تم برمجة الذكاء الاصطناعي من قبل مهندسي الكمبيوتر في أواخر القرن العشرين، ونشأ على أساس مجموعة من التعليمات (القواعد) التي أنشأها البشر، مما يسمح للتكنولوجيا بحل المشاكل الأساسية.
ملاحظة المحرر: تتأثر العديد من الصناعات بالتقنيات الجديدة في عصر المعلومات. ومع تأثير الأتمتة وعلوم الحاسوب والذكاء الاصطناعي، لا تُستثنى قطاعات مثل الأطباء والمستشفيات وشركات التأمين والقطاعات المرتبطة بالرعاية الصحية. ولكن، في مجال الصحة تحديدًا، يتمتع الذكاء الاصطناعي بتأثير إيجابي أكبر من القطاعات الأخرى.
الجيل الأول
يمكن تصور طريقة تدريب الذكاء الاصطناعي حاليًا على أنها مشابهة لمنهج طلاب الطب، حيث تُدرَّس أنظمة الذكاء الاصطناعي أيضًا مئات الخوارزميات لترجمة أعراض المرضى إلى تشخيصات. ويُعتبر هذا الجيل الأول من قواعد الرعاية الصحية التي تُدمج في أنظمة الذكاء الاصطناعي.
تنمو خوارزميات اتخاذ القرار كشجرة، تبدأ من جذعها (مشكلة المريض) وتتفرع منه. على سبيل المثال، إذا اشتكى مريض من سعال شديد، يسأله الطبيب أولًا عن وجود حمى. ستكون هناك مجموعتان من الأسئلة: حمى/لا حمى. ستؤدي الإجابات الأولية إلى أسئلة أخرى حول الحالة، مما يؤدي إلى فروع أخرى. وأخيرًا، كل فرع هو تشخيص، يمكن أن يتراوح بين الالتهاب الرئوي البكتيري أو الفطري أو الفيروسي، وصولًا إلى السرطان، وقصور القلب، أو عشرات أمراض الرئة الأخرى.
بشكل عام، كان الجيل الأول من الذكاء الاصطناعي قادرًا على تحديد المشكلات، لكنه لم يستطع تحليل السجلات الطبية وتصنيفها. ونتيجةً لذلك، لم تكن الأشكال المبكرة من الذكاء الاصطناعي بنفس دقة الأطباء الذين جمعوا بين العلوم الطبية والحدس والخبرة. وبسبب هذه القيود، نادرًا ما استُخدم الذكاء الاصطناعي القائم على القواعد في الممارسة السريرية في أوقات أخرى.
الأتمتة الكاملة
مع مطلع القرن الحادي والعشرين، بدأ العصر الثاني للذكاء الاصطناعي بالذكاء الاصطناعي الضيق (ANI)، أو الذكاء الاصطناعي الذي يُنجز مهامًا محددة. مهّد ظهور الشبكات العصبية التي تُحاكي بنية الدماغ البشري الطريق لتقنية التعلم العميق. تعمل تقنية ANI بشكل مختلف تمامًا عن سابقاتها. فبدلًا من توفير قواعد مُحددة مسبقًا من قِبل الباحثين، تستخدم أنظمة الجيل الثاني مجموعات بيانات ضخمة لتمييز أنماط قد يستغرق البشر وقتًا طويلاً لإنجازها.
في أحد الأمثلة، غذّى الباحثون نظام ANI بآلاف صور الماموغرافي، أظهر نصفها أورامًا خبيثة والنصف الآخر أورامًا حميدة. تمكّن النموذج من تحديد عشرات الاختلافات في حجم وكثافة وتظليل صور الماموغرافي فورًا، مع تحديد عامل تأثير لكل اختلاف يعكس احتمالية الإصابة بالأورام الخبيثة. والجدير بالذكر أن هذا النوع من الذكاء الاصطناعي لا يعتمد على الاستدلالات (القواعد العامة) كما يفعل البشر، بل يعتمد على اختلافات دقيقة بين فحوصات الأورام الخبيثة والطبيعية، وهي اختلافات يجهلها كل من أخصائي الأشعة ومصمم البرنامج.
على عكس الذكاء الاصطناعي القائم على القواعد، تتفوق أدوات الذكاء الاصطناعي من الجيل الثاني أحيانًا على الحدس البشري في دقة التشخيص. ومع ذلك، فإن هذا النوع من الذكاء الاصطناعي يُظهر أيضًا قيودًا خطيرة. أولاً، كل تطبيق مُحدد المهمة. أي أن النظام المُدرَّب على قراءة صور الثدي بالأشعة السينية لا يمكنه تفسير فحوصات الدماغ أو الأشعة السينية للصدر. يتمثل أكبر قيد في ANI في أن النظام لا يكون جيدًا إلا بقدر البيانات التي تم تدريبه عليها. ومن الأمثلة الواضحة على هذا الضعف عندما اعتمدت UnitedHealthcare على الذكاء الاصطناعي الضيق لتحديد المرضى الأكثر مرضًا وتقديم خدمات طبية إضافية لهم. عندما غربل الباحثون البيانات، وجدوا أن الذكاء الاصطناعي قد افترض افتراضًا ضارًا. تم تشخيص المرضى على أنهم أصحاء لمجرد أنهم تلقوا القليل من الرعاية الطبية في سجلاتهم الطبية، بينما تم الحكم على المرضى الذين استخدموا الكثير من الرعاية الطبية بأنهم غير أصحاء.
ستُمكّن الأجيال القادمة من الذكاء الاصطناعي الناس من تشخيص الأمراض ووضع خطط العلاج تمامًا مثل أي طبيب. حاليًا، اجتازت أداة توليد الذكاء الاصطناعي (MED-PALM2 من جوجل) امتحان ترخيص الأطباء بدرجة خبير. ويمكن للعديد من أدوات الذكاء الاصطناعي الطبية الأخرى الآن كتابة تشخيصات مشابهة لتشخيصات الأطباء. ومع ذلك، لا تزال هذه النماذج تتطلب إشرافًا طبيًا، ومن غير المرجح أن تحل محل الأطباء. ولكن مع معدل نموها الهائل الحالي، من المتوقع أن تصبح هذه التطبيقات أقوى بثلاثين ضعفًا على الأقل خلال السنوات الخمس المقبلة. ومن المتوقع أن تضع الأجيال القادمة من الأدوات، مثل ChatGPT، الخبرة الطبية في متناول الجميع، مما يُحدث تغييرًا جذريًا في علاقة الطبيب بالمريض.
تم تجميعها بواسطة فييت لي
[إعلان 2]
مصدر
تعليق (0)