علی دهقانیان (محقق نانوفناوری پزشکی)

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. 

در شماره بعد به خطرات و تأثیرات اخلاقی و اجتماعی هوش مصنوعی در حوزه سلامت می پردازیم.