تشخیص بیماری با هوش مصنوعی؛ آیا AI از پزشکان سریع‌تر عمل می‌کند؟

هوش مصنوعی در تشخیص سرطان پستان؛ یکی از قوی‌ترین نمونه‌ها

یکی از جدی‌ترین حوزه‌های تشخیص بیماری با هوش مصنوعی، ماموگرافی است.

سرطان پستان اگر در مراحل اولیه پیدا شود، معمولاً گزینه‌های درمانی بیشتری پیش روی بیمار قرار می‌گیرد. مشکل اینجاست که بعضی ضایعات بسیار کوچک‌اند یا در بافت متراکم پستان به‌سادگی دیده نمی‌شوند.

اینجاست که هوش مصنوعی می‌تواند مثل «جفت چشم دوم» عمل کند.

یک مطالعه بزرگ در آلمان که داده‌های بیش از ۴۶۰ هزار زن را بررسی کرد، استفاده واقعی از AI در برنامه غربالگری را ارزیابی کرد. در گروهی که رادیولوژیست‌ها از پشتیبانی هوش مصنوعی استفاده کردند، نرخ شناسایی سرطان حدود ۶.۷ مورد در هر هزار غربالگری بود؛ در گروه معمول این عدد حدود ۵.۷ مورد در هزار نفر گزارش شد. پژوهشگران افزایش حدود ۱۷.۶ درصدی نرخ تشخیص را گزارش کردند.

این نتیجه اهمیت زیادی دارد، اما نباید آن را به شکل «AI رادیولوژیست را شکست داد» تفسیر کرد.

مطالعه در واقع نشان می‌دهد تشخیص بیماری با هوش مصنوعی در کنار پزشک می‌تواند عملکرد سیستم غربالگری را بهتر کند.

پژوهش MASAI در سوئد نیز به نتایج امیدوارکننده‌ای رسید. نتایج اولیه نشان داد غربالگری ماموگرافی با پشتیبانی AI می‌تواند بار خواندن تصاویر را حدود ۴۴ درصد کاهش دهد، بدون آنکه ایمنی غربالگری قربانی شود.

پس تصویر واقعی این نیست که نرم‌افزار روی صندلی رادیولوژیست بنشیند.

تصویر واقعی این است: رادیولوژیست تصویر را می‌بیند و سیستم هوشمند نیز مناطق یا موارد پرریسک را برجسته می‌کند. دو منبع اطلاعاتی کنار یکدیگر قرار می‌گیرند.

رتینوپاتی دیابتی؛ جایی که AI حتی می‌تواند غربالگری مستقل انجام دهد

رتینوپاتی دیابتی یکی دیگر از نمونه‌های مهم تشخیص بیماری با هوش مصنوعی است.

قند خون بالا در طول زمان می‌تواند رگ‌های کوچک شبکیه را آسیب بزند. مشکل اینجاست که بیمار ممکن است در مراحل اولیه هیچ علامت واضحی نداشته باشد.

اگر آسیب زود پیدا شود، فرصت بیشتری برای جلوگیری از کاهش بینایی وجود دارد.

عکس شبکیه یک ورودی مناسب برای AI است؛ تصاویر نسبتاً استاندارد هستند و الگوریتم می‌تواند الگوهای شناخته‌شده آسیب عروقی را جست‌وجو کند.

در یک کارآزمایی محوری با حدود ۹۰۰ شرکت‌کننده، یک سیستم خودکار تشخیص رتینوپاتی دیابتی به حساسیت ۸۷.۲ درصد و ویژگی ۹۰.۷ درصد رسید. این فناوری بعدها به نخستین سیستم تشخیصی خودکار مبتنی بر AI تبدیل شد که FDA برای چنین کاربردی مجوز داد.

اهمیت این فناوری فقط در درصدها نیست.

تصور کنید فرد مبتلا به دیابت به یک مرکز مراقبت اولیه مراجعه می‌کند که متخصص چشم در آن حضور ندارد. تصویربرداری انجام می‌شود و سیستم می‌تواند مشخص کند آیا بیمار باید برای بررسی تخصصی ارجاع شود یا خیر.

در اینجا تشخیص بیماری با هوش مصنوعی می‌تواند شکاف دسترسی به متخصص را کمتر کند.

اما باز هم نتیجه غیرطبیعی به معنای شروع خودکار درمان نیست. بیمارانی که در غربالگری مثبت می‌شوند، همچنان به ارزیابی و مراقبت مناسب نیاز دارند.

سپسیس؛ وقتی چند ساعت واقعاً مهم است

سپسیس با مثال‌های قبلی فرق دارد.

اینجا معمولاً یک تصویر ساده وجود ندارد که AI بتواند آن را بررسی کند. الگوریتم باید علائم حیاتی، نتایج آزمایش، اطلاعات پرونده و تغییر وضعیت بیمار را کنار هم بگذارد.

سپسیس می‌تواند بسیار سریع پیشرفت کند؛ بنابراین تشخیص زودهنگام اهمیت زیادی دارد.

در مطالعه‌ای چندمرکزی درباره سیستم هشدار زودهنگام TREWS، بیش از ۵۹۰ هزار بیمار تحت پایش قرار گرفتند. در بیماران مبتلا به سپسیسی که هشدار سیستم پیش از شروع آنتی‌بیوتیک صادر شده بود، پاسخ سریع‌تر پزشکان به هشدار با پیامدهای بهتر همراه بود. تأیید هشدار توسط ارائه‌دهنده مراقبت ظرف سه ساعت، با کاهش تعدیل‌شده مرگ‌ومیر بیمارستانی همراه بود.

این مثال یک نکته اساسی درباره تشخیص بیماری با هوش مصنوعی را روشن می‌کند:

یک الگوریتم خوب بدون فرایند درمانی خوب کافی نیست.

اگر سیستم ساعت ۱۰ صبح هشدار دهد ولی هیچ‌کس تا شب آن را نبیند، هوشمندی الگوریتم کمک زیادی نمی‌کند.

در پزشکی، سرعت انتقال هشدار، تصمیم پزشک، آزمایش تکمیلی و شروع درمان همگی بخشی از نتیجه‌اند.

آیا هوش مصنوعی در همه بیماری‌ها عملکرد مشابهی دارد؟

خیر.

این یکی از مهم‌ترین سوءبرداشت‌ها درباره تشخیص بیماری با هوش مصنوعی است.

عبارت «AI بیماری را تشخیص می‌دهد» بیش از حد کلی است. باید پرسید:

کدام AI؟
کدام بیماری؟
با چه داده‌ای؟
روی چه جمعیتی؟
در چه بیمارستانی؟
با چه دستگاهی؟
در مقایسه با چه پزشکی؟

AI معمولاً زمانی عملکرد بهتری دارد که مسئله محدود و مشخص باشد.

مثلاً:

یک مدل ممکن است در تشخیص یک ضایعه خاص از تصویری استاندارد عالی باشد، اما اگر همان بیمار چند بیماری هم‌زمان، داروهای متعدد و علائم نامعمول داشته باشد، مسئله کاملاً تغییر می‌کند.

تفاوت هوش مصنوعی پزشکی تخصصی با ChatGPT و ابزارهای مشابه چیست؟

این تفاوت بسیار مهم است.

وقتی درباره نتایج امیدوارکننده تشخیص بیماری با هوش مصنوعی صحبت می‌کنیم، معمولاً منظور یک سیستم تخصصی است که برای وظیفه مشخص آموزش و ارزیابی شده است.

این سیستم با یک چت‌بات عمومی یکسان نیست.

برای مثال، نرم‌افزاری که فقط برای تحلیل تصاویر شبکیه توسعه یافته، مسئله‌ای بسیار محدودتر از مدلی دارد که قرار است درباره هزاران بیماری به سؤال کاربر پاسخ دهد.

این تفاوت در تحقیقات نیز دیده می‌شود.

یک مرور سیستماتیک و متاآنالیز منتشرشده در npj Digital Medicine در سال ۲۰۲۵، ۸۳ مطالعه درباره عملکرد تشخیصی هوش مصنوعی مولد را بررسی کرد. دقت تشخیصی کلی حدود ۵۲.۱ درصد گزارش شد. تفاوت معناداری میان AI و پزشکان به‌طور کلی دیده نشد، اما هوش مصنوعی مولد در مقایسه با پزشکان متخصص عملکرد ضعیف‌تری داشت.

بنابراین، مشاهده عملکرد فوق‌العاده AI در ماموگرافی به این معنی نیست که یک چت‌بات عمومی نیز می‌تواند سرطان پستان را از روی توضیحات شما تشخیص دهد.

سیب را باید با سیب مقایسه کرد، نه با آچار فرانسه.

حساسیت و ویژگی؛ دو عددی که باید قبل از اعتماد به AI بدانیم

صحبت از «دقت» گاهی بیش از حد ساده‌سازی‌شده است.

برای ارزیابی تشخیص بیماری با هوش مصنوعی معمولاً شاخص‌هایی مانند Sensitivity و Specificity اهمیت بیشتری دارند.

حساسیت یا Sensitivity نشان می‌دهد سیستم چه تعداد از افراد واقعاً بیمار را درست شناسایی کرده است.

ویژگی یا Specificity نشان می‌دهد چه تعداد از افراد سالم را درست سالم تشخیص داده است.

فرض کنید یک سیستم حساسیت فوق‌العاده‌ای دارد اما ویژگی آن ضعیف است.

احتمالاً تقریباً همه بیماران را پیدا می‌کند، ولی تعداد زیادی از افراد سالم را هم مشکوک اعلام می‌کند.

نتیجه؟

اضطراب، آزمایش‌های اضافی، هزینه بیشتر و احتمال بررسی‌های غیرضروری.

برعکس، اگر سیستمی تعداد زیادی بیمار واقعی را سالم اعلام کند، با مشکل «منفی کاذب» روبه‌رو می‌شویم.

به همین دلیل وقتی با تبلیغی مثل «دقت ۹۹ درصد» روبه‌رو می‌شوید، هنوز اطلاعات کافی ندارید.

باید بدانید آن ۹۹ درصد دقیقاً چگونه اندازه‌گیری شده است.

مشکل داده؛ AI به اندازه غذایی که به آن می‌دهیم سالم است

هر سیستم تشخیص بیماری با هوش مصنوعی از داده یاد می‌گیرد.

اگر داده ناقص یا یک‌طرفه باشد، خروجی نیز ممکن است مشکل داشته باشد.

برای مثال فرض کنید الگوریتمی تقریباً فقط با تصاویر یک گروه جمعیتی، یک مدل دستگاه تصویربرداری و چند بیمارستان بزرگ آموزش دیده باشد.

آیا با همان دقت در کشور دیگر کار می‌کند؟

لزومی ندارد.

دستگاه متفاوت، شیوه تصویربرداری متفاوت، شیوع متفاوت بیماری و ویژگی‌های جمعیتی می‌توانند عملکرد مدل را تغییر دهند.

این موضوع را «تغییر توزیع داده» یا Dataset Shift می‌نامند.

به همین علت سازمان جهانی بهداشت در کنار فواید AI، بر عدالت، شفافیت، ایمنی، حریم خصوصی و نظارت انسانی تأکید می‌کند.

یک الگوریتم ممکن است در مقاله علمی عالی به نظر برسد ولی در بیمارستان واقعی با داده‌های ناقص همان عملکرد را نداشته باشد.

محیط آزمایشگاه زمین فوتبال صاف است؛ بیمارستان واقعی بیشتر شبیه زمین گل‌آلود بعد از باران است.

آیا AI ممکن است نسبت به بعضی گروه‌ها سوگیری داشته باشد؟

بله، و این مسئله در تشخیص بیماری با هوش مصنوعی بسیار جدی است.

مدل از گذشته یاد می‌گیرد. اگر گذشته نماینده همه مردم نباشد، یادگیری آن نیز ناقص خواهد بود.

مثلاً اگر تعداد بیماران یک گروه سنی یا جمعیتی در داده آموزشی بسیار کم باشد، نمی‌توان بدون آزمایش مناسب فرض کرد الگوریتم روی همان گروه هم دقیق است.

سوگیری می‌تواند از جاهای مختلف وارد شود:

• داده آموزشی

• روش برچسب‌گذاری بیماری

• انتخاب بیمارستان‌ها

• دستگاه مورد استفاده

• شیوه ثبت اطلاعات

• طراحی خود الگوریتم

به همین دلیل یک عدد کلی مثل «۹۵ درصد دقت» همیشه کافی نیست.

باید دید عملکرد برای زیرگروه‌های مختلف چگونه بوده است.

تأیید FDA به معنی بی‌نقص بودن AI نیست

تعداد فناوری‌های پزشکی مبتنی بر هوش مصنوعی به‌شدت افزایش یافته است.

FDA در سپتامبر ۲۰۲۶ اعلام کرد بیش از ۱۶۰۰ دستگاه پزشکی مجهز به AI برای عرضه در ایالات متحده مجوز دریافت کرده‌اند. این فناوری‌ها طیف وسیعی از کاربردهای تصویربرداری، قلب، مغز، دیابت و حوزه‌های دیگر را پوشش می‌دهند.

فهرست FDA نشان می‌دهد تنها در سال ۲۰۲۶ نیز ابزارهای تازه‌ای برای رادیولوژی، ماموگرافی، قلب و کاربردهای دیگر مجوز گرفته‌اند.

اما مجوز داشتن به معنی «هرگز اشتباه نمی‌کند» نیست.

حتی بهترین ابزار پزشکی هم محدودیت دارد.

وظیفه مقررات‌گذار این است که شواهد مربوط به ایمنی و اثربخشی کاربرد مشخص دستگاه را ارزیابی کند. FDA نیز تصریح می‌کند دستگاه‌های موجود در فهرست آن برای کاربرد تعریف‌شده، الزامات مربوط به بررسی پیش از ورود به بازار را طی کرده‌اند.

پس باید میان «AI پزشکی ارزیابی‌شده» و یک اپلیکیشن ناشناس که ادعا می‌کند از روی چند سؤال بیماری شما را پیدا می‌کند فرق گذاشت.

پرونده الکترونیک پزشکی چه نقشی دارد؟

بخش مهمی از تشخیص بیماری با هوش مصنوعی به کیفیت داده‌های پرونده سلامت وابسته است.

فرض کنید الگوریتم قرار است احتمال وخامت وضعیت بیمار را بررسی کند.

اما نتایج بعضی آزمایش‌ها در بیمارستان اول است، نسخه‌های دارویی در سیستم دیگری ذخیره شده و سابقه پزشکی به‌روز نیست.

در این شرایط تصویر کاملی در اختیار AI قرار نمی‌گیرد.

وقتی داده‌ها ساختاریافته و قابل اتصال باشند، سیستم می‌تواند روندها را بهتر ببیند.

برای مثال ممکن است متوجه شود:

فشار خون طی چند ماه تغییر کرده، یک شاخص آزمایشگاهی آرام بالا رفته، داروی جدیدی اضافه شده و مراجعات بیمار بیشتر شده است.

هیچ‌کدام از این عوامل شاید به‌تنهایی عجیب نباشند. ترکیب آنها می‌تواند مهم باشد.

مقاله انگلیسی مبنای این محتوا نیز بر همین نکته تأکید می‌کند: کیفیت عملکرد AI تا حد زیادی به کیفیت و انسجام داده‌های پزشکی و سیستم‌های پرونده الکترونیک وابسته است.

هوش مصنوعی چه چیزهایی را هنوز خوب انجام نمی‌دهد؟

هیجان اطراف تشخیص بیماری با هوش مصنوعی نباید محدودیت‌ها را پنهان کند.

۱. فهم کامل زمینه زندگی بیمار

عددها همه داستان را نمی‌گویند.

گاهی دلیل یک نتیجه غیرعادی مصرف دارو، رژیم غذایی، بیماری قدیمی یا حتی خطای آزمایشگاهی است.

پزشک می‌تواند سؤال بپرسد و ارتباط میان عوامل را بررسی کند.

۲. معاینه فیزیکی

پوست، نحوه تنفس، سطح هوشیاری، درد هنگام لمس و ده‌ها علامت دیگر ممکن است برای تصمیم پزشکی مهم باشند.

همه این اطلاعات لزوماً به الگوریتم نمی‌رسند.

۳. مواجهه با موارد غیرعادی

مدل‌ها معمولاً روی الگوهایی که در داده آموزشی بیشتر دیده‌اند بهتر عمل می‌کنند.

بیماری نادر یا ترکیب بسیار نامعمول علائم می‌تواند چالش ایجاد کند.

۴. مسئولیت تصمیم

تشخیص فقط اعلام یک احتمال نیست.

بعد از آن باید مشخص شود چه آزمایشی انجام شود، درمان چه زمانی شروع شود و مزایا و خطرهای هر گزینه چیست.

این بخش هنوز به قضاوت بالینی نیاز جدی دارد.

وقتی هوش مصنوعی اشتباه می‌کند چه اتفاقی می‌افتد؟

دو خطای اصلی در تشخیص بیماری با هوش مصنوعی وجود دارد.

مثبت کاذب

سیستم می‌گوید احتمال بیماری وجود دارد، درحالی‌که فرد بیمار نیست.

ممکن است نتیجه به آزمایش بیشتر، نگرانی یا هزینه اضافی منجر شود.

منفی کاذب

خطرناک‌تر است.

سیستم فرد بیمار را کم‌خطر یا سالم ارزیابی می‌کند.

اگر پزشک بدون بررسی مستقل به خروجی اعتماد کند، تشخیص ممکن است به تأخیر بیفتد.

در اینجا پدیده دیگری هم وجود دارد: Automation Bias.

یعنی انسان چون نتیجه را کامپیوتر ارائه کرده، بیش از حد به آن اعتماد می‌کند.

یک عدد روی صفحه نمایش لزوماً حقیقت مطلق نیست.

آیا هوش مصنوعی جای پزشکان را می‌گیرد؟

برای آینده قابل پیش‌بینی، محتمل‌ترین سناریو جایگزینی کامل نیست.

ترکیب انسان و ماشین منطقی‌تر به نظر می‌رسد.

در تشخیص بیماری با هوش مصنوعی، ماشین در کارهایی مثل پردازش حجم بالا، مقایسه تصاویر، اندازه‌گیری و یافتن الگوهای ظریف مزیت دارد.

پزشک در بخش دیگری برتری دارد:

• معاینه

• درک زمینه

• ارتباط انسانی

• مدیریت عدم قطعیت

• انتخاب درمان

• توضیح گزینه‌ها

• تصمیم‌گیری اخلاقی

مقاله مرجع انگلیسی نیز این مدل را «AI plus doctor» توصیف می‌کند: ماشین حجم و الگویابی را مدیریت می‌کند و پزشک قضاوت، توضیح و اقدام را بر عهده دارد.

شاید سؤال بهتر این نباشد که «AI یا پزشک؟»

سؤال بهتر این است:

پزشکی که از AI درست استفاده می‌کند، در مقایسه با پزشکی که چنین ابزاری ندارد چه عملکردی خواهد داشت؟

این رقابت، تصویر واقعی‌تری از آینده ارائه می‌کند.

آینده تشخیص بیماری با هوش مصنوعی چگونه خواهد بود؟

آینده تشخیص بیماری با هوش مصنوعی احتمالاً به سیستم‌هایی ختم می‌شود که چند نوع داده را هم‌زمان تحلیل می‌کنند.

امروز یک الگوریتم ممکن است فقط CT را بررسی کند و دیگری فقط داده آزمایشگاهی را.

نسل‌های آینده می‌توانند تصاویر، نتایج آزمایش، سوابق پزشکی، علائم، داروها و حتی داده‌های ابزارهای پوشیدنی را کنار هم قرار دهند.

در این حالت، AI صرفاً دنبال یک ضایعه نمی‌گردد.

ممکن است تغییراتی را پیدا کند که هنوز به بیماری آشکار تبدیل نشده‌اند.

مثلاً به پزشک هشدار دهد:

«ریسک این بیمار نسبت به شش ماه قبل افزایش یافته و بهتر است ارزیابی بیشتری انجام شود.»

این شاید مهم‌ترین وعده AI باشد؛ حرکت پزشکی از واکنش به بیماری، به سمت شناسایی ریسک پیش از وخامت.

البته هرچه سیستم‌ها قدرتمندتر شوند، نیاز به مقررات، حفاظت از اطلاعات، شفافیت و ارزیابی واقعی نیز بیشتر خواهد شد.

WHO نیز تأکید می‌کند که توسعه سریع فناوری از قوانین و ظرفیت بسیاری از سیستم‌های سلامت جلو افتاده است و استقرار AI باید همراه با سازوکارهای مناسب ایمنی و حکمرانی باشد.

در نهایت؛ آیا هوش مصنوعی واقعاً زودتر از پزشک بیماری را تشخیص می‌دهد؟

تشخیص بیماری با هوش مصنوعی در بعضی شرایط می‌تواند نشانه‌های بیماری یا افزایش ریسک را زودتر از بررسی معمول انسانی آشکار کند.

شواهد خوبی برای کاربرد AI در حوزه‌هایی مانند ماموگرافی، غربالگری رتینوپاتی دیابتی و سیستم‌های هشدار زودهنگام وجود دارد.

اما نتیجه را نباید به همه پزشکی تعمیم داد.

AI در یک وظیفه محدود ممکن است فوق‌العاده باشد و چند دقیقه بعد، وقتی مسئله از محدوده آموزش آن خارج شود، عملکرد بسیار ضعیف‌تری نشان دهد.

پزشکی پر از خاکستری‌هاست.

بیمار همیشه با یک تصویر واضح، داده کامل و بیماری کلاسیک وارد مطب نمی‌شود.

بنابراین آینده واقعی تشخیص بیماری با هوش مصنوعی احتمالاً جایی میان دو افراط قرار می‌گیرد: نه پزشکی بدون AI و نه پزشکی بدون پزشک.

الگوریتم می‌تواند نشانه‌های کوچک را پیدا کند. پزشک باید بفهمد آن نشانه برای این بیمار خاص چه معنایی دارد.

اگر این دو توانایی درست کنار هم قرار بگیرند، نتیجه می‌تواند تشخیص سریع‌تر، غربالگری گسترده‌تر و فرصت بیشتر برای مداخله زودهنگام باشد.

سوالات متداول

آیا شرکت بیمه نتیجه تشخیص هوش مصنوعی را به‌تنهایی قبول می‌کند؟

این موضوع به کشور، شرکت بیمه، نوع خدمت و مقررات درمانی بستگی دارد. در بسیاری از سیستم‌ها، خروجی AI بخشی از فرایند پزشکی است و برای آزمایش، درمان یا بازپرداخت هزینه همچنان مستندات و تأیید ارائه‌دهنده خدمات درمانی لازم خواهد بود.

آیا می‌توان از بیمارستان درخواست کرد پرونده پزشکی با هوش مصنوعی بررسی شود؟

بسته به مرکز درمانی متفاوت است. بعضی بیمارستان‌ها AI را در رادیولوژی، قلب، غربالگری یا سیستم‌های هشدار داخلی استفاده می‌کنند، اما بیمار معمولاً نمی‌تواند استفاده از یک الگوریتم خاص را الزام کند. بهتر است درباره ابزارهای مورد استفاده مستقیماً از مرکز درمانی سؤال شود.

آیا ابزارهای AI پزشکی برای کودکان هم به‌اندازه بزرگسالان دقیق هستند؟

نه لزوماً. عملکرد یک مدل به جمعیتی بستگی دارد که روی آن آموزش و اعتبارسنجی شده است. ابزاری که برای بزرگسالان آزمایش شده، بدون شواهد جداگانه نباید خودکار برای کودکان قابل اعتماد فرض شود.

آیا AI می‌تواند یک بیماری بسیار نادر را پیدا کند؟

در بعضی موارد AI می‌تواند از تطبیق الگوها برای پیشنهاد بیماری‌های نادر کمک بگیرد، اما کمبود نمونه‌های آموزشی خود یکی از مشکلات اصلی بیماری‌های نادر است. بنابراین خروجی چنین سیستم‌هایی معمولاً باید توسط متخصص مرتبط بررسی شود.

اگر تشخیص پزشک و هوش مصنوعی با یکدیگر متفاوت باشند، کدام را باید قبول کرد؟

هیچ خروجی الگوریتمی را نباید صرفاً به دلیل ماشینی بودن قطعی دانست. پزشک می‌تواند با بررسی شرح حال، معاینه و آزمایش تکمیلی علت اختلاف را ارزیابی کند و در موارد حساس حتی نظر پزشک دوم نیز می‌تواند مفید باشد.