تتطور أجيال الذكاء الاصطناعي بسرعة في الطب

في أواخر القرن العشرين، وُلد الذكاء الاصطناعي، الذي تمت برمجته على يد مهندسي الكمبيوتر، بناءً على سلسلة من التعليمات (القواعد) التي أنشأها البشر، مما يسمح للتكنولوجيا بحل المشكلات الأساسية.

الجيل الاول

ويمكن أن نتخيل أن طريقة تدريب الذكاء الاصطناعي أصبحت الآن مشابهة لنهج طلاب الطب، حيث يتم تعليم نظام الذكاء الاصطناعي أيضًا مئات الخوارزميات لتحويل أعراض المريض إلى تشخيصات. ويعتبر هذا الجيل الأول من دمج قواعد الرعاية الصحية في أنظمة الذكاء الاصطناعي.

تشبه خوارزميات اتخاذ القرار الطريقة التي تنمو بها الشجرة، بدءًا من الجذع (مشكلة المريض) وتتفرع من هناك. على سبيل المثال، إذا كان المريض يشكو من سعال شديد، فسيقوم الطبيب أولاً بمعرفة ما إذا كان هناك حمى. سيكون هناك مجموعتين من الأسئلة اعتمادًا على حالة الحمى/عدم وجود حمى. ومن الإجابة الأولية، سوف يؤدي إلى مزيد من الأسئلة حول الحالة. وهذا بدوره يؤدي إلى مزيد من الانقسام. في نهاية المطاف، كل فرع هو تشخيص يمكن أن يتراوح من الالتهاب الرئوي البكتيري أو الفطري أو الفيروسي إلى السرطان أو قصور القلب أو العشرات من أمراض الرئة الأخرى.

بشكل عام، يستطيع الجيل الأول من الذكاء الاصطناعي التعرف على المشكلات، لكنه لا يستطيع تحليل السجلات الطبية وتصنيفها. ونتيجة لذلك، لا يمكن للأشكال المبكرة من الذكاء الاصطناعي أن تكون دقيقة مثل الأطباء الذين يجمعون بين العلوم الطبية وحدسهم وخبرتهم. وبسبب هذه القيود، نادرًا ما يتم استخدام الذكاء الاصطناعي القائم على القواعد في الممارسة السريرية في أوقات أخرى.

أتمتة كاملة

ومع بداية القرن الحادي والعشرين، بدأ العصر الثاني للذكاء الاصطناعي مع الذكاء الاصطناعي الضيق (ANI)، وهو ما يعني الذكاء الاصطناعي الذي يحل مجموعات محددة من المهام. لقد مهد ظهور الشبكات العصبية التي تحاكي بنية الدماغ البشري الطريق لتكنولوجيا التعلم العميق. تعمل ANI بشكل مختلف تمامًا عن سابقتها. وبدلاً من توفير القواعد التي يحددها الباحثون مسبقاً، تستخدم أنظمة الجيل الثاني مجموعات بيانات ضخمة لتمييز الأنماط التي قد تستغرق الكثير من الوقت من البشر.

في أحد الأمثلة، قام الباحثون بتغذية آلاف صور الثدي بالأشعة السينية في نظام ANI، أظهر نصفها سرطانات خبيثة ونصفها الآخر أظهر سرطانات حميدة. يمكن للنموذج أن يحدد على الفور عشرات الاختلافات في حجم وكثافة وتظليل صور الأشعة السينية، مع تعيين كل اختلاف عامل تأثير يعكس احتمالية الإصابة بالأورام الخبيثة. والأهم من ذلك، أن هذا النوع من الذكاء الاصطناعي لا يعتمد على الاستدلال (بعض القواعد الأساسية) مثل البشر، ولكنه يعتمد بدلاً من ذلك على الاختلافات الدقيقة بين الاختبارات الخبيثة والعادية التي لا يعرفها أخصائي الأشعة ولا مصمم البرمجيات.

على عكس الذكاء الاصطناعي القائم على القواعد، تتفوق أدوات الذكاء الاصطناعي من الجيل الثاني أحيانًا على حدس الأطباء من حيث دقة التشخيص. ومع ذلك، فإن هذا الشكل من الذكاء الاصطناعي يُظهر أيضًا قيودًا خطيرة. أولا، كل تطبيق لديه مهمة محددة. أي أن النظام المُدرب على قراءة تصوير الثدي بالأشعة السينية لا يمكنه تفسير فحوصات الدماغ أو الأشعة السينية للصدر. أكبر قيود ANI هو أن النظام يكون جيدًا بقدر جودة البيانات التي تم تدريبه عليها. ومن الأمثلة الواضحة على نقاط الضعف عندما اعتمدت شركة UnitedHealthcare على الذكاء الاصطناعي الضيق لتحديد مرضاها الأضعف وتزويدهم بخدمات طبية إضافية. عند غربلة البيانات، اكتشف الباحثون لاحقًا أن الذكاء الاصطناعي قام بافتراض كارثي. يتم تشخيص المرضى على أنهم أصحاء فقط لأن سجلاتهم الطبية تتلقى القليل من الرعاية الطبية، في حين أن المرضى الذين يستخدمون الكثير من خدمات الرعاية الطبية لديهم تصنيفات صحية منخفضة...

ستسمح الأجيال القادمة من الذكاء الاصطناعي أيضًا للناس بتشخيص الأمراض وتخطيط العلاج تمامًا مثل أي طبيب. في الوقت الحالي، اجتازت أداة الذكاء الاصطناعي التوليدية (MED-PALM2 من Google) اختبار ترخيص الطبيب بدرجة خبير. يمكن الآن للعديد من أدوات الذكاء الاصطناعي الطبية الأخرى كتابة نفس التشخيصات التي يكتبها الأطباء. ومع ذلك، لا تزال هذه النماذج تتطلب حاليًا إشراف الطبيب وليست قادرة على استبدال الأطباء. ولكن بمعدل النمو الأسي الحالي، من المتوقع أن تصبح هذه التطبيقات أقوى بمقدار 30 مرة على الأقل في السنوات الخمس المقبلة. ومن المتوقع أن الأجيال القادمة من الأدوات مثل ChatGPT ستجلب الخبرة الطبية إلى أيدي الجميع، مما سيغير العلاقة بين الأطباء والمرضى بشكل أساسي.

تم تجميع VIET LE