همه‌چیز درباره هوش مصنوعی در پزشکی

بر اساس گزارشی از خبرگزاری خبرآنلاین، تصوری که غالباً از «پزشک ماشینی» وجود دارد، به واقعیتی پیچیده و چندوجهی اشاره دارد. هوش مصنوعی قرار نیست به‌طور مستقل به تشخیص یا درمان بیمار بپردازد، بلکه ارزش واقعی‌اش در یاری رساندن به پزشکان برای شناسایی الگوهایی نهفته است که ممکن است در میان حجم عظیمی از داده‌های پزشکی به‌راحتی قابل تشخیص نباشند.

این تغییر دیگر یک وعده نوین فناورانه نیست. سازمان جهانی بهداشت در مستندات خود به کاربری هوش مصنوعی در زمینه‌های تشخیص، مراقبت بالینی، توسعه دارو، نظارت بر بیماری‌ها و مدیریت نظام سلامت اشاره کرده و همزمان بر اهمیت نظارت، عدالت، شفافیت و حفظ حقوق بیماران تأکید می‌کند. در ایالات متحده نیز، سازمان غذا و دارو (FDA) فهرستی مجزا از تجهیزات پزشکی عاری از خطا که به هوش مصنوعی مجهزند منتشر کرده است؛ این فهرست مداوم به‌روز می‌شود و نمایانگر این حقیقت است که این فناوری از آزمایشگاه‌ها فراتر رفته و به محصولات واقعی پزشکی وارد شده است.

هوش مصنوعی در پزشکی چه نقشی ایفا می‌کند؟

در حوزه پزشکی، هوش مصنوعی صرفاً یک فناوری واحد نیست. ابزارهایی مانند الگوریتم‌های یادگیری ماشین برای پیش‌بینی و دسته‌بندی، بینایی ماشین به‌منظور تحلیل تصاویر و مدل‌های زبانی برای کار با متن و پرونده‌های پزشکی، همگی در این زمینه استفاده می‌شوند.

یک مدل ممکن است به بررسی تصاویر رادیولوژی بپردازد؛ دیگری احتمال بروز مشکلاتی را بر اساس علائم بالینی و نتایج آزمایش‌ها تخمین‌زنی کند و ابزاری دیگر قادر باشد خلاصه‌ای از اطلاعات پرونده بیمار ارائه دهد.

نکته کلیدی این است که کارایی چنین سامانه‌ای به داده‌های آموزشی، کیفیت طراحی، نوع جمعیت هدف، شرایط بالینی و فرآیند اعتبارسنجی وابسته است. به همین دلیل، «هوش مصنوعی» به‌تنهایی نمی‌تواند دقت تشخیص را تضمین کند؛ بلکه می‌بایست به‌عنوان ابزاری مورد آزمایش و اعتبارسنجی برای کاربرد خاصی قرار گیرد.

از رادیولوژی تا سرطان؛ هنگامی که یک تصویر هزاران نشانه را در خود دارد

تصویربرداری به‌عنوان یکی از پیشرفته‌ترین حوزه‌های کاربرد هوش مصنوعی در پزشکی شناخته می‌شود. الگوریتم‌های بینایی ماشین قادرند در ماموگرافی، سی‌تی‌اسکن، MRI، رادیوگرافی و سایر تصاویر پزشکی به جستجوی الگوهای غیرعادی بپردازند و یافته‌های حیاتی را برای بررسی پزشکان برجسته کنند.

یک نمونه بارز از این نافذیت، پژوهش PRAIM در آلمان است که نتایج آن در مجله Nature Medicine منتشر گردید. در این مطالعه بزرگ و مبتنی بر پیاده‌سازی واقعی، بیش از ۴۶۳ هزار زن در برنامه غربالگری ماموگرافی بررسی شدند. گروهی که رادیولوژیست‌ها از همراهی هوش مصنوعی بهره‌مند شدند، نرخ شناسایی سرطان سینه به حدود ۶.۷ مورد در هر هزار نفر رسید؛ در حالی که این عدد در گروهی که از هوش مصنوعی استفاده نکردند، نزدیک به ۵.۷ مورد در هر هزار نفر بود.

این نتایج به معنای کنار گذاشتن رادیولوژیست‌ها نیست؛ بلکه نمونه‌ای از ارزش افزوده‌ای است که همکاری انسان و ماشین در یک وظیفه خاص می‌تواند ایجاد کند. در بسیاری از سیستم‌های پزشکی، هوش مصنوعی می‌تواند نواحی مشکوک را علامت‌گذاری، یافته‌ها را اولویت‌بندی و اندازه‌گیری‌ها را به‌طور خودکار انجام دهد؛ اما تفسیر نهایی و تصمیم‌گیری‌های درمانی در نهایت به تجارب بالینی و نظرات متخصص مربوط خواهد شد.

کشف دارو؛ کاهش مدت زمان مسیر، نه حذف آزمایش‌ها

یکی از چشمگیرترین وعده‌های هوش مصنوعی، یاری به جست‌وجو برای داروهای جدید است. محققان می‌توانند با استفاده از مدل‌های محاسباتی، ساختار مولکول‌ها، پروتئین‌ها، اهداف زیستی و نتایج آزمایش‌های پیشین را به‌سرعت مورد بررسی قرار دهند. این توانایی ممکن است شمار ترکیباتی که نیاز به آزمایش‌های اولیه دارند را کاهش داده و تحقیقات را برای شناسایی گزینه‌های امیدوارکننده سرعت بخشد.

اما یک نگرش نادرست باید روشن شود: هوش مصنوعی قادر به طراحی یک دارو و تحویل آن به بیمار نیست. مولکولی که بر روی سیستم کامپیوتری به‌نظر امیدوارکننده است، می‌بایست مراحل آزمایشگاهی، ارزیابی ایمنی و کارآزمایی بالینی را گذرانده و تائید شود.

با این حال، این زمینه در سال‌های اخیر از مرحله نظری به عمل نزدیک‌تر شده است. مجله Nature Medicine در سال ۲۰۲۵ از یک کارآزمایی بالینی فاز ۲a برای دارویی گزارش داد که شناسایی هدف و طراحی مولکول آن با کمک هوش مصنوعی انجام شده بود. این امر نشانه‌ای کلیدی بود: هوش مصنوعی به‌آهستگی در حال حرکت به سمت آزمایش نامزدهای دارویی در انسان است.

پزشکی شخصی‌سازی‌شده؛ راه‌حل یکسان برای همه نیست

بسیاری از راهنمایی‌های پزشکی بر اساس میانگین‌های جمعیتی تدوین می‌شوند؛ اما رابطه بیماران با یکدیگر متفاوت است. سن، جنسیت، ژنتیک، بیماری‌های هم‌زمان، داروهای مصرفی، شیوه زندگی و حتی واکنش قبلی بدن به درمان بر تصمیم‌گیری‌های پزشکی تأثیرگذار است.

هوش مصنوعی می‌تواند در کنار روش‌های موجود، این اطلاعات پراکنده را گردآوری کرده و الگوهایی برای پیش‌بینی خطر یا انتخاب میان گزینه‌های درمانی ارائه دهد. در آینده، چنین سامانه‌هایی ممکن است به تصمیم‌گیری‌های دقیق‌تر و بیشتر مبتنی بر فرد کمک کنند.

با این حال، ادعای این‌که «هوش مصنوعی دقیقاً می‌داند چه دارو و دوزی برای هر فرد مناسب است»، بیش از حد قطعی است. چنین تصمیم‌گیری به شواهد بالینی، وضعیت فردی بیمار، داروهای هم‌زمان و قضاوت پزشک احتیاج دارد. هوش مصنوعی نمی‌تواند بدون اعتبارسنجی بالینی به‌عنوان سامانه‌ای خودکار در تجویز عمل کند.

اتاق عمل؛ از ربات جراح تا ناوبری هوشمند

رباتیک پزشکی یکی از حوزه‌های متداولی است که نام هوش مصنوعی در کنار آن به‌کار می‌رود؛ با این وجود، باید بین «جراحی رباتیک» و «جراحی کاملاً خودمختار» تفکیک قائل شد.

اکنون بسیاری از سیستم‌های رباتیک، به عنوان ابزارهایی عمل می‌کنند که جراح را قادر می‌سازند تا دید بهتری داشته باشد، حرکات دقیقتری انجام دهد و کنترل بیشتری بر روی ابزارها و انجام مانورهای پیچیده داشته باشد. هوش مصنوعی نیز می‌تواند به تحلیل تصاویر، برنامه‌ریزی و ناوبری، شناسایی ساختارهای بدن یا حمایت از تصمیم‌گیری در این زمینه کمک کند.

به‌علاوه، تصور اینکه یک بازوی رباتیک در اتاق عمل به‌طور مستقل از گروه پزشکی تصمیم‌گیری کند، با واقعیت‌های موجود تکنولوژی‌های بالینی فاصله دارد. لیست FDA از تجهیزات پزشکی مجهز به هوش مصنوعی نیز مواردی از به‌کارگیری این فناوری در زمینه‌های مختلف پزشکی، از جمله برخی کاربردهای جراحی و عصبی را بوضوح نشان می‌دهد.

بیمارستان هوشمند؛ کاربرد هوش مصنوعی فراتر از بیمار است

کاربرد هوش مصنوعی به تشخیص و درمان مستقیم محدود نمی‌شود. بیمارستان‌ها با حجم عظیم و متنوعی از داده‌ها مواجه هستند: زمان ورود بیماران، اشغال تخت‌ها، مصرف دارو، نتایج آزمایش، برنامه‌ریزی اتاق عمل و نیازهای نیروی انسانی.

مدل‌های پیش‌بینی می‌توانند برای تخمین تقاضا، شناسایی نقاط ضعف، اولویت‌بندی برخی فرآیندها و بهینه‌سازی منابع استفاده شوند. در سطح فردی، ابزارهای هوشمند می‌توانند به پایش علائم، شناسایی تغییرات غیرمعمول و صدور هشدارهای به‌موقع مساعدت کنند.

اما این قابلیت‌ها زمانی واقعاً مؤثر هستند که داده‌ها دارای دقت کافی باشند و سامانه در شرایط واقعی به‌درستی ارزیابی شود.

هوش مصنوعی مولد؛ از خلاصه کردن پرونده تا یاری به پزشک

ظهور مدل‌های زبانی بزرگ، آغازگر فصلی نوین در سلامت دیجیتال بوده است. این مدل‌ها قابلیت دارند تا متن‌های طولانی را چکیده‌کنند، اطلاعات پرونده را دسته‌بندی نمایند، پیش‌نویس گزارش‌ها را تولید کنند یا در جست‌وجوی اطلاعات به پزشک یاری رسانند.

اما این حوزه به‌عنوان یکی از نقاط بحرانی نیز مطرح می‌شود. یک مدل زبانی ممکن است پاسخی هموار و قانع‌کننده، اما نادرست ارائه دهد. سازمان جهانی بهداشت نیز در خصوص خطرات اطلاعات گمراه‌کننده و پاسخ‌های نادرست در حوزه پزشکی هشدار داده است. از این رو، استفاده از مدل‌های مولد در پزشکی بیشتر از هر چیز به نظارت انسانی و راستی‌آزمایی احتیاج دارد.

چالش‌های هوش مصنوعی در پزشکی

با افزایش ارزش داده‌های پزشکی، حفاظت از این داده‌ها نیز اهمیت دوچندانی پیدا می‌کند. سوابق پزشکی، تصاویر پزشکی و اطلاعات ژنتیکی به‌عنوان حساس‌ترین نوع اطلاعات، انتقالشان به سامانه‌های هوش مصنوعی می‌بایست با تدابیر امنیتی، کسب رضایت، کنترل دسترسی و حکمرانی داده‌ای همرا باشد.

چالش دوم، سوگیری الگوریتمیک است. اگر داده‌های آموزشی یک مدل نمایانگر تمامی گروه‌های جمعیتی نباشد، ممکن است کارایی آن برای برخی بیماران به‌طرز چشمگیری کاهش یابد.

چالش سوم به شفافیت و مسئولیت‌پذیری متعلق است: در صورتی که یک سامانه توصیه اشتباهی ارائه دهد، می‌بایست مشخص شود که چه کسی مسئول بررسی و اتخاذ تصمیم نهایی است.

گزارش سازمان جهانی بهداشت در سال ۲۰۲۶ در خصوص اخلاق و نظارت بر پژوهش‌های سلامت مرتبط با هوش مصنوعی نیز بر این نکات تأکید کرده و به اهمیت ویژه‌ای برای عدالت، حفظ حقوق افراد و خطر تقویت نابرابری بین کشورها و گروه‌های مختلف توجه کرده است.

آیا هوش مصنوعی پزشکان را جایگزین می‌کند؟

پاسخ خلاصه این است: نه به این زودی و نه به شکلی که در فیلم‌ها به تصویر کشیده شده است. پزشکی فراتر از تشخیص صرف یک الگو است. پزشک می‌بایست علائم را در زمینه زندگی بیمار تحلیل کند، میان احتمالات مختلف تصمیم‌گیری نماید، نتایج آزمایش‌ها را تحلیل کند، با بیمار تعامل داشته باشد و پیامدهای هر تصمیم را ارزیابی کند.

هوش مصنوعی در سرعت پردازش و شناسایی الگو در داده‌های وسیع یک مزیت بزرگ دارد. بنابراین به‌جای این‌که آینده به‌صورت «انسان یا ماشین» شکل بگیرد، به‌نظر می‌رسد که این روند به سمت «انسان با ماشین» پیش می‌رود. پزشکانی که به خوبی ابزارهای هوش مصنوعی را درک کرده و محدودیت‌های آن‌ها را بفهمند، می‌توانند از این فناوری به‌عنوان همکاری قدرتمند استفاده کنند.

چشم‌انداز جدید آینده پزشکی

تا سال ۲۰۲۶، هوش مصنوعی در عرصه پزشکی از یک ایده آزمایشگاهی به مجموعه‌ای از ابزارهای واقعی در جنبه‌های تشخیص، تصویربرداری، توسعه دارو، پایش و مدیریت سلامت تکامل یافته است. لیست به‌روزرسانی شده FDA از تجهیزات مبتنی بر هوش مصنوعی نیز نشان می‌دهد که این حوزه همچنان در حال رشد و توسعه است. همزمان، گزارش‌های اخیر سازمان جهانی بهداشت یادآور می‌شوند که سرعت نوآوری نباید بر سرعت ارزیابی ایمنی، تنظیم‌گری و حفاظت از حقوق بیمار فزونی یابد.

آینده پزشکی احتمالاً بیشتر دیجیتال و مبتنی بر داده‌ها خواهد بود؛ اما در مرکز این آینده، عنصر انسانی کماکان محوری خواهد بود. هوش مصنوعی قادر است تا تصاویر را سریع‌تر تجزیه‌وتحلیل کند، داده‌های بیشتری را مقایسه نماید و گزینه‌های بیشتری را پیش روی پزشک قرار دهد. با این حال، تصمیم‌گیری نهایی، مسئولیت اخلاقی و روابط انسانی که میان پزشک و بیمار برقرار می‌شود، همچنان امری است که نمی‌توان به هوش مصنوعی سپرد.

منابع بررسی و صحت‌سنجی

• سازمان جهانی بهداشت، Artificial Intelligence for Health، ۲۰۲۴
• سازمان جهانی بهداشت، Artificial intelligence-related health research: ethics review and oversight، ۲۰۲۶
• سازمان غذا و داروی آمریکا، List of Artificial Intelligence-Enabled Medical Devices، به‌روزرسانی‌های ۲۰۲۵ و ۲۰۲۶
• سازمان غذا و داروی آمریکا، Artificial Intelligence for Drug Development
• Nature Medicine، Nationwide real-world implementation of AI for cancer detection in population-based mammography screening، ۲۰۲۵
• Nature Medicine، A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial، ۲۰۲۵
• Nature Medicine، Generative artificial intelligence in medicine، ۲۰۲۵