هوش مصنوعی مولد دادههای پزشکی را سریعتر از تیمهای پژوهشی انسانی تحلیل میکند
پژوهشگران در یک آزمون واقعی اولیه در حوزه تحقیقات سلامت دریافتند که هوش مصنوعی مولد قادر است مجموعههای پیچیده دادههای پزشکی را به اندازه متخصصان انسانی و در برخی موارد حتی بهتر از آنها تحلیل کند. این فناوری با تولید کدهای تحلیلی کاربردی بر اساس دستورالعملهای دقیق، زمان پردازش دادههای سلامت را بهطور چشمگیری کاهش داده است؛ موضوعی که میتواند مسیر حرکت از «داده» به «کشف علمی» را تسریع کند.
به گزارش مدرن مد به نقل از sciencedaily، دانشمندان دانشگاه کالیفرنیا در سانفرانسیسکو و دانشگاه ایالتی وین در مطالعهای مشترک نشان دادند که سیستمهای هوش مصنوعی مولد میتوانند حجم عظیمی از دادههای پزشکی را بسیار سریعتر از تیمهای سنتی علوم کامپیوتر پردازش کنند؛ در حالی که کارشناسان انسانی ماهها برای تحلیل همان دادهها زمان صرف کرده بودند.
برای مقایسه مستقیم، وظایف یکسانی به گروههای مختلف واگذار شد. برخی تیمها صرفاً بر تخصص انسانی تکیه داشتند و برخی دیگر از پژوهشگران با ابزارهای هوش مصنوعی استفاده کردند. چالش اصلی، پیشبینی زایمان زودرس بر اساس دادههای بیش از هزار زن باردار بود.
حتی یک تیم پژوهشی جوان متشکل از یک دانشجوی کارشناسی ارشد دانشگاه UCSF و یک دانشآموز دبیرستانی توانست با کمک هوش مصنوعی مدلهای پیشبینی موفقی توسعه دهد. این سیستم تنها در عرض چند دقیقه کدهای رایانهای عملیاتی تولید کرد؛ فرآیندی که در حالت عادی ممکن است ساعتها یا حتی روزها زمان برنامهنویسان حرفهای را به خود اختصاص دهد.
مزیت اصلی این فناوری در توانایی آن برای نگارش کدهای تحلیلی بر پایه دستورهای کوتاه اما بسیار دقیق نهفته است. با این حال، همه سیستمهای آزمایششده عملکرد مطلوبی نداشتند؛ تنها ۴ مورد از ۸ چتبات هوش مصنوعی توانستند کدهای قابل استفاده تولید کنند. با این وجود، سیستمهای موفق بدون نیاز به تیمهای بزرگ تخصصی به نتایج قابل قبول دست یافتند.
به دلیل این سرعت بالا، پژوهشگران جوان توانستند آزمایشها را تکمیل، نتایج را تأیید و مقاله خود را ظرف چند ماه به یک نشریه علمی ارسال کنند. این مطالعه در ۱۷ فوریه در مجله Cell Reports Medicine منتشر شده است.
اهمیت پژوهش درباره زایمان زودرس
تسریع تحلیل دادهها میتواند به بهبود ابزارهای تشخیصی زایمان زودرس کمک کند؛ عارضهای که علت اصلی مرگومیر نوزادان و یکی از عوامل مهم مشکلات حرکتی و شناختی بلندمدت در کودکان به شمار میرود. در ایالات متحده، روزانه حدود هزار نوزاد نارس متولد میشوند.
با وجود پیشرفتهای علمی، علل دقیق زایمان زودرس همچنان بهطور کامل شناخته نشده است. برای بررسی عوامل خطر احتمالی، تیم پژوهشی دادههای میکروبیوم حدود ۱۲۰۰ زن باردار را که نتایج بارداری آنها در ۹ مطالعه جداگانه ثبت شده بود، گردآوری کرد.
با این حال، تحلیل چنین مجموعه داده گسترده و پیچیدهای چالشبرانگیز بود. به همین منظور، پژوهشگران از رقابت جهانی جمعسپاری موسوم به DREAM Challenges بهره گرفتند. در این رقابت، بیش از ۱۰۰ تیم از سراسر جهان مدلهای یادگیری ماشین برای شناسایی الگوهای مرتبط با زایمان زودرس توسعه دادند. هرچند شرکتکنندگان طی سه ماه کار خود را به پایان رساندند، اما تجمیع و انتشار نتایج نزدیک به دو سال زمان برد.
آزمون هوش مصنوعی در دادههای بارداری و میکروبیوم
در گام بعدی، گروه تحقیقاتی با همکاری پژوهشگران دانشگاه ایالتی وین به سرپرستی آدی ال. تارکا، از هشت سیستم هوش مصنوعی خواستند بدون کدنویسی مستقیم انسانی، الگوریتمهایی را با استفاده از همان دادههای رقابت DREAM تولید کنند.
این چتباتها با دستورالعملهای دقیق به زبان طبیعی هدایت شدند؛ مشابه رویکردی که در کار با سامانههایی مانند OpenAI به کار میرود. اهداف آنها نیز مشابه چالشهای پیشین بود: تحلیل دادههای میکروبیوم واژینال برای شناسایی نشانههای زایمان زودرس و بررسی نمونههای خون یا جفت برای برآورد سن بارداری.
در نهایت، ۴ مورد از ۸ ابزار هوش مصنوعی مدلهایی ارائه دادند که از نظر عملکرد با تیمهای انسانی برابری میکرد و در برخی موارد حتی بهتر عمل میکردند. کل فرآیند استفاده از هوش مصنوعی مولد ـ از آغاز تا ارسال مقاله ـ تنها شش ماه به طول انجامید.
نقش مکمل، نه جایگزین
پژوهشگران تأکید میکنند که هوش مصنوعی همچنان نیازمند نظارت دقیق انسانی است، زیرا این سیستمها ممکن است نتایج گمراهکننده تولید کنند. با این حال، توانایی آنها در غربال سریع دادههای عظیم سلامت میتواند به دانشمندان اجازه دهد زمان کمتری صرف اشکالزدایی کدها و زمان بیشتری صرف تفسیر نتایج و طرح پرسشهای علمی معنادار کنند.
این یافتهها نشان میدهد که هوش مصنوعی مولد میتواند یکی از گلوگاههای اصلی علم داده ـ یعنی ساخت خطوط لوله تحلیلی ـ را برطرف کرده و روند تحقیقات زیستپزشکی را بهطور قابل توجهی تسریع کند؛ پیشرفتی که میتواند برای بیماران نیازمند درمانهای فوری، حیاتی باشد.
