صفحه نخست < مجله ها < Frontiers for Young Minds < هوش مصنوعی در پزشکی؛ مشاور، کمک‌خلبان یا ناوبر؟

هوش مصنوعی در پزشکی؛ مشاور، کمک‌خلبان یا ناوبر؟

11 مهر 1405 | Frontiers for Young Minds, سبک زندگی

سه نقش هوش مصنوعی در پزشکی: مشاور، کمک‌خلبان، ناوبر

بخشی از متن

این مطلب ترجمهٔ فارسی مقالهٔ «AI in Medicine: Advisor, Copilot, or Navigator?» نوشتهٔ احمد گونی (Ahmad Guni) و هوتن اشرفیان (Hutan Ashrafian) است که در 1 سپتامبر 2026 در مجلهٔ علمی Frontiers for Young Minds منتشر شده است. مجوز: CC BY 4.0. این متن جنبهٔ آموزشی دارد و جایگزین مشورت پزشکی نیست.

وقتی نزد پزشک می‌روید، معمولاً انتظار دارید یک متخصص انسان تشخیص بدهد چه مشکلی هست و چه درمانی لازم است. اما امروز رایانه‌ها شروع کرده‌اند به کمک در بخش‌هایی از مراقبت پزشکی. هوش مصنوعی (AI) می‌تواند مشکلات احتمالی را نشان دهد، نتایج آزمایش را کمک کند تحلیل شود، و گاهی حتی یک کار مشخص را در شرایط کنترل‌شده خودش انجام دهد. در این مقاله سه سطح پایهٔ کمک هوش مصنوعی در پزشکی را توضیح می‌دهیم: مشاور (advisor)، کمک‌خلبان (copilot) و ناوبر (navigator). همچنین می‌گوییم سامانه‌های هوش مصنوعی چگونه از داده‌های پزشکی یاد می‌گیرند و چرا پزشکان انسان همچنان نقش مرکزی در مراقبت از بیمار دارند. هرچند هوش مصنوعی می‌تواند به پزشکان کمک کند سریع‌تر کار کنند و بیماری را زودتر ببینند، این ابزارها باید با دقت آزموده و طوری استفاده شوند که از مراقبت ایمن و قابل‌اعتماد پشتیبانی کنند.

چه کسی هواپیما را می‌راند؟

آیا وقتی سوار هواپیما می‌شوید نگاهی به کابین خلبان انداخته‌اید؟ شاید فکر کرده باشید خلبان‌ها چگونه همزمان کنترل‌ها را اداره و عقربه‌ها را زیر نظر می‌گیرند. رساندن ایمن هواپیما از شهری به شهر دیگر کار یک نفر نیست. در حالی که خلبان کنترل را نگه می‌دارد، دیگران سفر را به چند شکل راهنمایی می‌کنند. مشاوران از زمین کار می‌کنند، الگوهای آب‌وهوا و ترافیک هوایی را مطالعه می‌کنند و دربارهٔ ایمن‌ترین مسیر پیشنهاد می‌دهند. کمک‌خلبان در کابین کنار خلبان می‌نشیند؛ ارتباطات را مدیریت می‌کند، کنترل‌ها را تنظیم می‌کند و مطمئن می‌شود همه چیز روان است. برنامه‌ریزی و هدایت پرواز کار ناوبر است. در گذشته ناوبر انسان بود؛ امروز بیشتر این نقش را سامانه‌های رایانه‌ای انجام می‌دهند که مسیر را محاسبه و تنظیم می‌کنند.

فقط هواپیما نیست که چنین نقش‌هایی دارد. در بسیاری از کارهای پیچیده مسئولیت تقسیم می‌شود: یک نفر مسئول است، کسی مشاوره می‌دهد، کسی کنار رهبر مثل هم‌تیمی کار می‌کند، و یک سامانه یا متخصص آموزش‌دیده برنامهٔ بزرگ‌تر را هدایت می‌کند. در پزشکی، پزشک کمی شبیه خلبان هواپیماست، ولی متخصصان دیگر نقش‌های حمایتی حیاتی دارند. این روزها هوش مصنوعی هم دارد به حرفه‌ای‌های پزشکی کمک می‌کند. بعضی ابزارها فقط پیشنهاد می‌دهند. بعضی مثل کمک‌خلبان کنار متخصص انسان کار می‌کنند. پژوهشگران حتی سامانه‌هایی می‌سازند که روزی بتوانند بعضی کارهای پزشکی مشخص را مستقیم‌تر هدایت کنند — نه فقط مشاوره یا کمک، بلکه گرفتن بعضی تصمیم‌ها.

هوش مصنوعی در پزشکی

تصویر مفهومی مقاله دربارهٔ نقش‌های هوش مصنوعی در پزشکی. منبع: Frontiers for Young Minds؛ نویسندگان Guni و Ashrafian؛ مجوز CC BY 4.0 (فقط تغییر اندازه)

از مشاور تا ناوبر

یک مثال واقعی پزشکی: افراد مبتلا به دیابت باید اغلب معاینهٔ چشم شوند؛ در این معاینه‌ها عکس‌های دقیقی از پشت چشم گرفته می‌شود. تغییرهای کوچک در رگ‌های خونی می‌تواند هشدار زودهنگام باشد که دیابت به چشم آسیب می‌زند (شکل 1). اگر این تغییرها زود دیده شوند، درمان می‌تواند از کاهش بینایی جلوگیری کند. هوش مصنوعی پزشکی چگونه می‌تواند در این موقعیت کمک کند؟

عکس شبکیه سالم و آسیب‌دیده در دیابت

افراد مبتلا به دیابت اغلب معاینهٔ شبکیه دارند. (A) شبکیهٔ سالم صاف و شفاف به‌نظر می‌رسد. (B) در بیماری چشمی مرتبط با دیابت، لکه‌های روشن آسیب دیده می‌شود. منبع: Frontiers for Young Minds؛ مجوز CC BY 4.0 (فقط تغییر اندازه)

پیش از نقش‌ها، خوب است بدانیم هوش مصنوعی پزشکی چگونه یاد می‌گیرد (شکل 2). هوش مصنوعی مثل پزشک انسان فکر یا استدلال نمی‌کند. با مجموعه‌های بزرگ دادهٔ پزشکی آموزش می‌بیند: هزاران یا میلیون‌ها تصویر (مثل اشعهٔ ایکس، سی‌تی، عکس)، نتایج آزمایشگاه، پرونده‌های پزشکی یا اطلاعات مرتبط دیگر. هر مثال آموزشی می‌تواند برچسب داشته باشد که آیا بیماری یا مشکل سلامت بوده یا نه. به‌مرور سامانه الگوهایی را می‌آموزد که در بعضی شرایط پزشکی رایج‌اند — الگوهایی که دیدن سریع‌شان برای انسان دشوار است.

آموزش و پیش‌بینی هوش مصنوعی پزشکی

(A) در آموزش، به سامانه مثال‌های زیادی با برچسب «بیماری» یا «سالم» نشان داده می‌شود. (B) پس از آموزش می‌تواند تصویر تازه را ببیند و احتمال وجود بیماری را برآورد کند (مثلاً 96 درصد). منبع: Frontiers for Young Minds؛ مجوز CC BY 4.0 (فقط تغییر اندازه)

هوش مصنوعی به‌عنوان مشاور

در سطح مشاور، هوش مصنوعی کمی شبیه کسی است که آب‌وهوا را مطالعه می‌کند و خلبان را از طوفان خبر می‌دهد. سامانه عکس‌های چشم بیمار را از نظر رنگ، شکل و بافت بررسی می‌کند و با الگوهایی که در آموزش یاد گرفته مقایسه می‌کند (شکل 3A).

یک مشاور هوش مصنوعی ممکن است ناحیهٔ کوچکی را که رگ‌ها غیرعادی به‌نظر می‌رسند برجسته کند یا شانس شروع آسیب زودهنگام چشم را برآورد کند. هوش مصنوعی در این نقش عالی است چون می‌تواند تصاویر را سریع و یکنواخت اسکن کند. اما تشخیص نمی‌گذارد و درمان را تصمیم نمی‌گیرد — فقط اطلاعات می‌دهد. پزشک تصویر را می‌بیند، سابقه، علائم و آزمایش‌های دیگر را در نظر می‌گیرد و تصمیم می‌گیرد یافتهٔ هوش مصنوعی یعنی چه و بعد چه باید کرد. الگویی که برای رایانه نگران‌کننده است شاید بی‌ضرر باشد، یا چیزی را که پزشک از قبل گمان می‌کرده تأیید کند.

هوش مصنوعی مشاور همین حالا در بسیاری از بیمارستان‌ها رایج است؛ مثلاً برای برآورد خطر سرطان پستان از تصاویر پزشکی یا دیدن ریتم‌های غیرعادی قلب یا نشانه‌هایی که بیمار ممکن است بعداً مشکل قلبی پیدا کند [1].

مقاله مرتبط پیشنهادی برای مطالعه: هوش مصنوعی چگونه یاد می‌گیرد؟ از مغز انسان تا شبکه‌های عصبی

هوش مصنوعی به‌عنوان کمک‌خلبان

فراتر از نشان‌دادن مشکلات احتمالی، هوش مصنوعی در سطح کمک‌خلبان می‌تواند بخشی از کار را فعالانه انجام دهد (شکل 3B). در مثال معاینهٔ چشم، ممکن است به‌طور خودکار تغییر رگ‌ها را اندازه بگیرد، عکس تازه را با عکس‌های ویزیت‌های قبلی مقایسه کند، یا یافته‌ها را در گزارشی برای پزشک مرتب کند. همچنین ممکن است تصاویر بیماران را بر اساس شدت بیماری مرتب کند تا پزشک اول به کسانی برسد که زودتر به درمان نیاز دارند. در اصل، کمک‌خلبان کنار پزشک مثل هم‌تیمی کار می‌کند.

تفاوت مشاور و کمک‌خلبان شاید کوچک به‌نظر برسد، ولی مهم است. مشاور می‌گوید: «شاید بخواهی به اینجا نگاه کنی». کمک‌خلبان می‌گوید: «در انجام این کار کمکت می‌کنم». حتی در سطح کمک‌خلبان، پزشک مسئول است و تصمیم نهایی را می‌گیرد. در مثال ما، کمک‌خلبان هنوز تصمیم نمی‌گیرد بیمار بیماری چشمی دیابتی دارد یا چه درمانی لازم است.

سامانه‌های کمک‌خلبان کمتر از مشاور رایج‌اند، ولی انواع تازه‌ای در حال ساخت و آزمون‌اند [2]. بعضی‌ها همین حالا با جراحان کار می‌کنند و ابزارها را هنگام عمل ردیابی می‌کنند، و در کلینیک‌ها پرونده‌ها را مرتب و موارد فوری را اولویت‌بندی می‌کنند.

سه سطح کمک هوش مصنوعی به پزشک

سه سطح کمک هوش مصنوعی به پزشک: (A) مشاور نواحی مشکوک را برجسته می‌کند؛ (B) کمک‌خلبان تحلیل و گزارش می‌سازد؛ (C) ناوبر می‌تواند کار محدودی را خودش انجام دهد، مثل ارجاع به متخصص. منبع: Frontiers for Young Minds؛ مجوز CC BY 4.0 (فقط تغییر اندازه)

هوش مصنوعی به‌عنوان ناوبر

در سطح ناوبر، هوش مصنوعی نقش مستقل‌تری می‌گیرد. به‌جای فقط کمک به پزشک، این سامانه‌ها می‌توانند یک کار پزشکی مشخص را در محدوده‌های روشن خودشان انجام دهند (شکل 3C). در مراقبت چشم، سامانه‌ای به نام LumineticsCore تأیید شده تا عکس‌های چشم را تحلیل کند. اگر نشانه‌های بیماری چشمی دیابتی باشد، سامانه تعیین می‌کند آیا بیمار باید به متخصص چشم ارجاع شود — بدون اینکه ابتدا پزشک انسان تصویر را تحلیل کند [3].

این یعنی ناوبر پزشک را کاملاً جایگزین نمی‌کند. سامانه‌های ناوبر برای یک هدف روشن طراحی شده‌اند — مثل غربالگری بیماری چشمی دیابتی. نمی‌توانند همهٔ بیماری‌های چشم را تشخیص دهند یا به مشکلات دیگر سلامت کمک کنند. پزشکان انسان هنوز نتیجه را برای بیمار توضیح می‌دهند، درمان می‌کنند و پیگیری را مدیریت می‌کنند. ولی در همان کار مشخصی که برایش آموزش دیده‌اند، ناوبر بیش از مشاوره یا کمک می‌کند؛ یک تصمیم پزشکی مشخص را خودش می‌گیرد.

ناوبرها هنوز نادرند. یک مثال سامانه‌های تزریق خودکار انسولین است که می‌توانند دوز انسولین را بر اساس خوانش لحظه‌ای قند خون از دستگاه‌های پوشیدنی کوچک تنظیم کنند [4]. چند مورد دیگر هنوز در حال توسعه هستند.

چه چیزهایی هنوز باید بهتر شوند؟

هرچه سامانه مستقل‌تر شود، باید با دقت بیشتری طراحی و آزموده شود. باید قابل‌اعتماد کار کند، منظم بررسی شود تا دقیق بماند، و محدودیت‌های روشنی داشته باشد تا حرفه‌ای‌های پزشکی دقیقاً بدانند چه می‌تواند و چه نمی‌تواند. پیش از رایج شدن ناوبرها، هنوز چند چیز بزرگ باید بهتر شود.

اول، اگر هوش مصنوعی قرار است مسئولیت ناوبر را بگیرد، باید بتواند انواع اطلاعات پزشکی را به‌راحتی ترکیب کند. تصمیم‌های پزشکی به‌ندرت فقط به یک چیز مثل یک عکس چشم وابسته‌اند. پزشکان اغلب نتایج خون، ضربان قلب، اسکن‌های دیگر، علائم و سابقه را با هم می‌بینند. چالش فقط آموزش اتصال این سرنخ‌ها نیست؛ بلکه این است که اطلاعات اصلاً بتواند به‌طور روان با سامانه به‌اشتراک گذاشته شود. پرونده‌ها ممکن است در سامانه‌های مختلف بیمارستان‌ها باشند، دستگاه‌های تصویربرداری از شرکت‌های مختلف بیایند، و بیمار در خانه با پوشیدنی‌های گوناگون داده جمع کند. اگر این منابع روان به‌اشتراک نگذارند، هوش مصنوعی تصویر کامل را برای هدایت ایمن نمی‌بیند.

سرعت چالش دیگری است. در بیمارستان اطلاعات سریع عوض می‌شود. ضربان می‌تواند تغییر کند، نتیجهٔ آزمایش برسد یا علامت تازه ظاهر شود. برای اینکه واقعاً مثل کمک‌خلبان یا ناوبر عمل کند، باید بتواند پیش‌بینی‌ها را در زمان واقعی به‌روز کند. این به رایانش قدرتمند نیاز دارد. همهٔ بیمارستان‌ها این زیرساخت را ندارند.

طراحی هوش مصنوعی طوری که با کار واقعی پزشکان و پرستاران جور باشد هم ضروری است. اگر خیلی هشدار بفرستد، وقت بد قطع کند، یا اطلاعات را گیج‌کننده نشان دهد، مفید نیست و حتی ممکن است خطر اشتباه را بالا ببرد. اگر حرفه‌ای‌ها بیش از حد به آن تکیه کنند، ممکن است پیشنهادهایش را زیر سؤال نبرند. اگر به قدر کافی اعتماد نکنند، هشدارهای مهم را نادیده بگیرند. برای کمک‌خلبان واقعی، باید سطح درست اعتماد انسانی ساخته شود: نمایش اطلاعات، زمان هشدار، و تقسیم مسئولیت میان آدم و ماشین.

آیندهٔ هوش مصنوعی در مراقبت سلامت

هرچه سامانه‌های بیشتری از مشاور به کمک‌خلبان و ناوبر بروند، می‌توانند نحوهٔ مراقبت پزشکان از بیماران را عوض کنند. وقتی اطلاعات پزشکان و دستگاه‌های مختلف راحت‌تر وصل شود، بیماری‌ها ممکن است زودتر پیدا شوند و درمان زودتر شروع شود. در بیمارستان‌های شلوغ، هوش مصنوعی حتی ممکن است مشکلاتی را بگیرد که انسان از دست می‌دهد.

اما حتی باهوش‌ترین هوش مصنوعی نمی‌تواند جایگزین پزشک یا پرستار انسان شود. سامانه‌های رایانه در پیدا کردن الگو در داده عالی‌اند، ولی نمی‌توانند ترس، امید یا درد را بفهمند. کنار بیمار نمی‌نشینند، توضیح نمی‌دهند و آرامش نمی‌دهند. وقتی تصمیم پزشکی جدی باید گرفته شود، یک انسان — نه ماشین — مسئول است. آن بخش‌های پزشکی هنوز مال آدم‌هاست. بیمارستان‌های آینده ممکن است از سامانه‌های باهوش‌تر استفاده کنند، ولی کمک به بهبود بیماران همیشه به انسان‌هایی نیاز دارد که گوش دهند، مراقبت کنند و بفهمند برای هر بیمار چه چیزی مهم است.

جمع‌بندی

هوش مصنوعی در پزشکی می‌تواند مشاور، کمک‌خلبان یا در محدوده‌ای روشن ناوبر باشد. در هر سطح، آزمایش دقیق، محدودیت‌های شفاف و حضور مسئولانهٔ انسان برای ایمنی ضروری است. فناوری می‌تواند الگو را سریع ببیند؛ انسان مراقبت، توضیح و تصمیم نهایی را نگه می‌دارد.

منابع

  1. Aggarwal, R., et al. 2021. Diagnostic accuracy of deep learning in medical imaging: a systematic review and meta-analysis. npj Digit. Med. 4:65. doi: 10.1038/s41746-021-00438-z
  2. Han, R., et al. 2024. Randomised controlled trials evaluating artificial intelligence in clinical practice: a scoping review. Lancet Digit. Health 6:e367–73. doi: 10.1016/S2589-7500(24)00047-5
  3. Abràmoff, M. D., et al. 2018. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy… npj Digit. Med. 1:39. doi: 10.1038/s41746-018-0040-6
  4. Nimri, R., et al. 2020. Insulin dose optimization using an automated artificial intelligence-based decision support system… Nat. Med. 26:1380–4. doi: 10.1038/s41591-020-1045-7
تصویر مفهومی قلب انسان و نمودار نزولی مرگ‌ومیر قلبی

مرگ بر اثر بیماری قلبی 75 درصد کمتر شده است؛ راز این پیشرفت بزرگ چیست؟

در 75 سال گذشته، خطر مرگ ناشی از بیماری قلبی در آمریکا سه‌چهارم کمتر شد. از استاتین و ضربان‌ساز تا ترک سیگار؛ داستان پیشرفتی که میلیون‌ها قلب را نجات داد.

دره عمیق اقیانوس با خیار دریایی شاخ‌دار لوکی

خیار دریایی «لوکی»؛ ستاره 57 گونه جدیدی که در اعماق اقیانوس اطلس کشف شد

57 گونه‌ جدید اقیانوس در اعماق اطلس کشف شد؛ از خیار دریایی شاخ‌دار «لوکی» تا مرجان‌های اعماق. داستان این کشف بزرگ را بخوانید.

شاهین تندپرواز روی لبه آسمان‌خراشی در ملبورن

شاهین تندپرواز ملبورن؛ ستاره 24 ساعته اینترنت روی طبقه 34

بیش از 30 سال است یک جفت شاهین تندپرواز روی ساختمان 367 خیابان کالینز ملبورن آشیانه می‌سازند؛ وب‌کمی زنده، 56 هزار طرفدار و 4 تخم که همین روزها می‌شکافند.

جامعه جهانی مترجمان فریلنسر در سراسر جهان

مصاحبه با بنیان‌گذاران تیم ترنسلیتور؛ خانه‌ای برای مترجمان فریلنسر

مصاحبه با آنیکو پتو-مردوسکی و کلسی فریک، بنیان‌گذاران «تیم ترنسلیتور»؛ خانه‌ای برای مترجمان فریلنسر که تنهایی این شغل را به همدلی تبدیل کرده است.

تصویر مفهومی پیشرفت واکسیناسیون و نجات جان کودکان

واکسن کودکان؛ 150 میلیون جان نجات‌یافته در 50 سال

واکسن کودکان در 50 سال گذشته حدود 150 میلیون جان نجات داده است؛ سرخک به‌تنهایی 94 میلیون. روایتی داده‌محور از Our World in Data.

تصویر مفهومی خواب آرام نوجوانان در شب مهتابی

خواب نوجوانان؛ چرا باید 8 تا 10 ساعت بخوابید؟

خواب نوجوانان باید معمولاً 8 تا 10 ساعت باشد. این مقاله علمی توضیح می‌دهد چرا خواب روی مغز، هیجان و بدن اثر دارد و چه عادت‌هایی کمک می‌کنند.

تصویر مفهومی از غذاهای سالم و آرامش ذهن

استرس و تغذیه؛ یک سیب در روز استرس را از شما دور می‌کند

ارتباط استرس و تغذیه چیست؟ مقاله‌ای از Frontiers for Young Minds نشان می‌دهد بعضی غذاها با کاهش هورمون‌های استرس و افزایش سروتونین، آرامش می‌آورند.

دهانه تازه مک‌گچین روی سطح ماه با زمین در آسمان

دهانه 222 متری مک‌گچین؛ بزرگ‌ترین دهانه تازه ماه در یک قرن اخیر

مدارگرد ناسا بزرگ‌ترین دهانه تازه ماه را پیدا کرد: دهانه 222 متری مک‌گچین که در بهار 2024 ساخته شد؛ یک آزمایشگاه طبیعی کم‌نظیر برای دانشمندان.

سه نقش هوش مصنوعی در پزشکی: مشاور، کمک‌خلبان، ناوبر

هوش مصنوعی در پزشکی؛ مشاور، کمک‌خلبان یا ناوبر؟

هوش مصنوعی در پزشکی سه سطح کمک دارد: مشاور، کمک‌خلبان و ناوبر. ببینید هر کدام چه می‌کند و چرا پزشک انسان همچنان مرکز مراقبت است.

انسان‌ها و هوش مصنوعی در یک شبکهٔ همکاری

با هم باهوش‌تر: انسان و هوش مصنوعی چگونه مسائل بزرگ را حل می‌کنند؟

هوش مصنوعی می‌تواند هم‌تیمی باشد نه فقط ابزار. با هوش جمعی ترکیبی و پنج اصل هم‌آفرینی، انسان‌ها و ماشین‌ها مسائل را بهتر حل می‌کنند.