ماشین های هوشمندی که یاد می گیرند در خدمت پزشکان باشند

روش‌های زیادی برای ساخت برنامه‌های خودفراگیر وجود دارد. اما همه آنها بر پایه سه نوع بنیادین از یادگیری ماشین مبتنی هستند: یادگیری بدون ناظر، یادگیری با نظارت، و یادگیری تقویتی. برای دیدن این ها در عمل، بیایید تصور کنیم که پژوهشگران در تلاش برای بیرون کشیدن اطلاعات از مجموعه‌ای از داده‌های پزشکی حاوی هزاران پروفایل بیمار هستند. 

اول، یادگیری بدون ناظر. این رویکرد برای تحلیل تمام پروفایل‌ها برای یافتن شباهت‌های عمومی و الگوهای مفید، ایده‌آل خواهد بود. شاید برخی بیماران خاص دارای علایم مشابه بیماری باشند، یا شاید یک درمان خاص، یک‌سری اثرات جانبی خاصی داشته باشد. این رویکرد درجستجوی-الگوی گسترده می‌تواند برای شناسایی تشابهات بین پروفایل‌ بیماران و یافتن الگوهای نوظهور، بدون راهنمایی انسانی به کار رود. 

بیایید تصور کنیم پزشکان به دنبال اطلاعات خاص‌تری هستند. این پزشکان می‌خواهند الگوریتمی برای تشخیص وضعیتی خاص ایجاد کنند. آنها با جمع‌آوری دو سری اطلاعات آغاز به کار می‌کنند تصاویر پزشکی و نتایج آزمایش هم از بیماران سالم و هم بیماران مبتلا به آن وضعیت خاص. سپس آنها این اطلاعات را در برنامه‌ای که جهت شناساییِ ویژگی‌های بیماران بیمار طراحی شده است و نه بیماران سالم، وارد می‌کنند. براساس تعداد دفعاتی که این ویژگی‌های خاص مشاهده شود، این برنامه مقادیر را به آن ویژگی‌های تشخیصی تخصیص می‌دهد، و یک الگوریتم برای تشخیص بیماران آینده ایجاد می‌کند. با این حال، برخلاف یادگیری بدون نظارت، پزشکان و دانشمندان رایانه در اتفاقات آتی نقش فعالی دارند. پزشکان تشخیص نهایی را خواهند داد و دقت پیش‌بینی‌های الگوریتم را کنترل و بررسی خواهند نمود. سپس دانشمندان می‌توانند از مجموعه داده‌های به‌روزآوری شده برای تنظیم پارامترهای برنامه و بهبود دقت آن استفاده کنند. این رویکرد عملی را یادگیری تحت نظارت می‌نامند. 

حال بیایید بگوییم این پزشکان قصد دارند الگوریتم دیگری را جهت توصیه برنامه‌های درمانی، طراحی کنند. از آنجا که این برنامه‌ها در چند مرحله اجرا می‌شوند، و ممکن است بسته به واکنش هر فرد به درمان تغییر کند، پزشکان تصمیم می‌گیرند از یادگیری تقویتی استفاده کنند. این برنامه از رویکردی تکرارشونده برای جمع‌آوری بازخورد درمورد اینکه موثرترین داروها، دوزها و درمانها کدام هستند، استفاده می‌کند. سپس این داده‌ها را با مشخصات هر بیمار برای ایجاد برنامه درمانی ویژه و بهینه آنها مقایسه می‌کند. همین که درمان پیشرفت می‌کند و برنامه بازخورد بیشتری دریافت می‌کند، می‌تواند به طور مداوم برنامه را برای هر بیمار به‌روز کند. هیچ‌یک از این سه تکنیک ذاتا هوشمندتر از بقیه نیست. درحالی که برخی کم و بیش نیاز به مداخله انسانی دارند، همگی نقاط قوت و ضعف خاص خود را دارند که باعث می‌شود برای بعضی کارها مناسب‌تر باشند. درهرصورت با به‌کارگیری آنها باهم، پژوهش‌گران قادرند سیستم‌های پیجیده هوش مصنوعی بسازند، که برنامه‌های جداگانه بتوانند برهم نظارت و یکدیگر را آموزش دهند. به عنوان مثال، هنگامی که برنامه یادگیری بدون ناظر ما گروه‌های بیمارن مشابه را می‌یابد، بتواند آن داده ها را به یک برنامه یادگیری با نظارت ارسال کند. آنگاه این برنامه می‌توان این اطلاعات را در پیش‌بینی‌های خود بگنجاند. یا شاید ده‌ها برنامه‌ یادگیری تقویتی ممکن است نتایج بالقوه بیماران را برای جمع کردن بازخورد درباره طرح‌های درمانی مختلف شبیه‌سازی کند 

روش‌های بی‌شماری جهت ایجاد این سیستم‌های یادگیری ماشین وجود دارد، و شاید امیدبخش‌ترین مدل آن‌هایی هستند که رابطه بین نورون‌ها را در مغز تقلید می‌کنند. این شبکه‌های عصبی مصنوعی قادرند از میلیون ها ارتباط جهت مواجهه با وظایف دشواری مانند تشخیص تصویر، بازشناسی گفتار و حتی ترجمه زبان استفاده کنند. با این اوصاف، هرچه بیشتر این مدل‌ها خودهدایت‌گر شوند، برای دانشمندان رایانه دشوارتر خواهد بود تشخیص این‌که چطور این الگوریتم‌های خود-آموخته به راه‌حل‌هایشان می‌رسند. پژوهشگران در حال حاضر به دنبال راه‌هایی برای شفاف‌تر کردن یادگیری ماشین هستند. اما هرچه هوش‌مصنوعی بیشتر با زندگی روزمره ما درگیر می‌شود، این تصمیمات مرموز تاثیرات فزاینده‌ای بر روی کار، سلامت و امنیت ما می‌گذارد. بنابراین وقتی ماشین‌ها به یادگیری بررسی، مذاکره و ارتباط ادامه می‌دهند، باید در نظر داشته باشیم که چطور به آن‌ها بیاموزیم تا به هم عملکرد اخلاقی بیاموزند. 

ملاحظات اخلاقی

هوش مصنوعی می‌تواند حجم عظیمی از داده‌ها را ارزیابی کند و اطلاعاتی که در طول سال‌ها جمع‌آوری شده است را تحلیل کند و ارتباطات پنهان میان آن‌ها را کشف کند. مراقبت از سلامت یکی از حوزه‌هایی است که در استفاده از هوش مصنوعی پیشتاز است. با این‌حال، چالش‌هایی پیش روی کاربرد هوش مصنوعی در این حوزه نیز وجود دارد. به‌طور مثال، ممکن است در ایجاد ارتباط میان داده‌ها، خطاها یا اختلالاتی به وجود بیاید که منجر به کند شدن سرعت تولید داروها شود یا مشکلاتی را در تشخیص درست بیماری‌ها و پیشگیری از آنها ایجاد کند. علاوه بر این، مسئله حریم خصوصی و سوء استفاده گروه‌های مختلف از جمله شرکت‌های بیمه و شرکت‌های تبلیغاتی از داده‌ها و اطلاعات مربوط به سلامت افراد موجب شده است موجی از نگرانی‌ها در این رابطه ایجاد شود.

استفاده از سیستم‌های هوشمند این مخاطره را نیز به همراه دارند که پزشک خود را از بیمار مستقل بداند و فاصله‌ای افراطی از او بگیرد. به عبارت دیگر، بیش از آنکه به بیمار به مثابه یک فرد توجه کند، بیماری را موضوع بررسی‌های خود قرار دهد. در نتیجه، روایت بیمار از تجربه و علائم خود، رنج وجودی و روانی‌ای که بر بیمار می‌گذرد، احساس بیمار نسبت به فرایند تشخیص و درمان دیگر اهمیت چندانی نخواهند داشت. پزشکی یک کارورزی انسانی است که در آن روابط انسانی میان مراقبت‌گر و مراقبت‌شونده اصلی است که نمی‌توان آن را زیر پا گذاشت. ورود فناوری های پزشکی به این کارورزی، پزشکی را با بحران کیفیت مراقبت مواجه کرده است. به همین دلیل است که متخصصان حوزه‌های پزشکی، علوم انسانی سلامت، فلسفه پزشکی، اخلاق‌دان‌ها و ... مقالات و کتاب‌های متعددی را در این رابطه نوشته‌اند و هشدارهایی را درباره مخاطرات استفاده از سیستم‌های هوشمند در کارورزی پزشکی مطرح کرده‌اند.