چالش های جدید در ارزیابی مدل های هوش مصنوعی پزشكی
هوش مصنوعی در مقابل حقیقت آیا ابزارهای پزشکی آماده استفاده بالینی هستند؟
به گزارش خشکشوئی آنلاین، ابزارهای هوش مصنوعی که به کمک پزشکان می آیند، امیدهای زیادی برای کاهش فشار کاری و تسهیل فرآیندهای تشخیصی بوجود آورده اند. این فناوری ها توانایی پاسخ به پرسش های تخصصی پزشکی و حتی عرضه تشخیص های اولیه را دارند، اما آیا می توانند از پس حقیقت های پیچیده تعاملات بالینی برآیند؟
به گزارش خشکشوئی آنلاین به نقل از ایسنا، یکی از مهم ترین علل استفاده از هوش مصنوعی در پزشکی، کاهش خطای انسانی و سرعت بخشیدن به فرایند تشخیص و درمان است. با این وجود، تشخیص بیماری در دنیای واقعی چالش های خاص خویش را دارد. گفتگوهای پزشک و بیمار اغلب نامرتب و پر از اطلاعات پراکنده هستند و تاریخچه پزشکی بیمار هم همیشه به صورت دقیق و کامل عرضه نمی شود.
از سوی دیگر، بررسی های استاندارد هوش مصنوعی اغلب بر مبنای آزمون های از پیش تعریف شده صورت می گیرد که اطلاعات کامل و واضحی در اختیار مدلهای هوش مصنوعی قرار می دهند. این شکاف میان شرایط واقعی و روش های ارزیابی، لزوم پژوهش در این عرصه را دوچندان می کند.
گروهی از محققان در دانشگاه هاروارد و استنفورد پژوهشی انجام داده اند که توانایی مدلهای هوش مصنوعی در شرایط واقعی را بررسی می کند. این تیم برای این منظور، یک چارچوب جدید ارزیابی طراحی نموده اند که به کمک آن، هوش مصنوعی در محیط هایی شبیه سازی شده برای حقیقت آزمایش می شود.
پژوهشگران این پژوهش، از چارچوبی با عنوان CRAFT-MD بهره برده اند تا عملکرد این مدلها را در گفتگوهای طبیعی بیمار و پزشک ارزیابی کنند.
برای انجام این پژوهش، از دو عامل هوش مصنوعی استفاده شد: یکی نقش بیمار را ایفا می کرد و دیگری به ارزیابی پاسخ های هوش مصنوعی می پرداخت. این سیستم، تعاملاتی مانند پرسیدن تاریخچه بیماری، بررسی علایم و داروها را شبیه سازی کرد. نتایج حاصل از این تعاملات، سپس توسط متخصصان انسانی تحلیل و صحت تشخیص های نهایی مدلها بررسی گردید.
بر اساس یافته های پژوهش، مدلهای هوش مصنوعی در جواب پرسش های استاندارد عملکرد بسیار خوبی داشتند، اما در تعاملات پیچیده تر گرفتار ضعف شدند. این مدلها معمولا در پرسیدن سؤالات مناسب برای جمع آوری اطلاعات مهم یا تشخیص های دقیق در شرایط اطلاعات ناقص مشکل داشتند.
نتایج نشان دادند که این ابزارها هنوز جهت استفاده در محیط های بالینی آماده نیستند. بنابراین محققان پیشنهاد کردند که مدلها باید برای مدیریت اطلاعات پراکنده و تعاملات غیرساختاریافته بهینه شوند. همچنین، افزودن قابلیت هایی مانند تفسیر داده های تصویری یا تحلیل رفتارهای غیرکلامی به این ابزارها می تواند کارآمدی آنها را افزایش دهد.
این پژوهش اهمیت ویژه ای در آینده پزشکی دارد؛ چون که ابزارهای هوش مصنوعی می توانند در بهبود تشخیص بیماری ها، کاهش هزینه ها و افزایش دقت درمان ها نقش مهمی ایفا کنند. اما برای تحقق این اهداف، فناوری ها باید به صورت مداوم ارزیابی و بهبود داده شوند.
قابل ذکر است این پژوهش در نشریه معتبر Nature Medicine انتشار یافته است و بعنوان یک گام مهم برای تطبیق مدلهای هوش مصنوعی با دنیای واقعی، توجه خیلی از متخصصان را به خود جلب نموده است.
این مطلب را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب