خود اظهار داشت که اطلاعات غلط زیادی در مورد ” تقابل ماشین و پزشک” وجود دارد که در بسیاری از مطالعات هوش مصنوعی و پس از آن، به آن پرداخت شده است. چنین داستان هایی برای جذب مخاطب است متاسفانه درک خوانندگان را  در مورد موارد بعدی شکل می دهد. با وجود این موارد، اکثر متخصصان درگیر در این حوزه چه برنامه نویسان چه پزشکان، هنوز به پتانسیل هوش مصنوعی به عنوان ابزاری برای کمک به پزشکان برای درمان بیماری ها خوشبین هستند. هنگامی که یک الگوریتم به طور کامل مورد آزمایش قرار گرفت و پیچیدگی های آن در مورد چگونگی استفاده از آن در فرآیند تشخیص بیماری ها مشخص شد، می توانند به سرعت آن را در هر نقطه ای از جهان مستقر کنند. اما اگر این آزمایش ها عجولانه صورت گیرد ممکن است دارای عوارض جانبی مانند تشخیص بیش از حد باشد. آدامسون می گوید” من فکر نمی کنم، هوش مصنوعی باید در سطل زباله انداخته شود، بلکه برعکس. هوش مصنوعی دارای پتانسیل های خوبی برای انجام کارهای درست را دارد اگر به درستی طراحی شود. نگرانی من در مورد هوش مصنوعی این نیست که یک فناوری است بلکه نگرانی من در مورد نحوه استفاده از آن است.

منبع
theverge
برچسب ها

نوشته های مشابه

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا
بستن
بستن