پیشبینی آینده رادیولوژیست ها باوجود هوش مصنوعی
سئو بوی: 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 بوجود آورده است.
به گزارش سئو بوی 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 پروسه گزارش نویسی، رادیولوژی را به محیطی مساعد برای توسعه الگوریتم های یادگیری ماشین تبدیل نموده است. درنتیجه، 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، رئیس و مدیر عامل شرکت انویدیا، هم در اظهار نظری به روایت اثر ظهور هوش مصنوعی بر رادیولوژی پرداخته است. بالاتر از یک دهه بود که تحول بنیادین رادیولوژی توسط هوش مصنوعی، با عنایت به قابلیت فوق العاده سیستم های بینایی ماشین در تحلیل تصاویر پزشکی، امری اجتناب ناپذیر به نظر می رسید. هوانگ هم پیش بینی می کرد که حرفه متخصص رادیولوژی بواسطه پیشرفت بیش از پیش بینایی کامپیوتری، توان شناسایی تصاویر و تشخیص ناهنجاری ها، یکی از اولین مشاغلی است که بنابراین توسعه هوش مصنوعی نابود خواهد شد
حتی برخی سرمایه گذاران هم پیش بینی می کردند که این حرفه ممکنست 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 اعتقاد کارشناسان، تفاوت در اینجاست که متخصصان این رشته حالا خودشان از ابزارهای هوش مصنوعی استفاده می نمایند و به صورت رو به ازدیادی در توسعه آنها هم مشارکت دارند.
همچنین، بر مبنای برآوردهای آماری انجام شده در دسامبر سال ۲۰۲۵، 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 سریع بیماری های مزمن است.
بحث درباره ی 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 به صورت 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 بررسیهای 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 درباره ی 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 درباره ی نحوه افزایش بهره وری، همگی در تعیین نتیجه دخالت دارند. بدین سبب فناوری مجموعه ای از امکان ها را می گشاید، اما معماری نهادی سیستم 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 به سوی 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 بالاتر از آن که تفسیرگر تصویر باشد، هماهنگ کننده پروسه تشخیص بحساب می آید. فرض تعیین کننده این سناریو آنست که رشد تقاضا برای تصویربرداری و خدمات تشخیصی جدید از افزایش راندمان 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 عمدتا 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 سامانه 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. به عنوان نمونه، مطالعه اخیر انجام شده درباره ی غربالگری سرطان سینه نشان داده است که خوانش مبتنی بر هوش مصنوعی می تواند عملکرد تشخیصی هم سطح خوانش دوگانه متعارف ایجاد نماید و هم زمان بار خوانش انسانی را ۴۴ درصد کم کند. یک مطالعه مستقل بریتانیایی هم کاهش ۴۶ درصدی خوانش انسانی را با عملکرد تشخیصی معادل گزارش کرده است. نکته تعیین کننده آنست که در هر دو مطالعه، رادیولوژیست انسانی همچنان در زنجیره مسئولیت حضور دارد. بدین سبب شواهد فعلی بالاتر 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 بمراتب پایین تر است.در نهایت، هر سه سناریو بر افزایش استقلال الگوریتم در کارهای روتین توافق دارند، اما در سناریوی کورچی اختیار بالینی پزشک بطور کامل حفظ می شود، در مدل بگر مسئولیت نهائی همچنان بر عهده رادیولوژیست است و در مدل آگتن اختیار کامل عمدتا 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 حالیکه در مدل سوم همین اختیار هم میان طبقات حرفه ای به شدت 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 ایجاد قضاوت بالینی هم تغییر می کند.ادبیات مورد استناد مقاله سه خطر متمایز، شامل شکل نگرفتن مهارت های بنیادی از ابتدا، فرسایش مهارت های کسب شده و ایجاد 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. سامانه 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 بطورکامل 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 حدودا تمام مراحل را مستقلاً انجام داده است. در این نقطه، مقاله به درستی نتیجه را تابع تصمیمات اقتصادی و نهادی سیستم سلامت می داند.دوقلوهای دیجیتال هم همین دوگانگی را تشدید می کنند. ترکیب تصویربرداری با داده های چندوجهی می تواند رادیولوژیست را وارد مدل سازی طولی بیماری، پیش بینی خطر و شبیه سازی درمان کند. همزمان، مهارت های ضروری جهت ساخت و اعتبارسنجی چنین مدل هایی ممکنست 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 مفهوم 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 آنست که راندمان آزادشده چطور توزیع خواهد شد. سیستم سلامت می تواند این توان را به افزایش ظرفیت تشخیصی و توسعه نقش پزشک تبدیل کند، از آن برای کاهش احتیاج به نیروی انسانی بهره بگیرد یا حرفه را به طبقات متفاوتی از متخصص، مداخله گر و ممیز الگوریتمی تقسیم نماید. سرانجام، مقاله بگر، کورچی و آگتن دقیقاً در همین نقطه از یک بحث فناورانه عبور می کند و به مساله ای درباره ی اقتصاد سیاسی اتوماسیون پزشکی می رسد.
بطور خلاصه، هوانگ هم پیشبینی می کرد که حرفه متخصص رادیولوژی بواسطه پیشرفت بالاتر از پیش بینایی کامپیوتری، توان شناسایی تصاویر و تشخیص ناهنجاری ها، یکی از نخستین مشاغلی است که ازاین رو توسعه هوش مصنوعی نابود خواهد شد حتی برخی سرمایه گذاران هم پیشبینی می کردند که این حرفه ممکنست منسوخ شود. همچنین، بر اساس برآوردهای آماری انجام شده در دسامبر سال ۲۰۲۵، 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. سرانجام، هر سه سناریو بر افزایش استقلال الگوریتم در کارهای روتین توافق دارند، اما در سناریوی کورچی اختیار بالینی پزشک به طور کامل حفظ می شود، در مدل بگر مسئولیت غایی بازهم بر عهده رادیولوژیست است و در مدل آگتن اختیار کامل عمدتاً در لایه نخست حرفه متمرکز می شود.
منبع: سئو بوی
About the Author
