پیشرفت‌های واقعی هوش مصنوعی در حوزه سلامت: عبور از مرزهای پزشکی با هوش مصنوعی علیتی

هوش مصنوعی تاکنون پیشرفت‌های بزرگی در علم پزشکی ایجاد کرده است؛ از نقشه‌برداری ژنوم انسان گرفته تا حل ساختار پروتئین‌ها با سیستم‌هایی نظیر Alphafold و همچنین پیشرفت در انواع تشخیص‌ها و کشف دارو. در واقع، این دستاوردها شاید بزرگ‌ترین مشارکت هوش مصنوعی تا به امروز باشد که روزانه جان بسیاری را نجات می‌دهد. در کنار غربالگری‌های روزمره که می‌توانند مداخلات حیاتی را به همراه داشته باشند، مسیرهای گسترده‌تری از تحلیل‌های بالینی وجود دارند که نیازمند زمان، هزینه و البته صبر و حوصله فراوان هستند.

دافنه کولر (Daphne Koller)، بنیان‌گذار Coursera و از پژوهشگران برجسته، در رویدادی در کالیفرنیا به بررسی راه‌های بهتر برای نوآوری‌های پزشکی پرداخت. او در حال حاضر در پروژه‌های تحقیقاتی مشارکت دارد که مسیرهای نوینی را برای پیشرفت‌های پزشکی یادشده هموار می‌کنند. در این نشست، مباحث گسترده‌ای پیرامون زیست‌شناسی و علوم وابسته به آن و همچنین نقش هوش مصنوعی مطرح شد.

فیزیک و زیست‌شناسی در عمل

کولر در این زمینه توضیح داد: «دنیایی که اکنون در آن زندگی می‌کنیم، جایی است که بیت‌های هوش مصنوعی با اتم‌های دنیای واقعی تلاقی پیدا می‌کنند. افراد اغلب پیچیدگی‌های موجود در این مرز را دست‌کم می‌گیرند. وقتی از دنیای داده‌های تولیدشده توسط هشت میلیارد انسان (مانند تصاویر، متن‌های وب و کدهایی که فوراً قابل تولید و آزمایش هستند) خارج می‌شویم و به دنیای فیزیکی قدم می‌گذاریم، سرعت کار دیگر به اندازه سرعت نور نخواهد بود و باید با ریتم دنیای فیزیکی هماهنگ شویم.»

به گفته وی، این همان دنیای بدن انسان است و بخش عمده‌ای از تمرکزها اکنون روی زیست‌شناسی کاربردی با کمک هوش مصنوعی قرار دارد.

زیست‌شناسی انسان در میدان عمل

کولر با اشاره به پیش‌بینی پیامدهای مداخلات پزشکی افزود: «می‌توان پیش‌بینی کرد که اگر در دنیای واقعی مداخله‌ای انجام شود، چه رخ خواهد داد؛ دنیای واقعی در اینجا همان بدن انسان‌ها و بیماران است.»

او این پرسش کلیدی را مطرح کرد:

«چگونه می‌توان برای دنیایی که هنوز اتفاق نیفتاده، بر اساس داده‌هایی که آزمایش نشده‌اند، پیش‌بینی انجام داد؟ برای پاسخ به این چالش، طی هشت سال گذشته یک مجموعه داده منحصربه‌فرد جمع‌آوری شده است. این مجموعه، داده‌های مشاهداتی از میلیون‌ها نفر را با پایه‌های علیتی در ژنتیک انسان ترکیب می‌کند و آن‌ها را در کنار داده‌های تجربیِ به‌دست‌آمده از ده‌ها میلیارد (و به زودی صدها میلیارد) سلول قرار می‌دهد. این ادغام داده‌ها به محققان اجازه می‌دهد تا پیش‌بینی‌های دقیقی در مدلی به نام انسان مجازی (Virtual Human) داشته باشند؛ مدلی که تصور می‌شود اولین هوش مصنوعی برای زیست‌شناسی علیتی انسان باشد و پیش‌بینی‌های دقیقی را در دنیای واقعی ارائه دهد.»

چالش‌های کشف دارو و پیچیدگی‌های زیست‌شناسی

کولر پیش‌تر در مقاله‌ای با عنوان «کشف دارو هیچ عصای جادویی ندارد» به این موضوع پرداخته بود. او در این باره گفت: «اشتیاق زیادی درباره نقش هوش مصنوعی در دنیای فیزیکی و به طور خاص در سلامت انسان وجود دارد. این هیجان کاملاً منطقی است و همه دوست دارند هوش مصنوعی به جای تحقق پیش‌بینی‌های تاریک، جهان را به جای بهتری تبدیل کند.»

با این حال، پیش‌بینی‌های آرمانی ممکن است در بازه‌های زمانی واقع‌بینانه نگنجند. بنا بر گزارش‌ها، در طول تاریخ پزشکی، بسیاری از درمان‌های موفقیت‌آمیز برای بیماری‌های عفونی بوده‌اند و کُند کردن روند یک آسیب‌شناسی بسیار آسان‌تر از ریشه‌کن کردن کامل آن است.

او تاکید کرد: «باید درک کنیم چه چیزی امکان‌پذیر است و برای رسیدن به آن به چه چیزهایی نیاز داریم.» در این میان، مدل‌هایی مانند Alphafold کارهای بسیار ارزشمندی انجام داده‌اند.

ادامه تلاش‌ها برای یافتن راه‌حل‌ها

یکی از چالش‌های مطرح‌شده در پزشکی این است که گاهی می‌توان یک مسئله را از نظر شیمیایی حل کرد، اما مسیر پیشرفت واقعی متفاوت است.

کولر درباره این شرایط توضیح داد: «ما زیست‌شناسی را به طور کامل درک نمی‌کنیم. این یک مشکل شیمیایی نیست، بلکه چالشی در حوزه زیست‌شناسی است. حجم داده‌هایی که برای درک زیست‌شناسی انسان به دست آمده، بخش بسیار کوچکی از چیزی است که واقعاً نیاز است.»

جمع‌آوری داده‌ها صرفاً از انسان‌ها یک چالش بزرگ است. عوامل دیگری نظیر ریسک‌گریزی، محدودیت‌های فعلی در صنعت داروسازی و چالش‌های دریافت تاییدیه از سازمان‌های بهداشتی نیز در این مسیر وجود دارند.

یک نمونه بارز از این شرایط سخت، بیماری ALS است که ده‌ها هزار نفر را درگیر کرده است.

کولر در این باره بیان کرد: «داروهای موجود تنها دو تا سه ماه به طول عمر این بیماران اضافه می‌کنند و در بهترین حالت نقش تسکینی دارند. این دقیقاً همان مشکلی است که فرصت فوق‌العاده‌ای برای کشف حقایق جدید در زیست‌شناسی ایجاد می‌کند؛ فرصتی که می‌تواند راه را برای درمان بیماری‌های متعدد هموار سازد و به تولید داروهایی منجر شود که واقعاً مسیر بیماری را تغییر می‌دهند.»

همبستگی در برابر علیت

به گفته این پژوهشگر، هوش مصنوعی برای حل این مشکلات باید ماهیتی علیتی داشته باشد.

او توضیح داد: «آمارشناسان، اقتصاددانان و اپیدمیولوژیست‌ها متفق‌القول هستند که همبستگی و علیت دو مفهوم کاملاً متفاوتند. اشتباه رایج زمانی رخ می‌دهد که افراد همبستگی را به عنوان علیت تفسیر می‌کنند؛ یعنی وقوع همزمان دو رویداد را به معنای تاثیر یکی بر دیگری در نظر می‌گیرند.»

پاسخ به این چالش، ایجاد چیزی است که «کارخانه داده‌های علیتی» نامیده می‌شود.

بر اساس توضیحات ارائه‌شده: «میلیاردها سلول از دودمان‌های سلولی مختلف از جمله نورون‌ها، سلول‌های کبدی، قلبی و ایمنی مورد بررسی قرار می‌گیرند. در این سلول‌ها با سرکوب یا تقویت یک ژن خاص مداخله صورت می‌گیرد تا نتایج مشاهده شود.»

این رویکرد به مشاهده‌پذیری فوق‌العاده‌ای منجر می‌گردد.

وی افزود: «آنچه هوش مصنوعی در ترکیب با تکنیک‌های پیشرفته میکروسکوپی می‌تواند در سلول زنده انسان ببیند، شگفت‌انگیز است. با استفاده از فناوری‌های توالی‌یابی، اتفاقاتی که برای سایر رونوشت‌های ژنتیکی می‌افتد نیز بررسی می‌شود. به این ترتیب، بزرگ‌ترین پایگاه داده علیتی از زیست‌شناسی سلولی انسان در حال شکل‌گیری است و با داده‌های علیتی به‌دست‌آمده از بیماران ترکیب می‌شود.»

تمامی این دستاوردها در سال‌های آینده برای پیشرفت پزشکی نوین حیاتی خواهند بود.

نوآوری و آموزش

در بررسی تعامل بین آموزش و پیشرفت علم، چشم‌انداز آینده نیز مورد بحث قرار گرفت.

کولر با تاکید بر اهمیت ابزارها و مدل‌های تخصصی اظهار داشت: «در آینده شرکت‌های بیشتری به سمت تبدیل شدن به شرکت‌های هوش مصنوعی با حضور عمودی قدرتمند حرکت خواهند کرد تا با تمرکز عمیق، مشکلات مدرن را حل کنند. در حال حاضر مدل‌های پیشرفته هوش مصنوعی علیتی در حال توسعه هستند که پیش از این وجود نداشته‌اند و همزمان مشکلاتی حل می‌شوند که برای مردم اهمیت واقعی دارند.»

درباره حوزه آموزش و ظهور ایجنت‌های هوش مصنوعی به عنوان معلم، این موضوع مطرح شد که آیا آموزش‌های سنتی در عصر هوش مصنوعی منسوخ می‌شوند؟

کولر بر این باور است: «آموزش‌های سنتی و سخنرانی‌ها کاملاً از بین نمی‌روند، زیرا یادگیری از یک معلم واقعاً بااستعداد و الهام‌بخش، همواره جذابیت خاص خود را دارد.»

درک پیامدها و مسئولیت‌پذیری

این پژوهشگر درباره نقش توسعه‌دهندگان در جامعه تاکید کرد: «باید نسبت به پیامدهای اقدامات خود در دنیای امروز آگاه باشیم. تفکر درباره تاثیرات اقدامات ما صرفاً مختص متخصصان یادگیری ماشین نیست، بلکه تمامی افراد در هر رشته‌ای باید تلاش کنند فعالیت‌های خود را نه تنها برای کسب سود، بلکه برای انجام کارهای مفید و سازنده هدایت کنند.»

وی همچنین در مورد نقش دانشگاه‌ها افزود: «دانشگاه‌ها باید دیوارهای برج عاج خود را نفوذپذیرتر کنند تا جریان حرکت افراد، ایده‌ها و مالکیت فکری بین صنعت و فضای آکادمیک تسهیل شود. این امر می‌تواند تحقیقات دانشگاهی را در جامعه تاثیرگذارتر کند.»

کولر با اشاره به اهمیت کاربردهای عملی ایده‌ها پیشنهاد کرد: «دانشگاه‌ها باید با نگاهی عمیق به نحوه عملکرد خود، جایگاه تاثیرگذار گذشته خود را در دنیای کاملاً متفاوت امروز بازیابند. فرصت‌های بی‌نظیری برای افراد آینده‌نگر وجود دارد تا تغییرات بزرگی در این ساختارها ایجاد کنند.»

خروج از منطقه امن

وی در پایان با اشاره به چالش‌های دستیابی به موفقیت‌های بزرگ گفت: «فرصت‌های فوق‌العاده‌ای برای کسانی وجود دارد که حاضرند از منطقه امن و راحتی رشته تخصصی خود خارج شوند. قرار گرفتن در مرز بین حوزه‌ای که در آن تسلط کامل دارید و حوزه‌ای که در آن به دلیل عدم درک مفاهیم پایه مدام سوالات ساده می‌پرسید، ممکن است ناراحت‌کننده باشد.»

وی در ادامه توضیح داد:

«این شرایط گرچه دشوار است، اما دقیقاً همان‌جاست که بیشترین تاثیر را می‌توان گذاشت؛ زیرا در این نقطه می‌توانید ایده‌های طبیعی خود را به دستاوردهای تحول‌آفرین در رشته‌ای دیگر تبدیل کنید. خواه این کاربرد هوش مصنوعی در پزشکی باشد، یا در کشاورزی و دولت. رشته‌های متعددی وجود دارند که هوش مصنوعی هنوز در آن‌ها نفوذ نکرده و پتانسیل تاثیرگذاری بالایی دارند. انتخاب با شماست که آیا می‌خواهید صرفاً یک تغییر جزئی در مدل‌های فعلی ایجاد کنید یا دستاوردی واقعاً تاثیرگذار داشته باشید. خروج از منطقه امن برای تحقق این اهداف حیاتی است.»

این چشم‌انداز نشان می‌دهد که پیشرفت‌های آینده در گرو همکاری در حوزه‌های آموزش، کارآفرینی و توسعه بخش خصوصی در کنار بهره‌گیری صحیح از فناوری‌های نوینی چون هوش مصنوعی خواهد بود.