هوش مصنوعی در پزشکی چه کاری انجام می‌دهد؟
پزشکی در آستانه دورانی قرار گرفته است که در آن بخشی از کارهایی که زمانی به چشم، حافظه و تجربه متخصصان وابسته بود، با کمک هوش مصنوعی از نو تعریف می‌شود. هوش مصنوعی حالا از تصویربرداری و آزمایشگاه گرفته تا کشف دارو، پایش بیماران، مدیریت بیمارستان و برخی فرایندهای جراحی وارد میدان شده است.
برخلاف تصویری که گاهی از «پزشک ماشینی» ارائه می‌شود، واقعیت پیچیده‌تر است. هوش مصنوعی قرار نیست به‌تنهایی بیمار را تشخیص دهد یا درمان کند. ارزش آن در بسیاری از کاربردها، کمک به متخصصان برای شناسایی الگوهایی است که ممکن است در میان حجم عظیم داده‌های پزشکی به‌سادگی دیده نشوند.
این تغییر دیگر فقط یک وعده فناورانه نیست. سازمان جهانی بهداشت در اسناد خود از کاربرد هوش مصنوعی در تشخیص، مراقبت بالینی، توسعه دارو، پایش بیماری‌ها و مدیریت نظام سلامت سخن گفته و هم‌زمان بر ضرورت نظارت، عدالت، شفافیت و حفاظت از حقوق بیماران تأکید کرده است. در ایالات متحده نیز سازمان غذا و دارو (FDA) فهرست جداگانه‌ای از تجهیزات پزشکی مجهز به هوش مصنوعی دارد که به‌روزرسانی می‌شود؛ فهرستی که نشان می‌دهد این فناوری از مرحله آزمایشگاهی فاصله گرفته و به محصولات واقعی پزشکی رسیده است.
هوش مصنوعی در پزشکی دقیقاً چه کاری انجام می‌دهد؟
هوش مصنوعی در پزشکی یک فناوری واحد نیست. ابزارهایی مانند الگوریتم‌های یادگیری ماشین برای پیش‌بینی و دسته‌بندی، بینایی ماشین برای تحلیل تصویر و مدل‌های زبانی برای کار با متن و پرونده‌های پزشکی، همگی در این حوزه به کار می‌روند.
یک مدل ممکن است تصاویر رادیولوژی را بررسی کند؛ مدل دیگری احتمال بروز عارضه‌ای را بر اساس علائم و نتایج آزمایش تخمین بزند و ابزاری دیگر اطلاعات پرونده را برای پزشک خلاصه کند.
نکته مهم آن است که عملکرد چنین سامانه‌ای به داده‌های آموزشی، کیفیت طراحی، جمعیت مورد استفاده، شرایط بالینی و نحوه اعتبارسنجی بستگی دارد. بنابراین، «هوش مصنوعی» به‌خودی‌خود تشخیص درست را تضمین نمی‌کند؛ این فناوری ابزاری است که باید برای کاربردی مشخص، آزمایش و اعتبارسنجی شود.
از رادیولوژی تا سرطان؛ وقتی یک تصویر هزاران نشانه دارد
تصویربرداری یکی از بالغ‌ترین حوزه‌های کاربرد هوش مصنوعی در پزشکی است. الگوریتم‌های بینایی ماشین می‌توانند در ماموگرافی، سی‌تی‌اسکن، MRI، رادیوگرافی و دیگر تصاویر پزشکی به‌دنبال الگوهای مشکوک بگردند و یافته‌های مهم را برای بررسی پزشک برجسته کنند.
یکی از نمونه‌های قابل‌توجه، مطالعه PRAIM در آلمان است که نتایج آن در مجله Nature Medicine منتشر شد. در این مطالعه بزرگ و مبتنی بر اجرای واقعی، بیش از ۴۶۳ هزار زن در برنامه غربالگری ماموگرافی بررسی شدند. در گروهی که رادیولوژیست‌ها از کمک هوش مصنوعی استفاده کردند، نرخ کشف سرطان پستان ۶.۷ مورد در هر هزار نفر بود؛ این رقم در گروهی که از هوش مصنوعی کمک نگرفت، حدود ۵.۷ مورد در هر هزار نفر گزارش شد.
این نتیجه به معنای بی‌نیازی از رادیولوژیست نیست؛ بلکه نمونه‌ای از ارزش همکاری انسان و ماشین در یک وظیفه مشخص است. در بسیاری از سامانه‌های پزشکی، هوش مصنوعی می‌تواند ناحیه‌ای مشکوک را علامت‌گذاری کند، یافته‌ها را اولویت‌بندی کند یا اندازه‌گیری‌هایی را خودکار انجام دهد؛ اما تفسیر نهایی و تصمیم درمانی همچنان به زمینه بالینی و نظر متخصص وابسته است.
کشف دارو؛ کوتاه‌شدن بخشی از مسیر، نه حذف آزمایش‌ها
یکی از جذاب‌ترین وعده‌های هوش مصنوعی، کمک به کشف داروهای جدید است. پژوهشگران می‌توانند با مدل‌های محاسباتی، ساختار مولکول‌ها، پروتئین‌ها، اهداف زیستی و نتایج آزمایش‌های پیشین را سریع‌تر بررسی کنند. این توانایی ممکن است شمار ترکیباتی را که باید در مراحل اولیه آزمایش شوند کاهش دهد و به محققان کمک کند گزینه‌های امیدوارکننده را زودتر پیدا کنند.
اما یک تصور نادرست را باید اصلاح کرد: هوش مصنوعی هنوز نمی‌تواند دارویی را طراحی کند و آن را مستقیماً در اختیار بیمار بگذارد. مولکولی که روی رایانه امیدوارکننده به نظر می‌رسد، باید مراحل آزمایشگاهی، ارزیابی ایمنی و کارآزمایی بالینی را پشت سر بگذارد.
بااین‌حال، این حوزه در سال‌های اخیر از مرحله شعار فاصله گرفته است. مجله Nature Medicine در سال ۲۰۲۵ از یک کارآزمایی بالینی فاز ۲a برای دارویی خبر داد که شناسایی هدف و طراحی مولکول آن با کمک هوش مصنوعی مولد انجام شده بود. این رویداد نشانه‌ای مهم بود: هوش مصنوعی کم‌کم از مرحله «پیشنهاد مولکول» به آزمودن نامزدهای دارویی در انسان نزدیک می‌شود.
پزشکی شخصی‌سازی‌شده؛ یک نسخه برای همه نیست
بسیاری از دستورالعمل‌های پزشکی بر اساس میانگین‌های جمعیتی نوشته می‌شوند؛ اما بیماران با یکدیگر تفاوت دارند. سن، جنس، ژنتیک، بیماری‌های هم‌زمان، داروهای مصرفی، سبک زندگی و حتی پاسخ قبلی بدن به درمان می‌تواند بر تصمیم پزشکی اثر بگذارد.
هوش مصنوعی می‌تواند در کنار روش‌های موجود، این داده‌های پراکنده را کنار هم بگذارد و برای پیش‌بینی خطر یا انتخاب میان گزینه‌های درمانی، الگوهایی پیشنهاد کند. در آینده، چنین سامانه‌هایی ممکن است به تصمیم‌گیری‌های دقیق‌تر و فردمحورتر کمک کنند.
بااین‌حال، این ادعا که «هوش مصنوعی دقیقاً می‌گوید چه دارویی و با چه دوزی برای شما مناسب است» بیش از حد قطعی است. چنین تصمیمی به شواهد بالینی، وضعیت فرد، داروهای هم‌زمان و قضاوت پزشک نیاز دارد. هوش مصنوعی نباید بدون اعتبارسنجی بالینی، به‌عنوان سامانه‌ای خودکار برای تجویز استفاده شود.
اتاق عمل؛ از ربات جراح تا ناوبری هوشمند
رباتیک پزشکی یکی از عرصه‌هایی است که نام هوش مصنوعی در کنار آن زیاد شنیده می‌شود؛ اما باید میان «جراحی رباتیک» و «جراحی کاملاً خودمختار» تفاوت گذاشت.
بسیاری از سامانه‌های رباتیک امروز ابزارهایی‌اند که به جراح امکان دید بهتر، حرکت دقیق‌تر، کنترل ابزار و اجرای مانورهای پیچیده‌تر می‌دهند. هوش مصنوعی نیز می‌تواند در این محیط‌ها برای تحلیل تصاویر، برنامه‌ریزی، ناوبری، تشخیص ساختارهای بدن یا پشتیبانی از تصمیم‌گیری به کار رود.
در عین حال، تصور اینکه بازوی رباتیک در اتاق عمل مستقل از تیم پزشکی تصمیم می‌گیرد، با وضعیت معمول فناوری بالینی فاصله دارد. فهرست FDA از تجهیزات پزشکی مجهز به هوش مصنوعی نیز نمونه‌هایی از کاربرد این فناوری را در حوزه‌های گوناگون پزشکی، از جمله برخی کاربردهای جراحی و عصبی، نشان می‌دهد.
بیمارستان هوشمند؛ هوش مصنوعی فقط کنار بیمار نیست
کاربرد هوش مصنوعی به تشخیص و درمان مستقیم محدود نمی‌شود. بیمارستان‌ها با حجم بزرگی از داده‌ها سروکار دارند: زمان ورود بیماران، اشغال تخت‌ها، مصرف دارو، نتایج آزمایش، برنامه اتاق عمل و نیازهای نیروی انسانی.
مدل‌های پیش‌بینی می‌توانند برای برآورد تقاضا، شناسایی گلوگاه‌ها، اولویت‌بندی برخی فرایندها و استفاده بهتر از منابع به کار روند. در سطح فردی نیز ابزارهای هوشمند می‌توانند به پایش علائم، شناسایی تغییرات غیرعادی و صدور هشدار زودهنگام کمک کنند.
بااین‌حال، چنین کاربردهایی زمانی ارزشمندند که داده‌ها قابل اعتماد باشند و سامانه در محیط واقعی به‌درستی ارزیابی شده باشد.
هوش مصنوعی مولد؛ از خلاصه‌کردن پرونده تا دستیار پزشک
ظهور مدل‌های زبانی بزرگ، فصل تازه‌ای را در سلامت دیجیتال گشوده است. این مدل‌ها می‌توانند متن‌های طولانی را خلاصه کنند، اطلاعات پرونده را دسته‌بندی کنند، پیش‌نویس گزارش بسازند یا به پزشک در جست‌وجوی اطلاعات کمک کنند.
اما همین حوزه یکی از جدی‌ترین نقاط خطر است. مدل زبانی ممکن است پاسخی روان و مطمئن، اما نادرست تولید کند. سازمان جهانی بهداشت نیز درباره خطر اطلاعات گمراه‌کننده و پاسخ‌های نادرست در کاربردهای سلامت هشدار داده است. به همین دلیل، استفاده از مدل‌های مولد در پزشکی بیش از هر چیز به نظارت انسانی و راستی‌آزمایی نیاز دارد.
خط قرمزهای هوش مصنوعی پزشکی
هرچه داده‌های پزشکی ارزشمندتر می‌شوند، حفاظت از آن‌ها نیز اهمیت بیشتری پیدا می‌کند. پرونده سلامت، تصویر پزشکی و اطلاعات ژنتیکی از حساس‌ترین انواع داده‌اند و انتقال آن‌ها به سامانه‌های هوش مصنوعی باید با سازوکارهای مناسب امنیت، رضایت، کنترل دسترسی و حکمرانی داده همراه باشد.
چالش دوم، سوگیری الگوریتمی است. اگر داده‌های آموزشی یک مدل نماینده همه گروه‌های جمعیتی نباشد، ممکن است عملکرد آن برای برخی بیماران ضعیف‌تر باشد.
چالش سوم به شفافیت و مسئولیت‌پذیری مربوط می‌شود: اگر یک سامانه پیشنهاد نادرستی ارائه دهد، باید روشن باشد چه کسی مسئول بررسی و تصمیم نهایی است.
گزارش سازمان جهانی بهداشت در سال ۲۰۲۶ درباره اخلاق و نظارت بر پژوهش‌های سلامت مرتبط با هوش مصنوعی نیز بر همین مسائل تأکید می‌کند و توجه ویژه‌ای به عدالت، حفاظت از حقوق افراد و خطر تشدید نابرابری میان کشورها و گروه‌های مختلف دارد.
آیا هوش مصنوعی جای پزشکان را می‌گیرد؟
پاسخ کوتاه این است: نه به این زودی و نه به شکلی که در فیلم‌ها دیده‌ایم. پزشکی فقط تشخیص یک الگو نیست. پزشک باید علائم را در زمینه زندگی بیمار تفسیر کند، میان چند احتمال تصمیم بگیرد، نتایج آزمایش‌ها را کنار هم بگذارد، با بیمار گفت‌وگو کند و پیامدهای تصمیم را بسنجد.
هوش مصنوعی در سرعت پردازش و شناسایی الگو در داده‌های بزرگ مزیت دارد. به همین دلیل، مسیر محتمل آینده «انسان یا ماشین» نیست، بلکه «انسان با ماشین» است. پزشکانی که ابزارهای هوش مصنوعی را به‌درستی می‌شناسند و محدودیت‌های آن‌ها را درک می‌کنند، می‌توانند از این فناوری به‌عنوان دستیاری قدرتمند استفاده کنند.
تصویر تازه آینده پزشکی
تا سال ۲۰۲۶، هوش مصنوعی در پزشکی از ایده‌ای آزمایشگاهی به مجموعه‌ای از ابزارهای واقعی در تشخیص، تصویربرداری، توسعه دارو، پایش و مدیریت سلامت تبدیل شده است. فهرست به‌روزشونده FDA از تجهیزات مجهز به هوش مصنوعی نیز نشان می‌دهد که این حوزه همچنان در حال گسترش است. در عین حال، گزارش‌های جدید سازمان جهانی بهداشت یادآوری می‌کنند که سرعت نوآوری نباید از سرعت ارزیابی ایمنی، تنظیم‌گری و حفاظت از حقوق بیمار پیشی بگیرد.
آینده پزشکی احتمالاً دیجیتالی‌تر و داده‌محورتر خواهد بود؛ اما قلب این آینده همچنان انسانی است. هوش مصنوعی می‌تواند تصویر را سریع‌تر بخواند، داده‌های بیشتری را مقایسه کند و گزینه‌های بیشتری پیش روی پزشک بگذارد. بااین‌حال، تصمیم نهایی، مسئولیت اخلاقی و رابطه‌ای که میان پزشک و بیمار شکل می‌گیرد، هنوز چیزی نیست که بتوان به هوش مصنوعی واگذار کرد.
