هوش مصنوعی در زمینه‌های بهداشت و درمان هنوز بسیاری از افراد را در پیش دارد – زومیت

دنیاگیری زمینه‌های فوق‌العاده‌ساز، تلاش‌های بی‌شمار از اقدام‌های قهرمانان فردی تا گام‌های شگفت‌انگیز می‌می د. شرکت‌های داروسازی از فناوری‌های جدید برای توسعه واکسن‌های مورد استفاده در مدت زمان بی‌سابقه استفاده می‌شوند. آزمایش‌های بالینی جدید درک جهان از ممکن‌ها و غیرمکن‌ها را در مبارزه با کوید ۱۹ متحول ساختند. اکنون مؤسسه‌ای بریتانیایی آلان تورینگ گزارشی را درباره تأثیر هوش مصنوعی بر این گزارش منتشر کرده است.

گزارش مؤسسه‌ای تورینگ که سال گذشته منتشر شد، هوش مصنوعی بر روی زمین‌گیری گذاشته شده است و در ارزیابی بدون داده‌های سلامتی و کاربرد انحراف این فناوری از مشکلات آسیب‌پذیر می‌شوند. این گزارش بر اساس مطالعه موردی روی بیش از صد پژوهش منتشر شد. بر اساس این بررسی‌ها، تقریباً تمام ابزارهای هوش مصنوعی برای تشخیص علائم کووید ۱۹ نواقصی وجود دارد. بلاال متین، پزشک و پژوهشگر و گزارش تورینگ، دراینباره می‌گوید:

هدف ما بر روی فناوری‌های درخشان بود که نتایج آن را نشان می‌دادند. متأسفانه این تصاویر درخشان را می بینیم و در عوض مشکلات زیادی را پیدا می کنیم.

درک کنید که ابزاری نسبتاً جدید در بهداشت و درمان مثل مصنوعی به‌تنهایی نمی‌تواند راه‌حلی را راه‌اندازی کند، نمی‌تواند راه‌حلی پیدا کند. با وجود امیدهای بسیار بهسختی می‌توانم سلامت و درمان را بهبود بخشم.

بسیاری از پژوهش‌ها از نمونه‌های داده‌های پزشکی گذشته استفاده می‌کنند. بنابر این گزارش‌ها، الگوریتم‌ها در انجام وظایف مربوط به تشخیص سرطان‌های پوستی یا پیش‌بینی نتایج حاصل از نتایج بیمالمقیقننن از پژوهش‌ها هم از محصولات ثابت شده‌ای استفاده می‌شود که پزشکان برای نظارت بر عرعر سکته یا بیماری‌هابی‌م سکته یا بیماری‌ها.

بسیاری از ایده‌های مربوط به بهداشت و درمان مصنوعی از آزمایش‌های اولیه فراتر نمی‌روند. همچنین، پژوهشگرها هشدار می‌دهند که بسیاری از بررسی‌ها را از داده‌های کافی یا باکیفیت برنای آزمودن صحیح باکیفیت برنان می‌دهند. بدین‌ترتیب، آسیب‌های ناشی از فناوری‌های نامطمئن افزایش می‌یابد. برخی از الگوریتم‌های بهداشتی و درمانی هم دربرابر گروه‌های آماری خاص، مطمئن‌ناپذیر هستند یا اناحراف.

فشرده سازی داده ها برای بهبود بهداشت و درمان سلامت جسمی نیست. این روش برای همه‌گیری در سال ۱۸۵۵ آغاز شد. در آن زمان، پزشکی لندنی به نام جان اسنو نمونه‌های مخصوص و با را برای اثبات آبزی‌بودن این بیماری روی نقشه. اخیرا پزشکان، پژوهشگران و متخصصان درباره روش های طراحی ماشین در پروژه های صنعتی مثل مرتسازی تصاویر به مبدیل گفتار به نوشتار علاقه مند شده اند.

بااین‌حال، شرایط شرکت‌های فناوری با شرایط داخل بیمارستان‌ها متفاوت است. شرکت‌هایی مثل فیسبوک می‌توانند به کاربران پست الکترونیکی برای بهبود الگوریتم‌های تشخیص تصویر دسان سامان دسترسی پیدا کنند. اما دسترسی به داده‌های سلامتی به‌دلیل نگرانی‌های حریم خصوصی و سیستم‌های پرنقص فناوری اطلاعات است. همچنین، توسعه‌ی الگوریتمی که وضعیت بهداشتی و درمانی را مشخص می‌کند، بیشتر از فیلماند. ویسار بریشا، استادیار دانشگاه ایالتی آریزونا، بیان می‌کند:

نيتوانيم الگوهاي توسعي ابزار هش مصنعي كه در فضاي كربري نيتيجبخش بختيند، دستيد حيدحسي

بریشا اخیرا مقالهای مشترک با همکاران از بخشهای درمان و مهندسی دانشگاه آریزونا منتشر کرده است که نشان می دهد از بررسی های هوش مصنوعی بهداشتی، الگوریتم ها را دقیق تر از آنچه هستند، نشان می دهند. زیرا از الگوریتم های قوی روی مجموعه داده های کوچک استفاده می کنند.

دلیل این موضوع آن است که داده های سلامتی مثل پردازش تصویر پزشکی، علائم حیاتی و داده های مربوط به دستگاه های پوشیدنی متفاوت با فاکتورهای دیگری مثل سبک زندگی یا نویز پسزمینه تغییر می کنند. الگوریتم‌های ماشین‌هایی که در دنیای فناوری به محبوبیت‌های زیادی رسیده‌اند، در یافتن الگوهای عملکرد الگوها عملکر من به‌طوری‌که می‌توان میانبرهایی را به پاسخ‌های صحیح کشف کنند. مجموعه داده‌های کوچکتر امکان تقلب الگوریتم‌ها را آسان‌تر و نقاط کوری را ایجاد می‌کنند که عامل یفتاسا این است. بریشا میافزاید:

جامعه خود را این گونه فریب می‌دهد که ما در حال توسعه‌ی مدل‌هایی با عملکرد بهتر هستیم.

به‌گفته‌ی بریشا، این مشکل می‌تواند به الگوی نگران‌کننده‌ای در برخی از پژوهش‌های بهداشتی و درمانی مصنوام منرمانی باشد. بریشا و همکارانش پس از بررسی پژوهش هایی که از الگوریتم ها برای کشف علائم آلزایمر یا اختلالات پژوهشی در گفتار استفاده کرده بودند، متوجه شدند پژوهش های بزرگتر دقت کمتری از کوچکترها دارند. ناگفته نماند مروری بر پژوهشها برای تشخیص اختلالات مغزی که اسکنهای پزشکی به کار میروند یا پژوهشهایی که برای کشف اوتیسم با ماشین در جستجواند، الگوی مشابهی نشان دادند.

برخی از الگوریتم‌ها در بررسی عملکردهای اولیه مناسبی دارند. اما روی‌های واقعی بیمار متفاوت عمل می‌کنند و نمی‌توانم این خطر را نادیده بگیرم. طبق پژوهشی در سال 2019 سیستمی از میلیون ها بیمار برای اولویت بندی انتخاب به درمان کرد و بیماران سفیدپوست را در اولویت بیشتری از سیاهپوست داد.

برای جلوگیری از سیستم های دارای انحراف به مجموعه های متوازنی از داده ها و آزمون های دقیق نیاز داریم. اما وجود‌های دارای انحراف در پژوهش‌های هوش مصنوعی سلامت به‌دلیل نابرابری‌های پیوسته عادی است. آزمون بررسی سال 2020، پژوهشگران دانشگاه دانشگاه ها 71 درصد از داده های به کاررفته در پژوهش های آموزشی از کالیفرنیا یا ماساچوست یا نیویورک به دست آمدند; اطلاعاتی که ۴۷ ایالت دیگر آمار کمی یا آماری وجود دارد. در مطالعات بهداشتی و درمانی هوش مصنوعی کم کاری می‌کنند. مجله پژوهشی که در سال گذشته منتشر شد، از میان 150 بررسی مربوط به کاربردهای ماشین در پیش بینی یا دوره های بیماری، پژوهش پژوهش کیفیت روش شناسی ضعیفی در میان 150 مورد بررسی قرار گرفت.

دو پژوهشگر سازمانی غیرانتفاعی به نام Nightingale Open Sicence را انجام داد تا برای بهبود کیفیت و مقیانردرشگنانردا. این شرکت با سیستم‌های بهداشتی و درمانی برای جمع‌آوری تصاویر پزشکی و داده‌های مرتبط با سوابق، تحقیقات می‌کنند تا تحلیل کنند و سپس این داده‌ها را در اختیار پژوهش‌های غیرانتفاعی قرار دهند.

زیاد اوبرمیر، یکی از بنیانگذاران نایتگل و استادیار دانشگاه برکلی کالیفرنیا، امیدوار است با استفاده از دسترسی به داده ها، مشارکت را افزایش دهد و به نتایج بهتری برساند، درستی که مجموعه های بزرگ و باز تصاویر می توانند به پیشبرد ماشین کمک کنند. او میگوید:

این مشکل اینجاست که پژوهشگر می‌تواند هر کاری را بخواهد، در داده‌های سلامت انجام دهد. زیرا هیچ‌کس نمی‌تواند نتایج را بررسی کند.

نایتینگل در تلاش برای بهبود هوش مصنوعی بهداشتی و درمانی و بهبود دسترسی به آن ها و کیفیت آن ها یگهاراپ Lacuna Fund از مجموعه‌های ایجاد ماشین در متوسط ​​و کم‌درآمد حمایت می‌کند و در حار روی سیهادماش بار روی سیهادماش بار روی سیهادماشی. این پروژه جدید در بیمارستان دانشگاه بیرمنگام بریتانیا با حمایت از سازمان خدمات سلامت عمومی (NHS) و MIT بهدنبال توسعه استانداردهایی برای ارزیابی سیستم های هوش مصنوعی داده های بدون انحراف است.

متین، ویراستار گزارش بریتانیا، درباره الگوریتم‌های دنیاگیری یکی از هواداران پروژه‌های هواداران پروژه‌های هوشنسنن نانژ است. اما معتقد است چشم‌انداز بهداشت و درمان مصنوعی به‌شدت به سیستم‌های سلامت وابسته است.

باید روی ریشه‌های مشکل سرمایه‌گذاری کرد و منتظر نتایج ماند.