تقریباً 40 سال است که از وقتی که برای اولین بار از یک ماشین تصویر برداری از تمام بدن با رزونانس مغناطیسی برای اسکن یک بیمار و تولید تصاویر با کیفیت تشخیص استفاده شد می‌گذرد. اسکنر و روشهای پردازش سیگنال مورد نیاز برای تهیه تصویر توسط تیمی از فیزیکدانان پزشکی از جمله جان مالارد، جیم هاچینسون، بیل ادلشتاین و تام ردپات در دانشگاه آبردین ابداع شده است، که منجر به استفاده گسترده از اسکنر MRI شد، و اکنون ابزاری همه گیر در بخش‌های رادیو لوژی در سراسر جهان است.
 
MRI  در تشخیص پزشکی یک تغییر دهنده بازی است زیرا نیازی به قرار گرفتن در معرض اشعه یونیزه کننده (مانند اشعهX ) ندارد و می‌تواند تصاویری را بر روی مقاطع مختلف بدن با تعریفی عالی از بافت‌های نرم تولید کند. به عنوان مثال، برای اولین بار امکان مشاهده مستقیم نخاع توسط آن فراهم شد.
 
امروزه بیشتر افراد تحت MRI قرار گرفته‌اند یا کسی را می‌شناسند که MRI  شده باشد. در کنار سایر ابزارهای در دسترس رادیو لوژیست‌ها، MRI  برای تأیید میزان بیماری، تشخیص این که بیمار به درمان پاسخ داده است یا خیر، و برای نشان دادن عوارض و در برخی موارد تشخیص لزوم مداخله راهنما ضروری است.
 
اما رادیو لوژی با افزایش نمایی تعداد معاینات تصویر برداری خواسته شده در سیستم‌های مراقبت‌های بهداشتی به طور نمایی فزاینده‌ای که در خدمت یک جمعیت پیر شونده است، قربانی موفقیت خود شده است. تقاضا برای تهیه رادیوگرافی و برای رادیولوژیست‌های در دسترس برای تولید این اسکن‌ها در سیستم‌های مراقبت‌های بهداشتی سرمایه گذاری شده برای عموم، مانند NHS ، از عرضه پیشی گرفته است.
 
در اسکاتلند، به طور خاص، تعداد رادیولوژیست‌های مشاور در طول ده سال گذشته ثابت مانده است، در حالی که دامنه و پیچیدگی روش‌های تصویر برداری با هر نسل از اسکنرها افزایش می‌یابد. رادیو لوژیست‌ها، حتی با کار آمدترین بخش‌هایی که انجام بخشی از حجم کار خود را  به سازمان‌های خارجی بیرون سپاری می‌کنند، همچنان در حال دویدنند تا در همان سطح باقی بمانند.
 
 
شکل: تفسیر جزئیات فوق العاده از اسکن‌های MRI چیزی است که می‌تواند با استفاده از هوش مصنوعی به صورت خود کار انجام شود. Mgdtgd ، CC BY-SA
 

پتانسیل و مشکلات هوش مصنوعی

در همین حال، مبتکران در صنعت فرصتهای بالقوه‌ای را که هوش مصنوعی (AI) ممکن است برای مراقبت‌های بهداشتی به ویژه رادیولوژی و آسیب شناسی مبتنی بر تصاویر دیجیتال ایجاد کند، دیده‌اند. الگوریتم‌های یاد گیری ماشین که با مقادیر زیادی از تشخیص‌های گذشته تغذیه می‌شوند، می‌توانند قوانین جدیدی را برای طبقه بندی اسکن‌ها بر اساس مثالهای گذشته ایجاد کنند. رویکرد استفاده از این تکنیک در اسکن‌های تشخیصی به رادیومیکس (radiomics) معروف است.
 
مانعی برای استفاده گسترده‌تر از هوش مصنوعی در این زمینه، عدم دسترسی ایمن به داده‌های حساس بیمار است که با استفاده از آنها می‌توان مدلهای هوش مصنوعی را توسعه داد و تست کرد. مانع دیگر، عدم اعتماد مردم به روشهای جدید است - حتی اگر چه استفاده از تصمیم گیری رایانه‌ای در تاریخ مراقبت‌های بهداشتی به اوایل دهه 1970 باز می‌گردد. سرانجام، مشکل ارزیابی روشهای جدید بر اساس داده‌های دنیای واقعی وجود دارد.
 
ممکن است بپرسیم که آیا به هیچ وجه به مراقبت‌های مصنوعی در مراقبت از بیمار احتیاج داریم یا خیر. اما قدرت این تکنیک‌های جدید می‌تواند فرصت‌های عظیمی را فراهم کند. مهم نیست که انسان چقدر ماهر باشد؛ بالاخره در معرض خستگی، بی حوصلگی و وقفه‌های منظم قرار می‌گیرد و اینها لحظه‌های احتمال بروز خطا است.
 
ماشین آلات می‌توانند بدون خستگی کار کنند، اما توانایی آنها در تصمیم گیری‌های شهودی یا تکیه بر سالها تجربه برای تشخیص، وقتی که یک ناهنجاری یک خطر فوری ایجاد می‌کند، ناشناخته است. حتی بدون تکیه بر هوش مصنوعی برای امور پیچیده، استفاده از آن صرفاً برای کارهای روزمره مانند رزرو وقت ملاقات، اختصاص کارکنان و تجهیزات، اولویت بندی شغل رادیولوژیست‌ها یا درج داده‌های مربوط به سوابق مراقبت‌های بهداشتی باعث می‌شود زمان پزشکان برای سایر کارها آزاد شود.
 

یک بستر تست برای مراقبت‌های بهداشتی آینده

در انگلستان، iCAIRD ، مرکز صنعتی تحقیقات هوش مصنوعی در تشخیص‌های دیجیتال، متخصصان دانشگاه های آبردین، ​​ادینبورگ، گلاسکو و سنت اندروز را به همراه NHS و شرکای صنعتی مانند کانن و فیلیپس در یک مرکز 15 میلیون پوندی در گلاسکو گرد هم جمع می‌کند.
 
در حالی که سال گذشته راه اندازی شد، این پروژه با ارائه دسترسی ایمن به داده‌های بالینی ناشناس در حوزه‌هایی از جمله غربالگری سرطان پستان، تشخیص سکته مغزی، اشعه X قفسه سینه از A&E و آسیب شناسی سرطان دهانه رحم و آندومتری، آزمایش خواهد کرد که تا چه حد الگوریتم‌های هوش مصنوعی با تخصص انسان قابل مقایسه هستند. ماشین آلات می‌توانند بدون خستگی کار کنند، اما توانایی آنها در تصمیم گیری‌های شهودی یا تکیه بر سالها تجربه برای تشخیص، وقتی که یک ناهنجاری یک خطر فوری ایجاد می‌کند، ناشناخته است. محققان هوش مصنوعی با استفاده از یک روش مستقر برای دسترسی ایمن به تصاویر، گزارش‌ها و داده‌های بالینی مربوطه، قادر به تهیه و آزمایش روش‌های خود خواهند بود. iCAIRD همچنین یک پایگاه داده ملی آسیب شناسی دیجیتال ایجاد خواهد کرد.
 
مراقبت در مورد سرطان به طور معمول شامل جلسات تیم چند رشته‌ای بین پزشکان متخصصان مختلف می‌باشد: به همان روش، هدف iCAIRD این است که برنامه‌های کار بردی هوش مصنوعی متعدد برای ایجاد یک جلسه تیمی چند رشته‌ای مجازی مبتنی بر هوش مصنوعی می‌تواند یکپارچه شود تا یک ملاقات تیمی چند رشته‌ای مجازی مبتنی بر هوش مصنوعی را ایجاد کند، جایی که دانش رادیو لوژی و آسیب شناسی می‌تواند مدیریت شخصی سازی شده‌ی بیماران سرطانی را هدایت کند.
 
درست همان طور که داروهای جدید باید قبل از استفاده به درستی ارز یابی شوند، همچنین این امر باید در روشهای جدید هوش مصنوعی عملی شود. ما خوشبخت هستیم که از طریق iCAIRD قادر به ارز یابی عملکرد این الگوریتم‌های جدید با داده‌های دنیای واقعی هستیم. دخیل کردن عموم مردم در این سفر ارز یابی هوش مصنوعی به عنوان یک راه حل بالقوه، بسیار حیاتی است.
 
هر روش جدیدی از کار احتمالاً با قیمتی به دست خواهد آمد - خواه این سود برای بنگاههای در حال توسعه هوش مصنوعی باشد، دقیقاً همان طور که صنعت دارو سازی از داروهای جدید سود می‌کند - و یا با هزینه‌ای در ازای از دست دادن حریم شخصی مطلق داده‌های بیمار به دست آید. چگونگی متعادل سازی این موارد و حصول اطمینان از حکمرانی خوب هوش مصنوعی در مراقبت‌های بهداشتی باید برای بحث عمومی مطرح شود و نه فقط نقش یک بخش واحد یا تعداد معدودی از شرکت‌ها.
 
منبع: Alison Murray The Conversation