في مراجعة حديثة نُشرت في مجلة Nature Medicine، ناقش العلماء نتائج جهد أسبوعي لمدة عامين لتتبع التطورات المهمة في مجال الذكاء الاصطناعي الطبي significant developments in medical (artificial intelligence) AI والإبلاغ عنها. وشملت دراسات مستقبلية وكذلك التطورات في تحليل الصور الطبية التي ضاقت الفجوة بين البحث والتنفيذ. كما يناقشون مصادر البيانات غير المتعلقة بالصور، وصيغ القضايا المبتكرة، والتعاون بين الإنسان والذكاء الاصطناعي كمسارات محتملة لأبحاث الذكاء الاصطناعي الطبية الجديدة.
نظرًا لأن مجتمع الذكاء الاصطناعي الطبي يتعامل مع العديد من القضايا الأخلاقية والتقنية والتي تركز على الإنسان والمطلوبة للترجمة الآمنة والناجحة، فإن نشر أنظمة الذكاء الاصطناعي الطبية في الرعاية السريرية الروتينية يمثل فرصة مهمة ولكنها غير محققة إلى حد كبير.
التطورات الحديثة في استخدام خوارزميات الذكاء الاصطناعي في الطب
تم استخدام العديد من التجارب المعشاة ذات الشواهد (RCTs) randomized controlled trials لتقييم فائدة أنظمة الذكاء الاصطناعي في الرعاية الصحية. على سبيل المثال، قامت إحدى التجارب المعشاة ذات الشواهد التي تقيم نظام الذكاء الاصطناعي لإدارة جرعات الأنسولين بقياس عدد الوقت الذي يقضيه المرضى ضمن نطاق الجلوكوز المستهدف، وتتبعت دراسة تقيم نظام مراقبة انخفاض ضغط الدم أثناء العملية متوسط مدة نوبات انخفاض ضغط الدم. وفقًا لدراسة أجريت عام 2020، فإن إدارة الغذاء والدواء الأمريكية US Food and Drug Administration توافق بسرعة على الذكاء الاصطناعي، وخاصة تقنيات التعلم الآلي machine learning.
انتشرت أبحاث الذكاء الاصطناعي الطبية في مجالات مثل علم الأشعة radiology، وعلم الأمراض pathology، والجهاز الهضمي gastrointestinal، وطب العيون ophthalmology، والتي تعتمد بشكل أساسي على تفسير الصور. بالنسبة لأنشطة الأشعة مثل تفسير التصوير الشعاعي للثدي وتقييم وظائف القلب وفحص سرطان الرئة، أظهرت أنظمة الذكاء الاصطناعي زيادات كبيرة في الدقة ومعالجة التشخيص والتنبؤ بالمخاطر والعلاج. على سبيل المثال، تم تعليم أحد أنظمة الذكاء الاصطناعي للتنبؤ بخطر الإصابة بسرطان الرئة لمدة 3 سنوات بناءً على قراءات التصوير المقطعي المحوسب (CT) computed tomography لأخصائيي الأشعة وغيرها من البيانات السريرية.
لقد أحرز الذكاء الاصطناعي تقدمًا كبيرًا في علم الأمراض، لا سيما من خلال استخدام التصوير بالشريحة الكاملة، في تحديد الأورام وتقديم رؤى جديدة عن الأمراض. على سبيل المثال، في أمراض الجهاز الهضمي، حقق التعلم العميق deep learning تقدمًا كبيرًا، لا سيما فيما يتعلق بتعزيز تنظير القولون، وهو اختبار حيوي للكشف عن سرطان القولون والمستقيم.
وجدت الدراسات التي أجريت على التأثير المالي للذكاء الاصطناعي في مجال طب العيون أن الفحص شبه الآلي أو الآلي بالكامل بالذكاء الاصطناعي يمكن أن يوفر المال في مواقف معينة، مثل اكتشاف اعتلال الشبكية السكري.
الاحتمالات في تطوير خوارزمية الذكاء الاصطناعي Possibilities in AI algorithm development
يتمثل النمط النموذجي في أبحاث الذكاء الاصطناعي الطبية في معالجة مشكلة تصنيف الصور، وتدريب نظام الذكاء الاصطناعي باستخدام التعلم الخاضع للإشراف على البيانات المصنفة، ثم تقييم النظام من خلال مقارنته بالمتخصصين البشريين. أولاً، يبدأ الباحثون بمصادر بيانات غير متعلقة بالصور، بما في ذلك اللغة والمواد الكيميائية والتسلسلات الجينية، مما يوفر معلومات طبية قيمة.
ثانيًا، يستكشفون صيغ المشكلات التي تتجاوز التعلم الخاضع للإشراف، مثل التعلم غير الخاضع للإشراف أو شبه الإشراف، لاكتساب رؤى من البيانات غير المصنفة أو المعيبة. أخيرًا، يفكرون في أنظمة الذكاء الاصطناعي التي تعمل مع البشر بدلاً من التنافس معهم، لأن هذه طريقة للحصول على نتائج رائعة أكثر من الذكاء الاصطناعي أو البشر وحدهم.
كان عمل Senior وزملاؤه على AlphaFold بمثابة تغيير قواعد اللعبة في المهمة الحاسمة المتمثلة في طي البروتين protein folding، والذي يستلزم التنبؤ بالبنية ثلاثية الأبعاد للبروتين من تسلسله الكيميائي. يمكن أن تكشف التحسينات في التنبؤ ببنية البروتين عن معلومات آلية حول مجموعة متنوعة من الأحداث، بما في ذلك تفاعلات البروتين الدوائي وتأثيرات الطفرات. بسبب الذكاء الاصطناعي، أصبح من الممكن الآن إجراء فحوصات السرطان غير الغازية والتشخيص وتحديد أصل الورم.
لقد أدى التعلم العميق إلى تحسين التحرير الجيني المستند إلى CRISPR من خلال المساعدة في التنبؤ بنشاط الدليل RNA وتحديد عائلات البروتين المضادة لـ CRISPR. وفقًا لإحدى الدراسات، فإن نموذج BioBERT، الذي تم تدريبه على مجموعة كبيرة من المؤلفات الطبية، تفوق في الأداء على أحدث أداء في مهام اللغة الطبيعية مثل الإجابة على الاستفسارات البيولوجية.
التعلم غير الخاضع للإشراف Unsupervised learning، والتعلم شبه الخاضع للإشراف semi-supervised learning، والاستدلال السببي causal inference، والتعلم المعزز reinforcement learning هي بعض النماذج المختلفة التي تم استخدامها لحل المشكلات المتعلقة بالبيانات غير المصنفة أو المزعجة. على سبيل المثال، لوحظ من الدراسات السابقة أن الخبراء السريريين المدعومين بالذكاء الاصطناعي تفوقوا على البشر والذكاء الاصطناعي وحده عند اكتشاف العقيدات الخبيثة في الصور الشعاعية للصدر. من المرجح أن يتم تحديد قيمة التعاون بين الإنسان والذكاء الاصطناعي من خلال تفاصيل المهمة والبيئة العلاجية.
عقبات أمام مستقبل الذكاء الاصطناعي Obstacles for the future of AI
على الرغم من التقدم الملحوظ في الذكاء الاصطناعي، هناك بعض التحديات المرتبطة بالاستخدام الواسع النطاق للذكاء الاصطناعي. على الرغم من الاعتقاد بأن الذكاء الاصطناعي سيخفض النفقات الطبية، إلا أن الأدوات المطلوبة لجمع البيانات لأنظمة الذكاء الاصطناعي يمكن أن تكون باهظة الثمن. تثير أحجام الصور الكبيرة صعوبات إضافية لأن حجم الذاكرة اللازمة للشبكة العصبية ينمو جنبًا إلى جنب مع تعقيد النموذج وعدد وحدات البكسل في الإدخال.
توفر مصادر البيانات غير الصورية وصيغ المشكلات غير التقليدية ثروة من فرص البحث الجديدة في مجال الذكاء الاصطناعي، مما يفتح نطاقًا أكثر شمولاً من مجموعات البيانات. توجد فرص أيضًا في التعاون بين الذكاء الاصطناعي والبشر، وهو بديل للمسابقات المشتركة بين الذكاء الاصطناعي والبشر في البحث. لا يزال الذكاء الاصطناعي الطبي يواجه تحديات فنية وأخلاقية كبيرة على الرغم من إمكانات هذا المجال. عندما يتم التعامل مع هذه القضايا الحرجة بشكل منهجي، فإن احتمالية الذكاء الاصطناعي لتحسين مستقبل الطب قد تتحقق أخيرًا بشكل كبير.
نظرًا لأن مجتمع الذكاء الاصطناعي الطبي يتعامل مع العديد من القضايا الأخلاقية والتقنية والتي تركز على الإنسان والمطلوبة للترجمة الآمنة والناجحة، فإن نشر أنظمة الذكاء الاصطناعي الطبية في الرعاية السريرية الروتينية يمثل فرصة مهمة ولكنها غير محققة إلى حد كبير.
التطورات الحديثة في استخدام خوارزميات الذكاء الاصطناعي في الطب
تم استخدام العديد من التجارب المعشاة ذات الشواهد (RCTs) randomized controlled trials لتقييم فائدة أنظمة الذكاء الاصطناعي في الرعاية الصحية. على سبيل المثال، قامت إحدى التجارب المعشاة ذات الشواهد التي تقيم نظام الذكاء الاصطناعي لإدارة جرعات الأنسولين بقياس عدد الوقت الذي يقضيه المرضى ضمن نطاق الجلوكوز المستهدف، وتتبعت دراسة تقيم نظام مراقبة انخفاض ضغط الدم أثناء العملية متوسط مدة نوبات انخفاض ضغط الدم. وفقًا لدراسة أجريت عام 2020، فإن إدارة الغذاء والدواء الأمريكية US Food and Drug Administration توافق بسرعة على الذكاء الاصطناعي، وخاصة تقنيات التعلم الآلي machine learning.
انتشرت أبحاث الذكاء الاصطناعي الطبية في مجالات مثل علم الأشعة radiology، وعلم الأمراض pathology، والجهاز الهضمي gastrointestinal، وطب العيون ophthalmology، والتي تعتمد بشكل أساسي على تفسير الصور. بالنسبة لأنشطة الأشعة مثل تفسير التصوير الشعاعي للثدي وتقييم وظائف القلب وفحص سرطان الرئة، أظهرت أنظمة الذكاء الاصطناعي زيادات كبيرة في الدقة ومعالجة التشخيص والتنبؤ بالمخاطر والعلاج. على سبيل المثال، تم تعليم أحد أنظمة الذكاء الاصطناعي للتنبؤ بخطر الإصابة بسرطان الرئة لمدة 3 سنوات بناءً على قراءات التصوير المقطعي المحوسب (CT) computed tomography لأخصائيي الأشعة وغيرها من البيانات السريرية.
لقد أحرز الذكاء الاصطناعي تقدمًا كبيرًا في علم الأمراض، لا سيما من خلال استخدام التصوير بالشريحة الكاملة، في تحديد الأورام وتقديم رؤى جديدة عن الأمراض. على سبيل المثال، في أمراض الجهاز الهضمي، حقق التعلم العميق deep learning تقدمًا كبيرًا، لا سيما فيما يتعلق بتعزيز تنظير القولون، وهو اختبار حيوي للكشف عن سرطان القولون والمستقيم.
وجدت الدراسات التي أجريت على التأثير المالي للذكاء الاصطناعي في مجال طب العيون أن الفحص شبه الآلي أو الآلي بالكامل بالذكاء الاصطناعي يمكن أن يوفر المال في مواقف معينة، مثل اكتشاف اعتلال الشبكية السكري.
الاحتمالات في تطوير خوارزمية الذكاء الاصطناعي Possibilities in AI algorithm development
يتمثل النمط النموذجي في أبحاث الذكاء الاصطناعي الطبية في معالجة مشكلة تصنيف الصور، وتدريب نظام الذكاء الاصطناعي باستخدام التعلم الخاضع للإشراف على البيانات المصنفة، ثم تقييم النظام من خلال مقارنته بالمتخصصين البشريين. أولاً، يبدأ الباحثون بمصادر بيانات غير متعلقة بالصور، بما في ذلك اللغة والمواد الكيميائية والتسلسلات الجينية، مما يوفر معلومات طبية قيمة.
ثانيًا، يستكشفون صيغ المشكلات التي تتجاوز التعلم الخاضع للإشراف، مثل التعلم غير الخاضع للإشراف أو شبه الإشراف، لاكتساب رؤى من البيانات غير المصنفة أو المعيبة. أخيرًا، يفكرون في أنظمة الذكاء الاصطناعي التي تعمل مع البشر بدلاً من التنافس معهم، لأن هذه طريقة للحصول على نتائج رائعة أكثر من الذكاء الاصطناعي أو البشر وحدهم.
كان عمل Senior وزملاؤه على AlphaFold بمثابة تغيير قواعد اللعبة في المهمة الحاسمة المتمثلة في طي البروتين protein folding، والذي يستلزم التنبؤ بالبنية ثلاثية الأبعاد للبروتين من تسلسله الكيميائي. يمكن أن تكشف التحسينات في التنبؤ ببنية البروتين عن معلومات آلية حول مجموعة متنوعة من الأحداث، بما في ذلك تفاعلات البروتين الدوائي وتأثيرات الطفرات. بسبب الذكاء الاصطناعي، أصبح من الممكن الآن إجراء فحوصات السرطان غير الغازية والتشخيص وتحديد أصل الورم.
لقد أدى التعلم العميق إلى تحسين التحرير الجيني المستند إلى CRISPR من خلال المساعدة في التنبؤ بنشاط الدليل RNA وتحديد عائلات البروتين المضادة لـ CRISPR. وفقًا لإحدى الدراسات، فإن نموذج BioBERT، الذي تم تدريبه على مجموعة كبيرة من المؤلفات الطبية، تفوق في الأداء على أحدث أداء في مهام اللغة الطبيعية مثل الإجابة على الاستفسارات البيولوجية.
التعلم غير الخاضع للإشراف Unsupervised learning، والتعلم شبه الخاضع للإشراف semi-supervised learning، والاستدلال السببي causal inference، والتعلم المعزز reinforcement learning هي بعض النماذج المختلفة التي تم استخدامها لحل المشكلات المتعلقة بالبيانات غير المصنفة أو المزعجة. على سبيل المثال، لوحظ من الدراسات السابقة أن الخبراء السريريين المدعومين بالذكاء الاصطناعي تفوقوا على البشر والذكاء الاصطناعي وحده عند اكتشاف العقيدات الخبيثة في الصور الشعاعية للصدر. من المرجح أن يتم تحديد قيمة التعاون بين الإنسان والذكاء الاصطناعي من خلال تفاصيل المهمة والبيئة العلاجية.
عقبات أمام مستقبل الذكاء الاصطناعي Obstacles for the future of AI
على الرغم من التقدم الملحوظ في الذكاء الاصطناعي، هناك بعض التحديات المرتبطة بالاستخدام الواسع النطاق للذكاء الاصطناعي. على الرغم من الاعتقاد بأن الذكاء الاصطناعي سيخفض النفقات الطبية، إلا أن الأدوات المطلوبة لجمع البيانات لأنظمة الذكاء الاصطناعي يمكن أن تكون باهظة الثمن. تثير أحجام الصور الكبيرة صعوبات إضافية لأن حجم الذاكرة اللازمة للشبكة العصبية ينمو جنبًا إلى جنب مع تعقيد النموذج وعدد وحدات البكسل في الإدخال.
توفر مصادر البيانات غير الصورية وصيغ المشكلات غير التقليدية ثروة من فرص البحث الجديدة في مجال الذكاء الاصطناعي، مما يفتح نطاقًا أكثر شمولاً من مجموعات البيانات. توجد فرص أيضًا في التعاون بين الذكاء الاصطناعي والبشر، وهو بديل للمسابقات المشتركة بين الذكاء الاصطناعي والبشر في البحث. لا يزال الذكاء الاصطناعي الطبي يواجه تحديات فنية وأخلاقية كبيرة على الرغم من إمكانات هذا المجال. عندما يتم التعامل مع هذه القضايا الحرجة بشكل منهجي، فإن احتمالية الذكاء الاصطناعي لتحسين مستقبل الطب قد تتحقق أخيرًا بشكل كبير.
