هوش مصنوعی تقریبا در تمامی حوزه‌ها ورود کرده و به‌سرعت در حال پیشروی است. ازجمله بخش‌هایی که می‌توان ردپای این فناوری را پیدا کرد، حوزه‌های علمی و پزشکی و نیز حوزه آموزش است که به واسطه فناوری هوش مصنوعی، هم در تسریع اکتشافات علمی و پزشکی و هم در توسعه هرچه بیشتر حوزه آموزش مؤثر واقع شده است. هوش مصنوعی به ویژه در سال‌های اخیر رشد چشمگیری داشته و توانسته در برجسته کردن توانمندی‌ها و دستاوردهای علمی نقش مؤثری را ایفا کند. سیستم‌های کامپیوتری با کمک هوش مصنوعی به طور گسترده در علم و پزشکی مورد استفاده قرار می‌گیرند و کاربردهای متداولی دارند که به عنوان مثال در تشخیص بیماران، کشف و توسعه داروها، بهبود ارتباط بین پزشک و بیمار، رونویسی اسناد پزشکی مانند نسخه‌ها و درمان از راه دور بیماران به کار می‌آیند. به طورقطع، نفوذ این فناوری در این بخش‌ها می‌تواند روند پیشرفت علم و بهبود فرایندهای پزشکی را تسریع بخشد.
نقطه‌عطف هوش مصنوعی در دستاوردهای علمی
بهینه‌سازی شبکه سه‌بعدی با FlexiCubes: تولید شبکه سه‌بعدی که در گرافیک کامپیوتری اهمیت بالایی دارد، شامل ایجاد شبکه‌ای از رئوس، لبه‌ها و وجه‌‌ها برای تعریف اشیاء سه‌بعدی است و این کلید بازی‌های ویدئویی، انیمیشن، تصویربرداری پزشکی و تجسم علمی است. الگوریتم‌های استخراج هم‌سطح که به طور سنتی مورد استفاده قرار می‌گیرند، اغلب با وضوح محدود، استحکام ساختاری و ناپایداری عددی روبه‌رویند که متعاقبا بر کیفیت تأثیر می‌گذارند. FlexiCubes با کمک گرفتن از هوش مصنوعی برای بهینه‌سازی مبتنی بر پارامترهای قابل تطبیق، برخی از این محدودیت‌ها را برطرف می‌کند. این روش، امکان تنظیم دقیق شبکه را فراهم می‌کند. این روش در مقایسه با سایر روش‌ها که از شیوه هم‌سطحی متمایز برای بازسازی شبکه استفاده می‌کنند، به استخراج شبکه دست می‌یابد که به حقیقت زیربنایی آن نزدیک‌تر می‌شود.
پیش‌بینی دقیق‌تر سیلاب با هوش مصنوعی: تحقیقات جدید در سال 2023، پیشرفت مهمی در پیش‌بینی سیلاب‌های وسیع ارائه کرده است. سیل یکی از شدیدترین بلایای طبیعی محسوب می‌شود که اثرات مخربی در کشورهای کم‌تر توسعه‌یافته دارد که فاقد زیرساخت‌های لازم برای پیشگیری و تغییر در الگوهای سیلابی‌اند. درنتیجه، توسعه روش‌های دقیق‌تر پیش‌بینی سیلاب که بتواند این رویدادها را از قبل، پیش‌بینی کند، می‌تواند اثرات مثبت قابل‌توجهی داشته باشد. گروهی از محققان گوگل از هوش مصنوعی برای توسعه مدل‌های شبیه‌سازی هیدرولوژیکی استفاده کرده‌اند. این روش‌های نوآورانه قادرند برخی رویدادهای سیلابی شدید را تا پنج روز قبل با دقتی بالا مانند GloFAS پیش‌بینی کنند. این مدل هوش مصنوعی با دقت بالا، توانایی شناسایی صحیح تمام نمونه‌های مربوطه را در طیفی از رویدادهای دوره بازگشت نشان می‌دهد که نسبت به روش‌های معاصر بهتر عمل می‌کند و در 80 کشور برای پیش‌بینی حوادث سیلاب به کار می‌رود.
دستگاه‌های هوش مصنوعی در فرایندهای پزشکی
مدل‌های هوش مصنوعی در حوزه‌های پزشکی نیز کاربردهای وسیعی دارند، به عنوان مثال این فناوری با کاربردهایی برای تشخیص پولیپ برای کمک به پزشکان در فرایند تشخیص‌های دقیق، ارزش بالایی در مراقبت‌های بهداشتی پیدا کرده است.
تبدیل اسکن مغزی برای تجزیه و تحلیل پیشرفته با ابزار SynthSR:
SynthSR به عنوان یک ابزار هوش مصنوعی، اسکن‌های بالینی مغز را به تصاویری با وضوح بالا تبدیل می‌کند. درواقع، این پیشرفت به موضوع تنوع کیفیت اسکن می‌پردازد که پیش‌تر، استفاده از بسیاری از اسکن‌ها را در تحقیقات پیشرفته محدود می‌کرد. این ابزار، با تبدیل این اسکن‌ها به تصاویر با وضوح بالا که به دلیل کنتراست بالا و به تصویر کشیدن ساختار مغز واضح شناخته می‌شود، ایجاد تفسیرهای سه‌بعدی مغزی دقیق را تسهیل می‌کند. SynthSR تصاویری مشابه تصاویر تولید شده توسط اسکن‌های T1 با وضوح بالا تولید می‌کند. این ابزار با دقت بالایی که دارد فرایند تحقیقات علوم اعصاب و تشخیص بالینی را تسهیل می‌کند.
حسگرهای مادون قرمز پلاسمونیک برای تشخیص بیماری‌های عصبی: تشخیص بیماری‌های عصبی مانند پارکینسون و آلزایمر به شناسایی سریع و دقیق نشانگرهای زیستی بستگی دارد. روش‌های قدیمی مانند طیف سنجی جرمی و الایزا، از این جهت مفیدند که می‌توانند بر کمی کردن سطوح پروتئینی تمرکز کنند. باوجوداین، این روش‌ها نمی‌توانند تغییر در حالات ساختاری را تشخیص دهند. اما محققان روش جدیدی برای تشخیص بیماری‌های عصبی کشف کرده‌اند که در آن، حسگرهای ترکیبی مادون قرمز پلاسمونیکی جفت شده با هوش مصنوعی به کار رفته‌اند که از تکنیک ایمونواسی با روش طیف‌سنجی جذب مادون قرمز تقویت شده سطحی استفاده می‌شود. دقت پیش‌بینی این روش جدید به درصدهای واقعی بسیار نزدیک‌تر است.
استفاده از هوش مصنوعی برای نقشه‌برداری از ژنوم انسانی: ژنوم انسان مجموعه‌ای از دستورالعمل‌های مولکولی برای انسان است. نخستین پیش‌نویس ژنوم انسانی در سال 2000 منتشر و در سال 2022 به روزرسانی شد اما تا حدودی ناقص بود. این به‌روزرسانی، جهش‌های ژنتیکی مختلف مانند گروه‌های خونی را شامل نمی‌شد. بنابراین، تحت مرجع ژنوم موجود، تشخیص بیماری‌ها یا یافتن درمان در گروه خاصی از افراد دشوار خواهد بود. در سال 2023، کنسرسیوم تحقیقاتی پانژنوم انسانی، متشکل از 119 دانشمند از 60 مؤسسه، از هوش مصنوعی برای توسعه نقشه ژنوم انسانی به‌روزشده استفاده کرد.
ابزارهای هوش مصنوعی در تقویت دانش بالینی
از دیگر بخش‌هایی که هوش مصنوعی می‌تواند به پیشبرد پزشکی کمک کند، توسعه دانش بالینی است. ارزیابی دانش بالینی مدل‌های هوش مصنوعی مستلزم تعیین میزان تخصص پزشکی آنها، به ویژه دانش قابل استفاده در یک محیط بالینی است.
MedQA: MedQA که در سال 2020 معرفی شد، مجموعه داده و پرسش جامعی است که از آزمون‌های هیئت پزشکی حرفه‌ای مشتق شده و شامل بیش از 60 هزار پرسش بالینی است که برای به چالش کشیدن پزشکان طراحی شده است. عملکرد هوش مصنوعی در این مجموعه داده تا حد زیادی بهبود یافته و نسبت به سیستم پیشروی GPT-4 Medprompt که به دقت 90.2 درصدی دست یافته، با افزایش 22.6 درصدی امتیاز بیشتری در سال 2022 به دست آورده است. از آغاز به کار MedQA، قابلیت‌های هوش مصنوعی در این معیار تقریبا سه برابر شده که بیانگر پیشرفت‌های سریع سیستم‌های هوش مصنوعی نسبت به دانش بالینی است.
GPT-4 Medprompt: مهندسان به طور سیستماتیک روش‌های مهندسی سریع را برای هدایت GPT-4 به سمت برتری در معیارهای چالش پزشکی مورد ارزیابی قرار داده‌اند. رویکرد آنها Medprompt است که ترکیبی از انتخاب پویا و استدلال زنجیره‌ای خودساخته است. اگرچه مدل‌های زبانی بزرگ دانش عمومی قابل توجهی از خود نشان می‌دهند، اما تنظیم دقیقی برای برتری آنها در دانش تخصصی مانند پاسخ دادن به سؤالات پزشکی لازم است. رویکرد GPT-4 Medprompt، برای اولین بار، در معیار MedQA دقت 90 درصدی را به دست آورد. این پیشرفت نه تنها بر قابلیت‌های پزشکی و بالقوه تأکید می‌کند، بلکه نشان می‌دهد تنظیم دقیق ممکن است همیشه برای تطبیق مدل‌ها با حوزه‌های تخصصی ضروری نباشد. بررسی‌ها نشان می‌دهد مدل عملکرد رویکرد GPT-4 Medprompt در مقایسه با معیارهای پزشکی دیگری چون PubMedQA، MedMCQA و MMLU به ترتیب تا 3، 21.5 و 16.2 درصد امتیاز برتری دارد.
سیستم‌های هوش مصنوعی در روند تشخیصی
ابزارهای هوش مصنوعی همچنان می‌توانند برای اهداف تشخیصی ازجمله رادیولوژی یا تشخیص سرطان مورد استفاده قرار گیرند.
CoDoC: CoDoC سیستم‌های تصویربرداری پزشکی هوش مصنوعی‌اند که قابلیت‌های تشخیصی قدرتمندی را نشان می‌دهند که در تشخیص‌های پزشکی نادیده گرفته شده‌اند. این مشاهدات ادغام منطقی سیستم‌های هوش مصنوعی و توانایی‌های تشخیصی پزشکان را نشان می‌دهد. در سال 2023، محققان از این سیستم رونمایی کردند که حساسیت و دقت تشخیص را افزایش می‌دهد. این سیستم از نظر ویژگی، 2.7 درصد نسبت به مجموعه داده‌های آزمایش شده و نسبت به یک مدل پیش‌بینی مستقل تا 5.7 درصد عملکرد بهتری دارد.
رشد 45 برابری دستگاه‌های مرتبط با AI در 10 سال
سازمان غذا و داروی آمریکا بسیاری از دستگاه‌های پزشکی مرتبط با هوش مصنوعی را مورد تأیید قرار داده و فهرستی از این دستگاه‌ها را منتشر کرده است. این دستگاه‌ها از استانداردهای لازم برخوردارند که اثربخشی و ایمنی بالایی دارند. در سال 2022، درمجموع 139 دستگاه پزشکی مرتبط با هوش مصنوعی از سوی FDN آمریکا تأیید شدند که نسبت به کل دستگاه‌هایی که در سال 2021 تأییدیه گرفتند 12.1 درصد افزایش نشان می‌دهد. از سال 2012، تعداد این دستگاه‌ها بیش از 45 برابر شده است. از 139 دستگاه تأییدشده در سال 2022، بیشتر دستگاه‌ها که 87.1 درصد را به خود اختصاص می‌دادند، دستگاه‌های مربوط به رادیولوژی بودند. دستگاه بعدی مرتبط با هوش مصنوعی مربوط به تخصص قلب و عروق بود که 7.2 درصد از دستگاه‌های تأییدشده را تشکیل می‌داد.
