پیشبینی آینده رادیولوژیست ها باوجود هوش مصنوعی
ساخت اپل آی دی: هوش مصنوعی با ورود به رادیولوژی، نقش خودرا از یک ابزار کمکی فراتر برده و پرسش هایی تازه درباره ی مرز مسئولیت پزشک و ماشین در پروسه تشخیص به وجود آورده است.
به گزارش ساخت اپل آی دی به نقل از مهر؛ رادیولوژی طی سالیان اخیر به یکی از اولین حوزه هایی تبدیل گشته که آثار ورود هوش مصنوعی به پزشکی را در مقیاس حقیقی تجربه می کند. علت را باید در ماهیت این رشته جست وجو کرد. حجم عظیم داده های تصویری، استانداردشدن نسبی قالب های دیجیتال، وجود آرشیوهای بزرگ تصاویر پزشکی و سهم بالای کارهای تکرارشونده در فرآیند گزارش نویسی، رادیولوژی را به محیطی مساعد برای توسعه الگوریتم های یادگیری ماشین مبدل کرده است. بنابراین، مساله اصلی دهه آینده، ورود یا عدم ورود هوش مصنوعی به رادیولوژی نخواهد بود. پرسش تعیین کننده به جایگاه این فناوری در زنجیره تصمیم بالینی مربوط می شود و اینکه کدام بخش از مشاهده، اولویت بندی، اندازه گیری، تفسیر و گزارش نویسی به ماشین سپرده خواهد شد و مسئولیت نهائی تصمیم در چه نقطه ای باقی خواهد ماند.
تأثیر هوش مصنوعی بر این حوزه پزشکی به حدی بالا بوده که جنسن هوانگ، رییس و مدیر عامل شرکت انویدیا، نیز در اظهار نظری به روایت اثر ظهور هوش مصنوعی بر رادیولوژی پرداخته است. بیشتر از یک دهه بود که تحول بنیادین رادیولوژی توسط هوش مصنوعی، باتوجه به توانایی فوق العاده سیستم های بینایی ماشین در تحلیل تصاویر پزشکی، امری اجتناب ناپذیر به نظر می رسید. هوانگ نیز پیشبینی می کرد که حرفه متخصص رادیولوژی به واسطه پیشرفت روز افزون بینایی کامپیوتری، توان شناسایی تصاویر و تشخیص ناهنجاری ها، یکی از اولین مشاغلی است که درنتیجه توسعه هوش مصنوعی نابود خواهد شد
حتی برخی سرمایه گذاران نیز پیشبینی می کردند که این حرفه امکان دارد منسوخ شود. اما در عمل رادیولوژی همچنان یکی از پرتقاضاترین تخصص های پزشکی است و رادیولوژیست ها همچنان در زمره پزشکان با بالاترین میزان درآمد قرار دارند. به عقیده کارشناسان، تفاوت در اینجاست که متخصصان این رشته حالا خودشان از ابزارهای هوش مصنوعی استفاده می نمایند و بشکل رو به ازدیادی در توسعه آنها نیز مشارکت دارند.
همچنین، برمبنای برآوردهای آماری صورت گرفته در دسامبر سال 2025، اندازه بازار جهانی هوش مصنوعی رادیولوژی در سال ۲۰۲۵، ۷۹۴.۱۲ میلیون دلار بوده و پیشبینی می شود که از ۹۸۹.۵۵ میلیون دلار در سال ۲۰۲۶ به رقم ۷۱۶۸.۲۸ میلیون دلار تا سال ۲۰۳۵ افزایش یابد و با نرخ رشد مرکب سالانه ۲۴.۶۱ درصد از سال ۲۰۲۶ تا ۲۰۳۵ توسعه یابد. بازار هوش مصنوعی رادیولوژی، رشد بی سابقه ای را تجربه می کند که ناشی از افزایش تقاضا برای تشخیص زودهنگام بیماریهای مزمن است.
بحث در رابطه با آینده هوش مصنوعی در رادیولوژی سال ها حول یک پرسش جذاب اما غیردقیق شکل گرفته است. آیا هوش مصنوعی جای رادیولوژیست را خواهد گرفت؟ مقاله تازه یان بگر، امین کورچی و کریستوف آگتن در نشریه «European Journal of Radiology Artificial Intelligence» صورت مساله را بشکل دقیق تری مطرح می کند. نویسندگان این مقاله با طراحی سه سناریوی مستقل برای شرح شغل رادیولوژیست تشخیصی در سال ۲۰۳۵ نشان می دهند که نقطه اصلی اختلاف، اصل دگرگونی حرفه نیست، بلکه شکل توزیع منافع و هزینه های این دگرگونی بحساب می آید. هر سه سناریو افزایش استقلال هوش مصنوعی در بررسی های روتین، استمرار مسئولیت بالینی انسان و انتقال بخش بیشتری از وقت رادیولوژیست به پرونده های پیچیده را مفروض می گیرند. اختلاف از جایی شروع می شود که باید در رابطه با تعداد رادیولوژیست ها، امنیت شغلی، دستمزد و جایگاه حرفه ای آنها سخن گفت.
این تمایز، ارزش اصلی مقاله مورد بررسی بحساب می آید. آینده رادیولوژی را نمی توان صرفا از روی منحنی پیشرفت الگوریتم ها پیش بینی نمود. مقررات، نظام بازپرداخت هزینه های درمان، مسئولیت حقوقی، ساختار آموزش تخصصی و تصمیم بیمارستان ها در رابطه با نحوه افزایش راندمان، همگی در تعیین نتیجه دخالت دارند. ازاین رو فناوری مجموعه ای از امکان ها را می گشاید، اما معماری نهادی نظام سلامت تعیین می کند کدام امکان به ساختار مسلط تبدیل گردد.
سناریوی نخست: رادیولوژیست به عامل تشخیص تبدیل می شود
سناریوی خوش بینانه کورچی، هوش مصنوعی را نیروی توسعه دهنده قلمرو حرفه ای رادیولوژیست می بیند. الگوریتم سرعت و تشخیص اولیه را بر عهده می گیرد و پزشک بسمت تحلیل نشانگرهای زیستی جدید، اطلاعات کمی، داده های بیماری، مدیریت تشخیص و ارتباط مستقیم تر با بیمار و سایر پزشکان حرکت می کند. در این الگو، رادیولوژیست سال ۲۰۳۵ بیشتر از آن که تفسیرگر تصویر باشد، هماهنگ کننده فرآیند تشخیص بحساب می آید. فرض تعیین کننده این سناریو آن است که رشد تقاضا برای تصویربرداری و خدمات تشخیصی جدید از افزایش بهره وری هر رادیولوژیست سریع تر خواهد بود. در چنین وضعی، هوش مصنوعی ظرفیت حرفه را بیشتر می کند و کاهش نیروی انسانی لزوم پیدا نمی کند.
پیامد این تحول، تغییر در منبع ارزش حرفه ای است. مهارتی که امروز به طور عمده بر توانایی مشاهده و تفسیر تصویر استوار است، به مجموعه ای گسترده تر از توانایی های تشخیصی، مدیریتی و ارتباطی تبدیل می شود. بر همین اساس، پزشک باید خروجی سیستم های هوشمند را بفهمد، بر عملکرد آنها نظارت کند و در مقابل تصمیم نهائی پاسخگو باشد.
سناریوی دوم: شغل بهتر، برای جمعیتی کمتر
بگر فرض افزایش توان بالینی را می پذیرد، اما منطق اقتصادی متفاوتی بر آن حاکم می کند. افزایش تعداد مطالعاتی که هر رادیولوژیست می تواند مدیریت کند، نیاز یک بخش درمانی به نیروی انسانی را می کاهد. پرونده های ساده قبل از رسیدن به میز پزشک توسط هوش مصنوعی پردازش می شوند و سهم بیشتری از آنچه برای انسان باقی می ماند، موارد مبهم، نادر یا پرخطر خواهد بود. نتیجه، حرفه ای با محتوای تخصصی تر و مسئولیت سنگین تر است که تعداد کمتری از پزشکان آنرا انجام می دهند.
شواهد تجربی موجود به این نگرانی وزن قابل توجهی می دهند. بعنوان نمونه، مطالعه اخیر صورت گرفته در رابطه با غربالگری سرطان سینه نشان داده است که خوانش مبتنی بر هوش مصنوعی می تواند عملکرد تشخیصی هم سطح خوانش دوگانه متعارف بوجود آورد و هم زمان بار خوانش انسانی را ۴۴ درصد کم کند. یک مطالعه مستقل بریتانیایی نیز کاهش ۴۶ درصدی خوانش انسانی را با عملکرد تشخیصی معادل گزارش کرده است. نکته تعیین کننده آن است که در هر دو مطالعه، رادیولوژیست انسانی همچنان در زنجیره مسئولیت حضور دارد. ازاین رو شواهد فعلی بیشتر از حذف کامل انسان، کاهش میزان کار انسانی مورد نیاز برای تولید هر واحد خدمت تشخیصی را پشتیبانی می کنند.
سناریوی سوم: یک حرفه در سه سطح
آگتن پیامد اقتصادی اتوماسیون را یک مرحله جلوتر می برد و آینده ای طبقاتی را برای حرفه رادیولوژی ترسیم می کند. در رأس ساختار، گروه کوچکی از فوق تخصص های پردرآمد قرار می گیرند که پرونده های پیچیده را بررسی و بر زنجیره هوش مصنوعی نظارت می کنند. گروه دوم پزشکانی هستند که کارهای مداخله ای و فیزیکی مانند سونوگرافی یا هدایت ابزار تصویربرداری را انجام می دهند. لایه سوم از نیروی انسانی دورکار تشکیل می شود که حجم بزرگی از خروجی های هوش مصنوعی را ممیزی و تأیید می کند و ارزش اقتصادی کار آن به مراتب پایین تر است.
در نهایت، هر سه سناریو بر افزایش استقلال الگوریتم در کارهای روتین توافق دارند، اما در سناریوی کورچی اختیار بالینی پزشک به صورت کامل حفظ می شود، در مدل بگر مسئولیت نهائی همچنان بر عهده رادیولوژیست است و در مدل آگتن اختیار کامل به طور عمده در لایه نخست حرفه متمرکز می شود. به همین ترتیب، بار حکمرانی هوش مصنوعی در دو سناریوی نخست بخش مهمی از شغل پزشک است، در صورتیکه در مدل سوم همین اختیار نیز میان طبقات حرفه ای بشدت نامتقارن توزیع می شود.
پزشک چطور پزشک شدن را یاد خواهد گرفت؟
یکی از عمیق ترین مسایل مقاله به آموزش مربوط می شود. تخصص رادیولوژی تا حد زیادی از مشاهده انباشته هزاران مطالعه و مواجهه مکرر با موارد عادی و غیرعادی ایجاد می شود. هنگامی که الگوریتم بخش عمده مطالعات روتین را پیشاپیش مدیریت کند، مسیر تشکیل قضاوت بالینی نیز تغییر می کند.
ادبیات مورد استناد مقاله سه خطر متمایز، شامل شکل نگرفتن مهارت های بنیادی از ابتدا، فرسایش مهارت های کسب شده و تشکیل مهارت بر پایه خروجی معیوب هوش مصنوعی را مطرح می کند. بنابراین، مساله از آموزش کار با یک نرم افزار فراتر می رود. در شرایطی که هوش مصنوعی خود بخش مهمی از تجربه آموزشی را از بین می برد، برنامه های تخصصی باید پاسخ دهند که پزشک آینده چطور باید توانایی مستقل تشخیص خطای این فناوری را کسب کند.
هوش مصنوعی عامل محور، نقطه جهش بعدی
به باوئر خیلی از کارشناسان، عامل دیگری می تواند هر سه سناریوی مورد بررسی در مقاله را عمیق تر کند. سیستم های عامل محور قادر هستند زنجیره ای از وظایف شامل انتخاب پروتکل، بازیابی سوابق، تحلیل تصاویر، تهیه گزارش ساختاریافته، ارتباط و پیگیری را هماهنگ کنند. همین قابلیت دو مسیر کاملا متفاوت به وجود می آورد. رادیولوژیست می تواند مدیر یک زنجیره تشخیصی هوشمند شود یا نقش او به تأیید خروجی زنجیره ای تقلیل یابد که تقریبا تمام مراحل را مستقلاً انجام داده است. در این نقطه، مقاله به درستی نتیجه را تابع تصمیمات اقتصادی و نهادی نظام سلامت می داند.
دوقلوهای دیجیتال نیز همین دوگانگی را تشدید می کنند. ترکیب تصویربرداری با داده های چندوجهی می تواند رادیولوژیست را وارد مدل سازی طولی بیماری، پیشبینی خطر و شبیه سازی درمان کند. همزمان، مهارت های موردنیاز برای ساخت و اعتبارسنجی چنین مدل هایی امکان دارد این فعالیت را در اختیار گروه کوچک تری از متخصصان بسیار پیشرفته قرار دهد. فناوری واحد در این جا می تواند هم توسعه قلمرو حرفه ای و هم تمرکز آنرا رقم بزند.
نتیجه گیری: آینده رادیولوژی را الگوریتم به تنهایی تعیین نمی کند
مهم ترین نتیجه مقاله در فاصله میان قابلیت فنی و آمادگی بالینی قرار دارد. بر همین اساس، عملکرد مطلوب یک مدل در آزمون معیار، هنوز به معنای قابلیت استقرار گسترده آن در بیمارستان نیست. اعتبارسنجی در محیط حقیقی، نظام توزیع، مسئولیت حقوقی، پایش مستمر عملکرد و سازوکارهای حکمرانی تعیین می کنند چه میزان از ظرفیت فنی هوش مصنوعی به کنش های بالینی تبدیل گردد.
از این منظر، پرسش تعیین کننده سال ۲۰۳۵ تعداد تصاویر پزشکی قابل خواندن توسط هوش مصنوعی نیست. مساله اصلی آن است که بهره وری آزادشده چطور توزیع خواهد شد. نظام سلامت می تواند این توان را به افزایش ظرفیت تشخیصی و توسعه نقش پزشک تبدیل کند، از آن برای کاهش احتیاج به نیروی انسانی استفاده کند یا حرفه را به طبقات متفاوتی از متخصص، مداخله گر و ممیز الگوریتمی تقسیم نماید. بالاخره، مقاله بگر، کورچی و آگتن دقیقا در همین نقطه از یک بحث فناورانه عبور می کند و به مساله ای در رابطه با اقتصاد سیاسی اتوماسیون پزشکی می رسد.
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب