تحلیل و نقد هوش‌مصنوعی در طبابت از منظر معرفت‌شناسی را شرح دهید .

تحلیل و نقد هوش‌مصنوعی در طبابت از منظر معرفت‌شناسی را شرح دهید .

زمینه و هدف : ظهور رویکردهای مبتنی بر دانش اکتشافی زیست پزشکی برای مدل سازی محاسباتی و حل مسئله ، تحقیقات علمی و تصمیم گیری پزشکی و مشاوره در دهه 1970 منجر به تغییر عمده ای در پارادایم شد که تمام هوش مصنوعی را تحت تأثیر قرار داد (AI ) پژوهش. از آن زمان ، هوش مصنوعی تکامل یافته است و از چندین “زمستان” جان سالم به در برده است ، زیرا بین اتکا به روشهای دانش بنیان گران و قابل اعتبارسنجی و گزینه استفاده از روشهای یادگیری ماشین برای استنباط قوانین طبقه بندی از مجموعه داده های دارای برچسب نوسان دارد. در چند دهه گذشته ، ما شاهد گره خوردن تدریجی اما پیشرونده این دو هستیم.

اهداف : ارائه یک نمای کلی از رهنمودهای اولیه هوش مصنوعی در پزشکی و موضوعاتی از برخی پیشرفتهای بعدی که با انگیزه اهداف بسیار مختلف تحقیق علمی برای تحقیقات زیست پزشکی و مدل سازی محاسباتی استدلال بالینی و حل بیشتر مشکلات بهداشتی درمانی از دیدگاه امروز انجام شده است. “رونق یادگیری عمیق AI”. برای نشان دادن اینکه چگونه ، از ابتدا ، هوش مصنوعی برای اطلاعات پزشکی و پزشکی (BMHI) ، به عنوان یک زمینه تحقیق در مورد چگونگی درک تفکر هوشمند در برخورد حرفه ای با روش مراقبت های بهداشتی ، توسعه مدل های ریاضی ، فن آوری و ابزارهای نرم افزاری برای کمک به انسان ، مهم بود متخصصان پزشکی زیستی ، علی رغم بسیاری از اقدامات قبلی “خوش بینی پرشور” در مورد روش های به کار رفته.

روش ها : مروری و تفسیر برخی از تحقیقات و انتشارات اولیه در هوش مصنوعی در پزشکی ، با تأکید بر رویکردهای مختلف برای مدل سازی مشکلات درگیر در عمل بالینی در مقایسه با علوم پزشکی. بازتاب نهایی چند چالش و دام فعلی AI در برخی از کاربردهای زیست پزشکی.

نتیجه : در حالی که سیستم های مبتنی بر دانش زیست پزشکی نقش مهمی در تأثیرگذاری هوش مصنوعی در روزهای ابتدایی آن داشتند ، 50 سال بعد آنها پشت “عمیق یادگیری” قرار می گیرند که نوید می دهد ساختارهای دانش را برای استنباط و پیش بینی ، هم در علم و هم بالینی کشف کند. تصمیم گیری کارهای اولیه در مورد AI برای مشاوره پزشکی ، همانطور که در ابتدا در نظر گرفته شده بود ، برای توضیح و آموزش مفیدتر از تمرین بالینی بود. امروزه ، علی رغم موفقیت های فراوان یادگیری عمیق ، اگر مدل های هوش مصنوعی بخواهند تقویت و تکمیل کنند و نه جایگزین قضاوت و تخصص انسان در پزشکی پزشکی شوند ، ضمن اینکه این پیشرفت ها را نیز در بر می گیرند ، چالش های اساسی علمی در الگوهای علمی ، شناختی و زبان مغزی بوجود می آیند. داروی ترجمه

واژه های کلیدی: هوش مصنوعی در پزشکی ، تصمیم گیری پزشکی ، بازنمایی دانش بالینی ، سیستم های خبره ، مهندسی دانش ، تحقیق علمی ، علوم شناختی و مغز

قابل اعتماد و متخصص:
1 هوش مصنوعی (هوش مصنوعی) ، زیست پزشکی و بهداشت: یک مرور اجمالی تاریخی

تاریخچه محاسبات زیست پزشکی اولیه ، از جمله اولین رویکردهای هوش مصنوعی ، می تواند به عنوان مجموعه ای از تلاش ها برای تحقیق ، درک و ساخت مدل های محاسباتی دانش علمی و اکتشافات حل مسئله استفاده شده توسط دانشمندان زیست پزشکی باشد ، ضمن اینکه سیستم های محاسباتی را نیز توسعه و آزمایش می کند. برای پردازش و تفسیر داده های بالینی ، و مدل سازی استدلال بالینی به روش هایی که فراتر از مدل های منطقی ، آماری و شناخت الگو برای تصمیم گیری پزشکی است که از سال 1950 1950 شروع شده است . نتیجه مرحله اول هوش مصنوعی در تحقیقات پزشکی در اواسط دهه 1970 زمانی محقق شد که منبع به اشتراک گذاری زمان SUMEX-AIM در دانشگاه استنفورد 23 همراه با یک سری هوش مصنوعی در کارگاه های پزشکی آغاز شده در دانشگاه راتگرز 24 با استفاده از دستورالعمل های تحقیق در ایالات متحده آمریکا که در دهه آینده همگرا به یک پارادایم مهندسی دانش 25 برای طراحی سیستم های خبره 26 27 . این به معنای توسعه و پذیرش گسترده و جهانی روشهای حل مسئله اکتشافی و سیستم های مبتنی بر قاعده برای طیف وسیعی از زمینه های فراتر از پزشکی ، از جمله پروژه نسل پنجم ژاپن 28 است. . متأسفانه ، خوش بینی بیش از حد ناشی از تجارت که با تعمیم زودرس سیستم های دانش بنیان همراه بود و دست کم گرفتن چشمگیر هزینه های توسعه ، نگهداری ، به روز بودن و اطمینان از عملکرد قابل اعتماد پایگاه های دانش متخصص ، دومین “AI Winter” تا اواسط تا پایان دهه 1980 29 . اولین هوش مصنوعی زمستان مشتاقانه بیش از حد نسل اولیه شبکه عصبی مصنوعی (ANNs) یا Perceptrons بود که محدودیت های نظری آن را مینسکی در کتاب 1968 خود با عنوان 30 نشان داد و وعده های مختلف AI را تحقق بخشید. ، از جمله سیستم های ترجمه خودکار اولیه زبان همانطور که در گزارش 31 Lighthill انگلستان بررسی شده است .

همزمان با ظهور دومین زمستان هوش مصنوعی در دهه 1980 ، هوش مصنوعی در پزشکی بسیاری از مدلهای آماری و همچنین مدلهای ابتکاری برای یادگیری ماشین ، شناخت الگو و کشف را مورد بررسی مجدد قرار داد ، همچنین بر مدلهای توضیح و توصیف به عنوان روشهای آموزش مفروضات تأکید کرد. در پشت دانش نسل اول و سیستم های مبتنی بر قاعده 32 33 . رویکردهای طبقه بندی و پیش بینی آماری و ابتکاری به نوبه خود به داده کاوی و تحولات دانش در AI از دهه 1990 کمک می کند 34 . و ، یک سنتز علمی از هوش مصنوعی در مورد طراحی “عوامل هوشمند” توسط کتاب دائرlopالمعارف راسل و نورویگ 35 که هنوز هم در حال حاضر جریان دارد ، تجسم یافت. که ترکیبی از جستجوی کلاسیک و هوش مصنوعی بازی محور با بازنمودهای استدلال منطقی و روش های استنباط و همچنین بحث های مهم در مورد بسیاری از رویکردهای حل مسئله اکتشافی تجربی است که شامل دروس مهندسی دانش برای طیف گسترده ای از مشکلات اعم از بینایی رایانه تا تشخیص گفتار و تحلیل متنی. طی دو دهه گذشته ، “AI Boom” جدیدی ایجاد شده است ، ابتدا با روش های هسته ای برای یادگیری ماشین یا پشتیبانی از ماشین های برداری (SVM) و اندکی بعد با تمرکز بر یادگیری عمیق از طریق نسل جدید شبکه های ارتباطی چند لایه “عمیق تر” 36 .

مدل های دانش اساسی برای هر دو حوزه کاربردی مانند پزشکی و بازنمایی فرآیند محاسباتی منجر به توسعه بسیاری از هستی شناسی های محاسباتی پزشکی مانند مدل بنیادی آناتومی 37 با استفاده از چارچوب های کلی ساخت هستی شناسی مانند Protégé 38 شده است . آشتی از دانش مورد نیاز مهندسی کاربر محور با نظریه های رسمی مانند منطق توصیفی برای پزشکی، به عنوان در جالینوس 39 ، مسائل عملی بسیاری برای استقرار گسترده تر و استفاده از آنها در ارتباط با پرونده سلامت الکترونیکی و دیگر اسناد و مدارک بالینی مطرح 40 . توسعه هستی شناسی به تحقیق و توسعه طولانی مدت در بازیابی اطلاعات زیست پزشکی متکی بود ، در حالی که نمایه سازی ادبیات و کدگذاری اسناد مورد نیاز اولیه اتوماسیون کتابخانه بود. کار پیشگامان آغاز شده در اوایل دهه 1960 در کتابخانه ملی پزشکی (NLM) در ایالات متحده در توسعه MEDLARS (سیستم تجزیه و تحلیل و بازیابی ادبیات پزشکی) 41 ، جانشین آنلاین آن MEDLINE و موتور جستجوی وب مبتنی بر آن PubMed 42 ضروری بود . دسترسی به بزرگترین مخزن ادبیات پزشکی پزشکی جهان PubMed Central. پشتیبانی NLM برای ایجاد یک سیستم زبان پزشکی واحد (UMLS) برای ضبط اصطلاحات و واژگان پزشکی و محاسبه آن 43 از دهه 1980 سهم عمده ای در موفقیت این تلاش ها داشت. گرچه معمولاً هوش مصنوعی در نظر گرفته نمی شود ، با این وجود کار NLM بلوک های مهم محاسباتی را برای تقویت کشف هوشمند در پزشکی پزشکی فراهم می کند و از آن زمان در تسریع تحقیقات زیست پزشکی نقش مهمی داشته است. در همین حال ، در سمت هوش مصنوعی شکل گیری نظریه علمی ، اخیراً ، پیشنهادهایی برای رویکردهای عمدتاً بیزی برای رسمی کردن استدلال علیت به نوع جدیدی از علوم علیت ، اساس کتابی است که نشان می دهد روشهای فعلی یادگیری ماشین به سختی در پایین ترین سطح قرار دارند. از نردبانی برای کشف علیت در طبیعت ، برجسته کردن نیاز به صعود بسیار بالاتر از طریق یک آزمایش فعال به عنوان بخشی جدایی ناپذیر از فرایند یادگیری ، مانند آن در انسان 44 . این امر می تواند تلاش های قبلی AI را در شکل گیری نظریه 2 45 تعمیم دهد . در دو دهه گذشته ، پروژه ژنوم انسانی چنان انبوهی از داده های علمی را تولید کرده است که به روشن نمودن الگوی وراثت بیماری کمک می کند ، به طوری که این پروژه منجر به ایجاد مجموعه داده های چندگانه ای شده است و چالش های بسیار مهمی در مورد چگونگی ادغام آنها در تمرین بالینی به عنوان داروی ترجمه به طور قابل توجهی 46 47 48 مراقبت های بهداشتی را تحت تأثیر قرار می دهد .

قابل اعتماد و متخصص:
2 نسل اول هوش مصنوعی در پزشکی پزشکی

هوش مصنوعی در پزشکی (AIM) در دهه 1970 از رویکردهای جدیدی برای بازنمایی دانش متخصص با رایانه بوجود آمد که در ابتدا در دهه 1960 توسط محققان زیست پزشکی جوشوا لدربرگ و کارل جراسی و محققان هوش مصنوعی ادوارد فیگنباوم و بروس بوکانان در دانشگاه استنفورد در پروژه اکتشافی دندرال ایجاد شد. 1 2 . کار تیم دندرال در زمینه روشن سازی ساختارهای مولکولی از طیف های جرمی در ابتدا با توجه به علاقه لدربرگ به مواد بیگانه و شناسایی گونه ها از اکتشافات اولیه فضایی آن زمان انجام شد و بیشتر به سمت کشف علمی و شکل گیری نظریه به جای تصمیم گیری بالینی هدایت شد. 49 . پیش از این ، از دهه 1950 و دهه 1960 ، روند موازی مطالعاتی در تحقیقات زیست پزشکی با الهام از شبکه سایبرنتیک 50 وینر و مدل سازی شبکه های عصبی 51 مک کلاخ و پیتس وجود داشت – که منجر به ابتکارات و کنفرانس های اروپایی در زمینه پزشکی سایبرنتیک 52 شد. . این مطالعات ، به دلیل ماهیت تا حد زیادی نظری و حدسی مدلهای ارائه شده برای مشکلات پیچیده کنترل بازخورد در زیست شناسی و یادگیری در انسان ، که معلوم شد از نظر فنی و علمی زودرس هستند ، خیلی دور نرفتند. در عوض ، اسناد بالینی و سیستم های پزشکی توسعه یافته در اروپا و ایالات متحده آمریکا اولین سیستم نرم افزاری آزمایشی مبتنی بر رایانه است که نویدبخش کاربردهای بالینی معمول در ثبت و تجزیه و تحلیل داده های بالینی است ، همانطور که در اولین کنفرانس بین المللی در السینور ، دانمارک نشان داده شد ، در سال 1966 53 . در آن زمان ، محققان هوش مصنوعی بر روی موضوعات جستجو و حل مسایل عمومی اهداف به عنوان مثال در GPS 54 نیوئل تمرکز داشتند ، نشان دادن چگونگی حل موفقیت آمیز بازی ، مانند بازی چکرز توسط ساموئل 55 ، در حالی که زبان های جدیدی را برای حل مسئله و پردازش لیست مانند IPL (زبان پردازش اطلاعات) و LISP توسعه می دهد. چنین رویکردهای منطقی سطح بالا به نظر نمی رسید که به طور مفیدی در مورد مشکلات پیچیده تر ، بسیار مبهم و باز با طبقه بندی های غیر دقیق برای اهداف تصمیم گیری تحت خطر و عدم اطمینان قابل توجهی اعمال می شود ، مانند مواردی که در تشخیص پزشکی و رفتار. در عوض ، همانطور که در بالا ذکر شد ، رویکردهای آماری عادی برای تجزیه و تحلیل داده های پزشکی و مدل سازی تصمیمات بودند. پس از انتشار مقاله لدلی و لوست در سال 1959 در ساینس 4 ، الگوی بیزی رویکرد اصلی مدل سازی برای استدلال بالینی را ارائه داد. با این وجود ، کارهای بالینی آن زمان ، نوید سیستم های عملی برای جمع آوری و تجزیه و تحلیل داده های بالینی 13 و پشتیبانی تصمیم را نشان می دهد که تعدادی از کتاب ها مدت کوتاهی پس از آن بحث و جمع بندی کردند 14 19 21 . همه این موارد ، مانند سخنرانی ها و مقالات السینور ، بر ترکیبی از سیستم های مبتنی بر رایانه برای پردازش اطلاعات ، مدل های احتمالی رسمی برای استدلال پزشکی یا مخلوطی از این دو تأکید داشتند. در همین حال ، نرم افزار پشتیبانی از تحقیقات علمی پزشکی ، تمایل دارد که نسخه های افزودنی و کوچک سازی شده ای از روش های آماری تجزیه و تحلیل برای مجموعه داده های جمعیت ، یا مدل های شبیه سازی مکانیسم های بیولوژیکی باشد ، که اغلب با کاربردهای پزشکی برای کمک به تفسیر داده های بالینی است.

چگونگی استفاده از هوش مصنوعی برای مدل سازی حل مسئله پزشکی از این مفهوم نشأت گرفته است که باید تخصص و دانش متخصصان مورد مطالعه قرار گیرد تا مدل تئوری و حل مسئله با طرح های محاسباتی مدل شود. روشن ترین منشأ هوش مصنوعی از کار سایمون و نیوئل ناشی می شود ، که اقتصاد ، مدیریت ، فیزیک و روانشناسی شناختی آنها با هم ترکیب شده است ، آنها را وادار به داشتن یک کنجکاوی در مورد چگونگی رفتار انسان می تواند هم در مدل سازی و هم در کمک به کامپیوتر در حل مسئله حل کند. سایمون عبارت “علوم مصنوعی” را برای خلاصه و توصیف زمینه ظهور هوش مصنوعی در سخنرانی های معروف خود در کامپتون در MIT در بهار 1968 که جمع آوری و منتشر شد ، ابداع کرد. 56 . مشارکت های مشترک نیوول و سایمون در سال 1976 جایزه تورینگ را دریافت کردند ، و سخنرانی جایزه مشترک آنها نشان دهنده تقطیر واضح فلسفه آنها برای هوش مصنوعی 57 بود . در دهه 1960 ، فیگنباوم نزد سایمون تحصیل کرد و یک کتاب پیشگام درباره کامپیوتر و اندیشه 58 را ویرایش کرد و در آن همکاری کرد. . هنگامی که فیگنباوم از Carnegie Tech به استنفورد نقل مکان کرد ، جای تعجب نیست که او ایده های خود را در مورد معرفی بازنمایی صریح دانش تخصصی ابتکاری با ایده های جوشوا لدربرگ برنده جایزه نوبل ، که همچنین به شکل گیری نظریه بیولوژیکی علاقه مند بود ، به گرده افشانی متقابل پرداخت. کشف علمی Feigenbaum همچنین به طور اتفاقی دوست Saul Amarel بود ، که در آن زمان آزمایشگاه هوش مصنوعی را در مرکز Sarnoff RCA در پرینستون هدایت می کرد ، و آنها با هم در مورد موضوعات مربوط به رسمی سازی حل مشکلات انسانی بحث و بررسی کردند 59 . این رابطه فکری و دوستی بین فیگنباوم و آمارل اثبات مهمی برای بحثهایی بود که مورد توجه قرار گرفت و علاقه بیل راوب را در بخش منابع تحقیقاتی انستیتوی ملی بهداشت ایالات متحده تحریک کرد ، وی که به دنبال راهنمایی های جدید برای پشتیبانی تحقیقات پزشکی با روش های محاسباتی ، از جمله AI. یک منبع خلبان بر روی کامپیوتر در بیومدیکال در دانشگاه راتگرز، تحت نظارت Amarel در سال 1971 پرداخت شد، و در حل مساله به تحقیقات پشتیبانی در خدمت روش در علوم زندگی و روانشناسی، همچنین به عنوان مدل تشخیص الگو از تصمیم گیری های بالینی 60 . اندکی بعد ، در سال 1973 ، یک منبع بین دانشگاهی با استفاده از یک سیستم رایانه ای مشترک در زمان در استنفورد ، به نام SUMEX-AIM (آزمایش پزشکی پزشکی دانشگاه استنفورد – هوش مصنوعی در پزشکی) ، با پشتیبانی از زیرساخت های محاسباتی که عمدتا محققان از استنفورد ، راتگرز ، پیتسبورگ و تافتس-هاروارد-MIT در بخش بالینی و موارد دیگر در طیف وسیعی از تحقیقات مرتبط با زیست پزشکی از سایر موسسات 61 62 . این منجر به مبادله ایده های پر جنب و جوش در مورد رویکردهای جدید AI برای حل مسئله زیست پزشکی و تصمیم گیری بالینی شد که در یک سری از AI در کارگاه های پزشکی مورد حمایت مالی NIH ، با شروع در Rutgers در 1975 بحث شد 24 . به اشتراک گذاری مولد و لقاح متقابل ایده ها بین محققان در پزشکی بالینی و AI متعاقباً در کتاب ویرایش شده توسط Szolovits 63 خلاصه شد .

قابل اعتماد و متخصص:
3 هوش مصنوعی بالینی: مشاوره پزشکی به عنوان اولین هدف

جهت گیری تصمیم گیری بالینی کار هوش مصنوعی پیش از این توسط دکتر ویلیام شوارتز از تافتس پیش بینی و پیشرفت یافته بود ، هنگامی که او مقاله ای بصیرتی را در مجله پزشکی نیوانگلند در سال 1970 با عنوان “پزشکی و رایانه: وعده و مشکلات تغییر” نوشت ” 64 . وی در این مقاله گفت: “علم محاسبات احتمالاً با تقویت و در مواردی تا حد زیادی جایگزین عملکردهای فکری پزشک می شود و تأثیرات عمده خود را به همراه خواهد داشت. از آنجا که استفاده “فکری” از رایانه به طور اساسی بر مشکلات نیروی انسانی پزشک و کیفیت مراقبت های پزشکی تأثیر می گذارد ، ناگزیر هزینه های مهم اجتماعی – روانی ، سازمانی ، حقوقی ، اقتصادی و فنی را نیز برآورده می کند. تنها با در نظر گرفتن چنین هزینه های بالقوه ای می توان فناوری جدید را به روشی م effectiveثر و قابل قبول معرفی کرد. برای رسیدن به این هدف نیاز به تعاملات جدید بین پزشکی ، علوم اطلاعات و علوم مدیریت و توسعه مهارت ها و نگرش های جدید از سوی سیاست گذاران در سیستم مراقبت های بهداشتی است. شوارتز از این طریق بسیاری از مسائل اجتماعی و شغلی دشوار را پیش بینی می کند که با ورود رایانه ها به پزشکی ، به ویژه برای تصمیم گیری های بالینی روبرو هستند. او با کار همسایگان خود در هاروارد و MIT آشنا بود – همکاری بین اکتو بارنت و تونی گوری ، که در حال بررسی مدل سازی محاسباتی تصمیمات پزشکی متوالی با تئوری ابزار تحلیلی تصمیم گیری بودند 20 . در این زمان ، باب گرینس در هاروارد بود و در حال پیگیری مدرک دکترای دکترای پزشکی در آزمایشگاه علوم کامپیوتر بارنت در بیمارستان عمومی ماساچوست بود ، جایی که وی به طور سرعتی با پزشک جوان تد شاتلیف ارتباط برقرار کرد و پایان نامه افتخارات خود را در هاروارد بر روی بیمار مبتنی بر کامپیوتر نظارت کرد – تعاملات پزشک 65 . هنگامی که شورتلیف برای تحصیل در مقطع دکترا به استنفورد نقل مکان کرد ، وی با بروس بوکانان ملاقات کرد و با او کار کرد ، تحقیقات وی در مورد منطق محاسباتی و مدل سازی در نمایندگی دندرال بر اساس قاعده داده های طیف سنجی جرمی و تفسیر آن بود. آنها با هم به دنبال تعمیم رویکرد مبتنی بر قاعده متخصص دندرال در زمینه مشکلات بالینی در همکاری با استنلی کوهن بودند که در حال کار بر روی جلوگیری از تداخلات مخرب مخدر بود ، که با پیشینه پزشکی و تخصص 66 شورتلیف متفاوت بود و مربوط به علاقه NIH به تأثیر پزشکی تحقیقات تأمین شده آن. این همکاری ها منجر به توسعه سیستم مبتنی بر قاعده MYCIN 67 68 شد برای مشاوره در مورد درمان های ضد میکروبی برای بیماری های عفونی. 69. یک فاکتور اعتماد به نفس بسیار اصلی را برای اندازه گیری عدم اطمینان بالینی ایجاد و استفاده کرد . در حالی که بعداً نشان داده شد که عوامل اطمینان می توانند به طور رسمی در مدلهای احتمال نقشه برداری کنند ، تأثیر روانی آنها در پذیرش برنامه مشاوره برای بیماریهای عفونی در MYCIN قابل توجه بود. MYCIN با نفوذترین سیستم خبره ای بود که قدرت قوانین مدولار را برای نمایندگی تصمیم گیری نشان داد که بعداً به عنوان چارچوبی برای توسعه سیستم های مبتنی بر قاعده به نام EMYCIN تعمیم یافت.

در راتگرز ، ما خوشبختانه با همکاری آران سفیر از دانشکده پزشکی کوه سینا ، چشم پزشک و مخترع ابزارهای پزشکی ، همکاری کردیم. من با Safir در زمینه تجزیه و تحلیل دقت و صحت داده های Ophthalmetron – یک انکسار سنج توموگرافی دیجیتال پیشگام – کار کردم که در دانش آموزان در شهر نیویورک 70 آزمایش می شد . به دنبال پایان نامه خودم در زمینه روشهای شناسایی زیر فضایی الگو برای تشخیص اختلال عملکرد تیروئید 22 ، من به عنوان استادیار جوان به راتگرز پیوسته بودم و اولین دانشجوی دکترای من ، شولوم ویس ، با من کار کرد تا روشهایی را که دانش قبلی از پزشک می تواند کشف کند برای بهبود و توضیح نتایج حاصل از مدلهای تصمیم گیری رایانه ای 71 72 استفاده می شود . در تلاش برای غلبه بر دشواری های توضیح استدلال احتمالی ، ما به دنبال راه هایی برای درک فرآیندهای تصمیم گیری بالینی بودیم و مفهوم ارائه توضیحات علی از مکانیسم های بیماری را که می توانند از نظر محاسباتی هم سیر طبیعی و هم دوره درمان بیماری ها را ایجاد کنند ، مورد بررسی قرار دادیم. سفیر پیشنهاد کرد که ما آن را در مورد گلوکوم ها آزمایش کنیم – گروهی از بیماری های چشم که منجر به کوری می شود در نتیجه فشار بیش از حد داخل چشم که باعث محدود شدن جریان خون در شبکیه چشم می شود. پس از ارائه نمونه اولیه در نشست American Research in Vision and Ophthalmology (ARVO) در ساراسوتا در سال 1973 ، ما توانستیم متخصصان برجسته گلوکوم را از جمله دکتر برنارد بکر از دانشگاه واشنگتن در سنت لوئیس و دکتر مورد علاقه خود قرار دهیم. 73 74 . این برنامه نشان داد که چگونه می توان توضیحات عل causی بیماری را با دانش تجربی در مورد تشخیص های پیش فرض ، پیش آگهی ها و درمان ها برای ارائه مشاوره در مورد مدیریت بیمار گلوکوم ترکیب کرد. CASNET در سال 1976 قبل از مخاطبان زیادی در آکادمی چشم پزشکی لاس وگاس با موفقیت آزمایش شد 75 .

در دانشگاه پیتزبورگ تحقیق دیگری در زمینه مدل سازی دانش پشتیبانی کننده تصمیم گیری بالینی و استفاده از استنباط از طریق همکاری بین متخصص برجسته پزشکی داخلی ، دکتر جک مایرز و محقق هوش مصنوعی هری پوپل در جریان بود. پوپل یک مدل ربوده کننده را برای استدلال بالینی 76 پیشنهاد کرده بود ، و با مایرز و دکتر راندال میلر ، آنها یک مدل طبقه بندی و عل al ی بیماری ها را ایجاد کردند 77 اساساً بر اساس دانش و تخصص دکتر مایرز در طب داخلی است. این مدل و یک برنامه نمونه اولیه ، که در ابتدا با توصیف موارد کلینیکی بالینی از مجله پزشکی نیوانگلند (NEJM) آزمایش شد ، ابتدا DIALOG سپس CADUCEUS و INTERNIST نامیده شد. در حالی که MYCIN و CASNET مجموعه های مربوط به بیماری ها را تحت پوشش قرار می دادند ، INTERNIST همه داروهای داخلی را تحت پوشش قرار داد و سالها پیشرفت لازم داشت تا دامنه وسیعی از دانش ناهمگن ، اقدامات اندازه گیری ابتکاری اعتماد به نفس و اهمیت یافته های بالینی را به دست آورد ، زیرا آنها به تعداد زیادی از تشخیص های بالقوه سرانجام به سیستم مرجع پزشکی داخلی مبتنی بر ریزپردازنده QMR 78 تبدیل شد .

در نیوانگلند ، دکتر استیون پاوکر از Tufts به همراه پیتر سولوویتس از دانشگاه MIT (پس از عزیمت تونی گوری به رایس) برای ایجاد برنامه بیماری فعلی که به بررسی چگونگی دستیابی به یافته های بیمار در یک بیماری ارائه شده توسط پزشکان در یک س questionال پاسخ متوالی می پردازد ، پیوستند. روند. آنها از هر دو مدل تحلیلی شناختی و تصمیم گیری الهام گرفته اند تا یک برنامه مشاوره تعاملی را با استفاده از عناصر استدلال دسته بندی و احتمالی 79 ایجاد کنند که متعاقباً به مطالعات بیشتری درباره علیت مورد استفاده در مدل سازی فرایندهای بیماری 80 منجر شد .

با وجود توسعه سیستم های نمونه اولیه بسیار موفق ، تمرکز هوش مصنوعی در پزشکی بر بررسی و مدل سازی مشاوره پزشکی نشان داد که ، هرچند از نظر فکری جالب باشد ، اکثر پزشکان آماده استفاده از این سیستم ها در عمل بالینی نیستند. عوامل م Inثر درگیر شامل فشار و کمبود وقت بود که بیشتر پزشکان مجبور بودند با رایانه درگیر شوند و تلاش زیادی برای به روز و به روز نگه داشتن پایگاه های دانش با علوم و اقدامات بالینی مربوطه لازم است. در نتیجه ، بیشتر سیستمهای خبره عمدتاً به عنوان ابزار توضیحی آموزش پزشکی مورد استفاده قرار گرفتند 81 .

قابل اعتماد و متخصص:
4 نتیجه گیری: تاریخچه ، علوم ، فناوری و اقدامات بالینی مربوط به هوش مصنوعی و انفورماتیک زیست پزشکی و بهداشتی

از منظر تاریخی ، تا حدی زودرس است که آنچه اکنون در حال نوشتن آن هستیم را “تاریخچه” بنامیم ، زیرا بسیاری از ما که در آغاز AI در پزشکی سهیم بوده ایم هنوز فعال هستیم و در بهترین حالت می توانیم درباره بازتاب های شخصی خود در مورد توسعه حوزه ، همانطور که با این مقاله انجام می دهم ، به جای یک داستان جداگانه و ارزیابی طولانی مدت از چگونگی تغییر ایده ها ، سیستم ها و تأثیر آنها در طول سال ها. بنابراین ، اگرچه کشف الگوهای بلندمدت فعل و انفعالات همزیستی فناوری انسان در محاسبات و تحولات مربوط به فناوری طی 50 سال گذشته ممکن است غیرواقعی باشد ، اما این فناوری ها چنان تحول عظیمی را در کشف علمی و عمل پزشکی ایجاد کرده اند که پیشنهاد غیر منطقی نیست تغییر عمده ای پارادایم لا کوهن رخ داده است 82 .

یک عامل مهم انفورماتیک که باعث پیشرفت پزشکی می شود ، انتشار و در دسترس بودن اطلاعات زیست پزشکی از متون ادبیات است که به طور گسترده ای جمع آوری شده ، دیجیتالی شده و از طریق PubMed 42 NLM قابل بازیابی است. . هوش مصنوعی زیست پزشکی به طور قابل توجهی از این پیشرفت ها بهره مند شده است ، و اکنون در دسترس بودن جهانی شرکت های بزرگ متون زیست پزشکی و مجلات ، ایجاد الگوریتم های بهتر پردازش زبان طبیعی (NLP) برای طبقه بندی و تفسیر خودکار حجم گسترده ای از داده ها و دانش را ضروری کرده است. به صورت آنلاین و در وب موجود است. با این وجود ، این مسئله موضوعات عمیقی را به وجود می آورد که در AI بسیار مهم بوده اما برخورد با آنها دشوار بوده است. درک متون کامل ، در مقابل “استخراج متن” برای یافتن و بازیابی مقالات توسط کلمات یا بخشهای متنی (مانند کلمات کلیدی یا عناوین نامگذاری شده) پیشرفت داشته است اما همچنان یک مشکل باز برای علم و هوش مصنوعی است ، زیرا ادراک ، شناخت مدل های زبانی و ذهنی آنچه درک انسان را تشکیل می دهد هنوز بسیار ناکافی هستند. 83 84 ، اما بینش علمی در مورد درک مشترک آگاهانه در مورد توانایی های درک ما هنوز در انتظار موفقیت های فراتر از تحقیقات فعلی در علوم اعصاب شناختی حافظه است ، به عنوان مثال 85 ، زیرا همچنین باید در چگونگی زبان ها ، آگاهی ، و فرهنگ ها به هم مربوط هستند 86 . علم مغز در حال پیشرفت است ، اما هنوز الگوهای کاملاً جدیدی برای مدل سازی و درک بهتر لازم است ، به عنوان مثال ، عملکرد شبکه های گلایال که در تعامل با شبکه های عصبی بسیار مهم هستند و آنها را تعدیل می کنند 87 . از دیدگاه زبانی، نقش تصاویر درک شده و سازه ذهنی از دنیا حس و ارتباط آنها به اعتقادات در علم، بیان استعاری، مفروضات مدل سازی ریاضی خود، و شرح منطق به اشتراک گذاشته و در حال حاضر زبان بسیار عمیق به چالش می کشد 88 89 ، و بالا بردن مسائل مهم درباره نقش توصیفات ، تجسم ها و روایت ها در بازسازی خاطرات و مدل های ذهنی جهان 90 و همچنین مبانی مشترک بین خلاقیت هنری و علم مغز 91 .

مدلهای اولیه هوش مصنوعی برای استدلال بالینی با استفاده از بازنمودهای قاعده مند ، علی ، سلسله مراتبی و تداعی دانش بالینی به قدری ابتکاری بودند که به کل مکتب هوش مصنوعی مبتنی بر دانش و بسیاری دیگر از کاربردهای هوش مصنوعی الهام می گرفتند. تلاش های بعدی برای اتصال این رویکردهای مهندسی دانش اولیه و ارتباط آنها با رویکردهای تجزیه و تحلیل و استنتاج داده های آماری اکتشافی ، بازیابی اطلاعات ، یادگیری ماشین و بینایی رایانه در حال انجام است و از زمان ظهور شبکه جهانی وب به طور بنیادی تغییر شکل داده است. افزایش مقیاس دستیابی به داده های رایانه ای مربوط به چندین حس انسان (به ویژه بینایی ، صدا ، 92 . در پزشکی پزشکی ، ابزار جدید با جمع آوری داده های خودکار از مقیاس نانو تا مشاهدات در مقیاس جمعیت ، به طور فزاینده ای از روش های فعلی یادگیری ماشین ، بینایی رایانه و سایر روش ها برای کمک به تبدیل تحقیق علمی زیست پزشکی 93 استفاده می کند . با این حال ، برای ترجمه بینش های زیست پزشکی به عمل بالینی ، ضروری برای پزشکی دقیق آینده ، چالش های جدی شخصی سازی ایجاد می شود ، نه تنها مربوط به پیچیدگی های علمی نگاشت ژنوتیپ-فنوتیپ ، بلکه به همان اندازه یا مهمتر ، به افراد بسیار متفاوت نقش حرفه ای “عوامل هوشمند” در درمان بیماران. موضوعات عمیق اساسی شامل این مسئله است که چگونه هوش مصنوعی می تواند مسئولیت پذیرانه و اخلاقی در شخصی سازی مراقبت های بهداشتی داشته باشد ، که مشکلات بالینی بسیار متفاوت انسان را هنگام برخورد با مراقبت های بیمار از بیمار ارائه می دهد ، همانطور که کار در پزشکی روایت نشان می دهد 94 95 ، در مقایسه با توصیه های توصیه شده برای هدایت محاسباتی تحقیق علمی و تحقیق که در مرکز تحقیقات پزشکی هستند ، یا اتخاذ استراتژی های تجاری برای شرکت های مراقبت های بهداشتی که عمدتا تحت تأثیر اهداف اقتصادی قرار دارند.

همه ما برای توصیف و شکایت از بیماری هایمان به یکدیگر داستان می گوییم و حدس نمی زنیم که این اتفاق از قبل و قبل از تاریخ ثبت شده بی دلیل باشد. مبانی طب غربی از یونان باستان و آثار آسکلپیوس و بقراط به ما رسیده است ، که توصیه می کند درمان های “طبیعی” ورزش بدنی و تغذیه برای حفظ تعادل بین بدن و محیط به روش پیشگیرانه 96 . پند و اندرزي كه براي درمان كليه بيماري هاي جسمي و تروما به شيوه اي آگاهانه و متعادل كننده درمان فعال با اجتناب از اثرات مضر احتمالي مشهور است ، را مي توان در كار “همه گيري ها” بقراط مشاهده كرد كه در آن وي تعداد بيماران را بيان كرده است. بیماری ها و اطلاعات و منطق درمان های او را فراهم می کند 97 . سوگندنامه بقراطی كه پزشكان معمولاً از ترجمه لاتین “Primum، Non Nocere” یا “اول ، هیچ ضرری نكنید” ناشی می شود ، اما هنوز هم مورد بحث و جدال است كه آیا منظور بقراط واقعاً این است ، زیرا ترجمه دیگر این است ذکر شده به عنوان: “پزشک باید بتواند پیشینیان را بگوید ، حال را بداند و آینده را پیشگویی کند – باید این موارد را واسطه قرار دهد و از نظر بیماری دو هدف خاص داشته باشد ، یعنی انجام کار خوب یا آسیب رساندن ” 98 . بحث دقیق تر و دقیق تر در مورد مسائل مربوط به نیاز به تصدیق مسئولیت شخصی توسط پزشکی که از یک بیمار منفرد مراقبت می کند ، در 99 یافت می شود از آنجایی که سوگندنامه بقراط ، که چنین معیاری دیرینه برای ارتباط پزشکی با ایده آل ها و اصول درمان بیمار رنج دیده بیش از 2000 سال بوده است ، اکنون این معیارهای اصلی را با عدم اطمینان در نقش های جدید به چالش می کشد پزشکان و پرستاران در گروه های عملی ، کلینیک ها و بیمارستان ها ، که در آن مسئولیت های مشترک و تفویض شده اغلب مشخص نیست. داروی مبتنی بر شواهد EHR علاوه بر این می تواند به گسترش مسئولیت از افراد به “سیستم ها” کمک کند که می تواند اثرات بسیار مخربی بر روی بیماران در نتیجه اثرات مخرب بر روی عملکرد بالینی در دنیای متغیر فناوری اطلاعات ، معاملات محور داشته باشد. ، و شیوه های مراقبت های بهداشتی بوروکراتیزه 100 . مدل هایی برای معرفی فناوری ها در مراقبت های بهداشتی 101 پیشنهاد شده است و این احتمال که چرخه های مکرر بهبود فناوری اطلاعات بتواند به کاهش اثرات مضر احتمالی اختلالات فناوری اطلاعات کمک کند ، در ادبیات انفورماتیک 102 مورد بحث قرار گرفته است .

اخیراً ، کویرا و همکاران این نوع مشکلات مربوط به معرفی AI ، به ویژه در یک نظر منتشر شده در مجله پزشکی انگلیس نظر آنلاین 103 ، جایی که آنها اظهار می دارند: “ما برای اداره هوش مصنوعی پزشکی به اصول و مقررات جدیدی نیاز خواهیم داشت” ، که توسط یک نمونه جذاب ترین نمونه ارائه می شود ، مانند نمونه ای که به تصمیمات پایان عمر اشاره می کند ، با اشاره به اینکه: “مفهوم هنگامی که هوش مصنوعی باید منافع بیمار و اجتماعی را انتخاب کند ، “انجام هیچ آسیبی” بیشتر کشیده می شود. بنابراین ما باید اصول گسترده ای را برای کنترل طراحی ، ایجاد و استفاده از هوش مصنوعی در مراقبت های بهداشتی ایجاد کنیم. این اصول باید شامل سه حوزه فناوری ، کاربران فناوری اطلاعات و نحوه تعامل هر دو در سیستم سلامت (اجتماعی-فنی) باشد. ” بعداً در مقاله ، آنها نکته مهمی در مورد مسائل مسئله دار اخلاقی و عملی فعلی با وابستگی به مدل های شبکه عصبی مصنوعی برای یادگیری ماشین در سیستم های پزشکی مبتنی بر داده بیان می کنند: “توضیح برای هوش مصنوعی مبتنی بر شبکه های عصبی نسل فعلی چالش برانگیز است ، زیرا دانش دیگر صریح نیست ، بلکه به طور شفاف در ارتباطات بین” نورون ها “رمزگذاری می شود.” بنابراین می توان حدس زد که یک مسیر مفید احتمالی برای تحقیقات جدید هوش مصنوعی برای زیست پزشکی می تواند تحقیقاتی را در مورد چگونگی ترکیب قدرت توضیحی روش های مستقر در برخی از سیستم های متخصص هوش مصنوعی مبتنی بر قاعده و مکانیسم علی و معماری جدید محاسباتی به وجود آورد. همانطور که توسط تراشه های شبکه عصبی سنکرون ناهمزمان اخیر (SNN) وعده داده شده است ، قدرت استنباط قوی دارند 104 . “معرفت شناسی تجربی” مفصل یا روشهای هوش مصنوعی که برای تلفیق انواع استدلال از بالا به پایین مدل به داده و استنباط و استدلال جدید و قدرتمندتر از داده به مدل دیگر به کار رفته است بیش از چالشهای سازگار یا ایجاد شده است سازگار با اعمال مسئولیت فردی پیروی از اصول و محدودیت های اخلاقی.

برای اطمینان از تقویت هوش مصنوعی ، به جای جایگزینی یا تحریف ، قضاوت اخلاقی انسان معمای مرکزی است که محققان و پزشکان هوش مصنوعی پزشکی با آن روبرو هستند. کشف چگونگی ایجاد تعادل در “مغز محاسبه کننده” انسانهایی که با ضرورت های خودخواهانه و اقتصادی انجام می شوند و “مغز نوع دوستی” آن دسته از پزشکان بالینی که می خواهند به ادای احترام به سوگند خود را حفظ کنند ، شامل طیف گسترده ای از انتخاب های سخت و نیاز به بینش است که باید محققان انفورماتیک زیست پزشکی را حفظ کند. مشغول ، بیدار و بیش از حد آگاهانه از عمیق ترین تعهدات خود برای کمک به بیماران و پزشکان نه تنها سوگند دومی ، بلکه همچنین آنچه بنیانگذار سایبرنتیک ، نوربرت وینر ، به عنوان پیشگویی اصلی به عنوان چالش اصلی ماشین پیچیده انسان شناخته شده است ، عمل می کنند. سیستمهای موجود در کتاب وی با عنوان “کاربرد انسانی انسانها” 105 . این که آیا یک انسان اخلاقی خوب می تواند با هوش مصنوعی کار کند و اخلاقی باقی بماند ، یک مشکل اصلی بزرگ برای همه ماست که نه تنها از نظر علمی ، بلکه باید از نظر اجتماعی و انسانی نیز در انفورماتیک بالینی با آن روبرو شویم. “کوی بونو” به طور ناگهانی معنای جدی تری نسبت به معنای معمول خود به دست می آورد ، زیرا نمی توان مسئولیت هوش مصنوعی را بر عهده گرفت ، و احتمالاً جاسازی آنها در گروه های عملی بالینی مشترک بالینی و اینترنت اشیا باعث بروز مشکلات تکاملی کاملاً جدیدی برای افراد ، به ویژه برای کسانی که بیمار رنج می برند. مشخص نیست که کسی تا به امروز پاسخ های آماده ای برای این مشکلات داشته است – اما ، اگر بخواهیم به عنوان مسئول فن آوری اخلاق انسانی ، دانشمند و به ویژه به عنوان یک پزشک مسئول مراقبت های بهداشتی به مسئولیت های خود عمل کنیم ، باید تلاش کنیم!

اجرای پروژه های تخصصی هوش مصنوعی با مشاوره رایگان سلول پیشتاز

منبع : www.ncbi.nlm.nih.gov