تم برمجة الذكاء الاصطناعي من قبل مهندسي الكمبيوتر في أواخر القرن العشرين، ونشأ على أساس مجموعة من التعليمات (القواعد) التي أنشأها البشر، مما يسمح للتكنولوجيا بحل المشاكل الأساسية.
ملاحظة المحرر: تتأثر العديد من الصناعات بالتقنيات الجديدة في عصر المعلومات. ومع تأثير الأتمتة وعلوم الحاسوب والذكاء الاصطناعي، لا تُستثنى قطاعات مثل الأطباء والمستشفيات وشركات التأمين والقطاعات المرتبطة بالرعاية الصحية. ولكن، تحديدًا، في مجال الصحة ، للذكاء الاصطناعي تأثير إيجابي أكبر من القطاعات الأخرى.
الجيل الأول
يمكن تصور أن طريقة تدريب الذكاء الاصطناعي تُشبه نهج طلاب الطب، حيث تُدرَّب أنظمة الذكاء الاصطناعي أيضًا على مئات الخوارزميات لترجمة أعراض المرضى إلى تشخيصات. ويُعتبر هذا الجيل الأول من قواعد الرعاية الصحية التي تُدمج في أنظمة الذكاء الاصطناعي.
تنمو خوارزميات اتخاذ القرار كشجرة، تبدأ من جذعها (مشكلة المريض) وتتفرع منه. على سبيل المثال، إذا اشتكى مريض من سعال شديد، يسأله الطبيب أولًا عن وجود حمى. ستكون هناك مجموعتان من الأسئلة: حمى/لا حمى. ستؤدي الإجابات الأولية إلى أسئلة أخرى حول الحالة، مما يؤدي إلى فروع أخرى. وأخيرًا، كل فرع هو تشخيص، والذي يمكن أن يتراوح من الالتهاب الرئوي البكتيري أو الفطري أو الفيروسي إلى السرطان أو قصور القلب أو عشرات أمراض الرئة الأخرى.
بشكل عام، كان الجيل الأول من الذكاء الاصطناعي قادرًا على تحديد المشكلات، لكنه لم يستطع تحليل السجلات الطبية وتصنيفها. ونتيجةً لذلك، لم تكن الأشكال المبكرة من الذكاء الاصطناعي بنفس دقة الأطباء الذين جمعوا بين العلوم الطبية والحدس والخبرة. وبسبب هذه القيود، نادرًا ما استُخدم الذكاء الاصطناعي القائم على القواعد في الممارسة السريرية في أوقات أخرى.
الأتمتة الكاملة
مع مطلع القرن الحادي والعشرين، بدأ العصر الثاني للذكاء الاصطناعي بالذكاء الاصطناعي الضيق (ANI)، أو الذكاء الاصطناعي الذي يُنجز مهامًا محددة. مهّد ظهور الشبكات العصبية التي تُحاكي بنية الدماغ البشري الطريق لتقنية التعلم العميق. يعمل الذكاء الاصطناعي الضيق بشكل مختلف تمامًا عن سابقاته. فبدلًا من توفير قواعد مُحددة مسبقًا من قِبل الباحثين، تستخدم أنظمة الجيل الثاني مجموعات بيانات ضخمة لتمييز أنماط قد يستغرق تنفيذها وقتًا طويلاً من قِبل البشر.
في أحد الأمثلة، غذّى الباحثون نظام ANI بآلاف صور الماموجرام، أظهر نصفها أورامًا خبيثة والنصف الآخر أورامًا حميدة. تمكّن النموذج من تحديد عشرات الاختلافات في حجم وكثافة وتظليل صور الماموجرام فورًا، مع تخصيص عامل ترجيح لكل اختلاف يعكس احتمالية الإصابة بالأورام الخبيثة. والأهم من ذلك، أن هذا النوع من الذكاء الاصطناعي لا يعتمد على الاستدلالات (القواعد العامة) كما يفعل البشر، بل يعتمد على اختلافات دقيقة بين فحوصات الأورام الخبيثة والطبيعية، وهي اختلافات لا يعلمها أخصائيو الأشعة ولا مصممو البرامج.
بخلاف الذكاء الاصطناعي القائم على القواعد، تتفوق أدوات الذكاء الاصطناعي من الجيل الثاني أحيانًا على الحدس البشري في دقة التشخيص. ومع ذلك، يُواجه هذا النوع من الذكاء الاصطناعي قيودًا خطيرة. أولًا، كل تطبيق مُحدد المهمة. أي أن النظام المُدرّب على قراءة صور الثدي الشعاعية لا يُمكنه تفسير فحوصات الدماغ أو الأشعة السينية للصدر. يتمثل أكبر قيد في الذكاء الاصطناعي الضيق في أن النظام لا يكون جيدًا إلا بقدر جودة البيانات التي تم تدريبه عليها. ومن الأمثلة الواضحة على هذا الضعف اعتماد شركة UnitedHealthcare على الذكاء الاصطناعي الضيق لتحديد المرضى الأكثر مرضًا وتقديم خدمات طبية إضافية لهم. عندما قام الباحثون بتصفية البيانات، اكتشفوا لاحقًا أن الذكاء الاصطناعي قد افترض افتراضًا كارثيًا. تم تشخيص المرضى على أنهم أصحاء لمجرد أن سجلاتهم الطبية أظهرت أنهم تلقوا القليل من الرعاية الطبية، بينما تم تصنيف المرضى الذين استخدموا الكثير من الخدمات الطبية على أنهم غير أصحاء.
ستُمكّن الأجيال القادمة من الذكاء الاصطناعي الناس من تشخيص الأمراض ووضع خطط العلاج تمامًا مثل أي طبيب. حاليًا، اجتازت أداة توليد الذكاء الاصطناعي (MED-PALM2 من جوجل) امتحان ترخيص الأطباء بدرجة خبير. ويمكن للعديد من أدوات الذكاء الاصطناعي الطبية الأخرى الآن كتابة تشخيصات مشابهة للأطباء. ومع ذلك، لا تزال هذه النماذج تتطلب إشرافًا طبيًا وليست قادرة على استبدال الأطباء. ولكن مع معدل النمو الهائل الحالي، من المتوقع أن تصبح هذه التطبيقات أقوى بثلاثين ضعفًا على الأقل خلال السنوات الخمس المقبلة. ومن المتوقع أن تضع الأجيال القادمة من الأدوات مثل ChatGPT الخبرة الطبية في متناول الجميع، مما يُحدث تغييرًا جذريًا في علاقة الطبيب بالمريض.
تم تجميعها بواسطة فييت لي
[إعلان 2]
مصدر
تعليق (0)