ظهور هوش مصنوعی متن‌باز در تشخیص‌های پزشکی
چشم‌انداز تشخیص‌های به کمک هوش مصنوعی، تا همین اواخر، عمدتاً تحت سلطه مدل‌های هوش مصنوعی اختصاصی بود که توسط غول‌های فناوری مانند OpenAI و Google توسعه یافته بودند. این مدل‌های منبع بسته، در حالی که قدرتمند هستند، روی سرورهای خارجی اجرا می‌شوند. این امر بیمارستان‌ها و پزشکان را ملزم می‌کند تا داده‌های بیماران را به خارج از شبکه‌های امن خود منتقل کنند، که این موضوع نگرانی‌هایی را در مورد حریم خصوصی و امنیت داده‌ها ایجاد می‌کند.
در مقابل، مدل‌های هوش مصنوعی متن‌باز یک جایگزین قانع‌کننده ارائه می‌دهند. این مدل‌ها به‌صورت رایگان در دسترس هستند و مهم‌تر از آن، می‌توانند متناسب با الزامات خاص محیط‌های بالینی مختلف تنظیم شوند. امکان اجرای این مدل‌ها بر روی سرورهای داخلی بیمارستان، سطح به‌مراتب بالاتری از حریم خصوصی داده‌ها و انعطاف‌پذیری برای تطبیق هوش مصنوعی با جمعیت‌شناسی منحصربه‌فرد بیماران یک مرکز درمانی خاص را فراهم می‌کند. با این حال، یک مانع مهم در طول تاریخ، شکاف عملکرد بین مدل‌های متن‌باز و همتایان اختصاصی آن‌ها بوده است. تحقیقات اخیر نشان می‌دهد که این شکاف به‌سرعت در حال بسته شدن است.
هوش مصنوعی متن‌باز با عملکرد GPT-4 برابری می‌کند
تیم تحقیقاتی دانشکده پزشکی هاروارد، Llama 3.1 405B متا، یک مدل هوش مصنوعی متن‌باز را در برابر GPT-4 قدرتمند به‌دقت ارزیابی کرد. این ارزیابی شامل قرار دادن هر دو مدل در معرض آزمونی دقیق متشکل از 92 مورد تشخیصی پیچیده بود که قبلاً در The New England Journal of Medicine منتشر شده بودند. نتایج قابل‌توجه بودند:
- دقت تشخیصی: Llama 3.1 به‌طور چشمگیری در 70 درصد موارد، تشخیص را به‌درستی شناسایی کرد، که از نرخ دقت 64 درصدی GPT-4 فراتر رفت.
- دقت پیشنهاد برتر: در 41 درصد موارد، Llama 3.1 تشخیص صحیح را به‌عنوان پیشنهاد اصلی خود رتبه‌بندی کرد، که از GPT-4 که در 37 درصد موارد به این مهم دست یافته بود، پیشی گرفت.
- عملکرد در موارد جدیدتر: با تمرکز بر زیرمجموعه‌ای از موارد جدیدتر، دقت Llama 3.1 بهبود بیشتری نشان داد، به‌طوری‌که 73 درصد موارد را به‌درستی تشخیص داد و تشخیص صحیح را در 45 درصد موارد در صدر پیشنهادات خود قرار داد.
این یافته‌ها قویاً نشان می‌دهند که مدل‌های هوش مصنوعی متن‌باز نه‌تنها در حال رسیدن به مدل‌های اختصاصی پیشرو هستند، بلکه در برخی جنبه‌ها، از عملکرد آن‌ها فراتر می‌روند. این امر به پزشکان یک جایگزین مناسب و بالقوه امن‌تر برای تشخیص‌های به کمک هوش مصنوعی ارائه می‌دهد.
ملاحظات کلیدی برای پزشکان: هوش مصنوعی متن‌باز در مقابل اختصاصی
ظهور مدل‌های هوش مصنوعی متن‌باز با کارایی بالا، یک نقطه تصمیم‌گیری حیاتی برای پزشکان مراقبت‌های اولیه، صاحبان مطب‌ها و مدیران ایجاد می‌کند. انتخاب بین هوش مصنوعی اختصاصی و متن‌باز به ارزیابی دقیق چندین عامل کلیدی بستگی دارد:
حریم خصوصی و امنیت داده‌ها: شاید مهم‌ترین مزیت مدل‌های متن‌باز، قابلیت میزبانی محلی آن‌ها باشد. این بدان معناست که اطلاعات حساس بیمار به‌جای انتقال به سرورهای خارجی که توسط ارائه‌دهندگان شخص ثالث مدیریت می‌شوند، به‌طور ایمن در محدوده شبکه بیمارستان یا مطب باقی می‌ماند. این رویکرد محلی، خطر نقض داده‌ها را به‌طور قابل‌توجهی کاهش می‌دهد و انطباق با مقررات حفاظت از داده‌ها را افزایش می‌دهد.
سفارشی‌سازی و سازگاری: مدل‌های هوش مصنوعی اختصاصی اغلب به‌عنوان راه‌حل‌های ‘یک‌اندازه برای همه’ طراحی می‌شوند. در حالی که ممکن است قابلیت‌های گسترده‌ای ارائه دهند، اما فاقد انعطاف‌پذیری لازم برای تنظیم دقیق با نیازهای خاص یک مطب یا جمعیت بیماران خاص هستند. از سوی دیگر، مدل‌های هوش مصنوعی متن‌باز را می‌توان با استفاده از داده‌های بیماران خود یک مطب سفارشی کرد. این امر امکان ایجاد مدل‌های هوش مصنوعی را فراهم می‌کند که دقیق‌تر و مرتبط‌تر با زمینه بالینی خاص هستند.
پشتیبانی، یکپارچه‌سازی و تخصص فنی: مدل‌های هوش مصنوعی اختصاصی معمولاً با مزیت پشتیبانی اختصاصی مشتری و یکپارچه‌سازی ساده با سیستم‌های پرونده الکترونیک سلامت (EHR) موجود ارائه می‌شوند. این امر می‌تواند فرآیند پیاده‌سازی را ساده کرده و کمک‌های مداوم ارائه دهد. با این حال، مدل‌های متن‌باز به تخصص فنی داخلی برای راه‌اندازی، نگهداری و عیب‌یابی نیاز دارند. مراکز درمانی که به هوش مصنوعی متن‌باز فکر می‌کنند، باید قابلیت‌های داخلی خود را ارزیابی کنند یا برای سرمایه‌گذاری در پشتیبانی خارجی آماده باشند.
ملاحظات هزینه: اگرچه نرم افزار متن باز برای دانلود رایگان در دسترس است، اما هزینه کل باید در نظر گرفته شود. هزینه پشتیبانی داخلی، نگهداری و پشتیبانی خارجی احتمالی باید در مقابل هزینه های اشتراک هوش مصنوعی اختصاصی سنجیده شود.
یک تغییر پارادایم در پزشکی به کمک هوش مصنوعی
نویسنده ارشد این مطالعه، Arjun Manrai، PhD، استادیار انفورماتیک زیست‌پزشکی در دانشکده پزشکی هاروارد، بر اهمیت این پیشرفت تأکید کرد. Manrai اظهار داشت: “تا جایی که ما می‌دانیم، این اولین بار است که یک مدل هوش مصنوعی متن‌باز با عملکرد GPT-4 در چنین موارد چالش‌برانگیزی که توسط پزشکان ارزیابی شده‌اند، برابری می‌کند.” “واقعاً شگفت‌انگیز است که مدل‌های Llama به‌این‌سرعت به مدل اختصاصی پیشرو رسیده‌اند. بیماران، ارائه‌دهندگان مراقبت‌های بهداشتی و بیمارستان‌ها از این رقابت سود خواهند برد.”
این تحقیق بر یک فرصت رو به رشد برای مؤسسات مراقبت‌های بهداشتی و مطب‌های خصوصی برای کشف جایگزین‌های هوش مصنوعی متن‌باز تأکید می‌کند. این جایگزین‌ها تعادل قانع‌کننده‌ای بین دقت تشخیصی، امنیت داده‌ها و قابلیت‌های سفارشی‌سازی ارائه می‌دهند. در حالی که مدل‌های اختصاصی همچنان راحتی و پشتیبانی در دسترس را ارائه می‌دهند، ظهور هوش مصنوعی متن‌باز با کارایی بالا این پتانسیل را دارد که چشم‌انداز پزشکی به کمک هوش مصنوعی را در سال‌های آینده تغییر دهد.
هوش مصنوعی به‌عنوان ‘کمک خلبان’، نه جایگزین
تاکید بر این نکته ضروری است که در این مرحله، هوش مصنوعی باید به‌عنوان یک ‘کمک خلبان’ ارزشمند برای کمک به پزشکان در نظر گرفته شود، نه به‌عنوان جایگزینی برای قضاوت بالینی و تخصص آن‌ها. ابزارهای هوش مصنوعی، هنگامی که به‌طور مسئولانه و متفکرانه در زیرساخت‌های مراقبت‌های بهداشتی موجود ادغام شوند، می‌توانند به‌عنوان کمک‌های ارزشمندی برای پزشکان پرمشغله عمل کنند. آن‌ها می‌توانند هم دقت و هم سرعت تشخیص را افزایش دهند، که در نهایت منجر به بهبود مراقبت از بیمار می‌شود.
محققان بر اهمیت مشارکت پزشکان در هدایت پذیرش و توسعه هوش مصنوعی در مراقبت‌های بهداشتی تأکید می‌کنند. پزشکان باید نقش محوری در تضمین این امر ایفا کنند که ابزارهای هوش مصنوعی به‌گونه‌ای طراحی و پیاده‌سازی شوند که با نیازهای آن‌ها همسو باشد و از گردش کار بالینی آن‌ها پشتیبانی کند. آینده هوش مصنوعی در پزشکی، جایگزینی پزشکان نیست، بلکه توانمندسازی آن‌ها با ابزارهای قدرتمند برای افزایش قابلیت‌هایشان و بهبود زندگی بیمارانشان است. پیشرفت مداوم مدل‌های متن‌باز تنها به نفع حوزه پزشکی خواهد بود و پذیرش بیشتر توسط پزشکانی را که به دنبال حفظ کنترل بر داده‌های بیماران خود هستند، تشویق می‌کند.