هوش مصنوعی (Artificial Intelligence) را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانشها، علوم، و فنون قدیم و جدید دانست. ریشه‌ها و ایده‌های اصلی آن را باید در فلسفه، زبان‌شناسی، ریاضیات، روان‌شناسی، نورولوژی، و فیزیولوژی نشان گرفت و شاخه‌ها، فروع، و کاربردهای گونه‌گونه و فراوان آن را در علوم رایانه، علوم مهندسی، علوم زیست‌شناسی و پزشکی، علوم ارتباطات و زمینه‌های بسیار دیگر.
هوش مصنوعی را به عنوان کوششهائی در پی ساختن رایانه های نظام مند ( سخت افزار و نرم افزار ) که رفتاری شبیه انسان داشته باشند ، بیان می کنند . یک سیستم هوش مصنوعی به راستی نه مصنوعی است و نه هوشمندبلکه دستگاهی است هدف گرا که مسائل را به روش مصنوعی حل می کند ، این سیستم ها بر پایه دانش ، تجربه و الگوهای استدلالی انسان به وجود آمده اند .
هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند «فکر» کند. اما برای دسته بندی و تعریف ماشینهای متفکر، می‌بایست به تعریف «هوش» پرداخت. همچنین به تعاریفی برای «آگاهی» و «درک» نیز نیازمندیم و در نهایت به معیاری برای سنجش هوش یک ماشین نیازمندیم.
هنوز تعریف دقیقی که مورد قبول همهٔ دانشمندان این علم باشد برای هوش مصنوعی ارائه نشده‌است، و این امر، به هیچ وجه مایهٔ تعجّب نیست. چرا که مقولهٔ مادر و اساسی‌تر از آن، یعنی خود هوش هم هنوز بطور همه‌جانبه و فراگیر تن به تعریف نداده‌است. در واقع، می‌توان نسل‌هایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سؤال عمده نموده‌اند که: هوش چیست؟
اما اکثر تعریف‌هایی که در این زمینه ارایه شده‌اند بر پایه یکی از چهار باور زیر قرار می‌گیرند:
· سیستم‌هایی که به طور منطقی فکر می‌کنند
· سیستم‌هایی که به طور منطقی عمل می‌کنند
· سیستم‌هایی که مانند انسان فکر می‌کنند
· سیستم‌هایی که مانند انسان عمل می‌کنند
شاید بتوان هوش مصنوعی را این گونه توصیف کرد:«هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آنها رابهتر انجام می‌دهند»
تعریف دیگری كه از هوش مصنوعی می‌توان ارائه داد به قرار زیر است:
« هوش مصنوعی، شاخه‌ایست از علم كامپیوتر كه ملزومات محاسباتی اعمالی همچون ادراك (Perception) ، استدلال (Reasoning) و یادگیری (Learning) را بررسی كرده و سیستمی جهت انجام چنین اعمالی ارائه می‌دهد.»
و در نهایت تعریف سوم هوش مصنوعی از قرار زیر است:
«هوش مصنوعی، مطالعه روش‌هایی است برای تبدیل كامپیوتر به ماشینی كه بتواند اعمال انجام شده توسط انسان را انجام دهد.»
در مقایسه هوش مصنوعی با هوش انسانی می توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسایل در جهت قضاوت و اخذ تصمیم میباشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هایی از قبل تعبیه شده بر روی کامپیوتر میباشد. در نتیجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوشهای مصنوعی نبوده ایم.
روش شناسی ( Methodology ) هوش مصنوعی هنوز به عنوان یک نقطه ضعف مورد انتقاد بسیاری از صاحبنظران است ، از نظر برخی از آنان این ضعف یک شکل تکاملی است که به تاریخچه کوتاه علم رایانه مربوط است .
روش های هوش مصنوعی روش هائی هستند که به درد مسائلی می خورند که به خوبی تعریف شده اند ، به طور مثال بسیاری از مسائل محاسباتی معمولی از محاسبات فیزیک گرفته تا محاسبه حقوق و دستمزد از این دسته مسئل هستند که برای آنها الگوریتم مشخصی وجود دارد و نیازی به جستجو برای یافتن حل مسأله نیست .
به یاری پژوهش‌های گسترده دانشمندان علوم مرتبط، هوش مصنوعی از آغاز پیدایش تاکنون راه بسیاری پیموده‌است. در این راستا، تحقیقاتی که بر روی توانایی آموختن زبانها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این علم، یاری کرده‌است. یکی از اهداف متخصصین، تولید ماشینهایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند.
برای نمونه به رباتی هوشمند بیاندیشید که بتواند اعضای بدن خود را به حرکت درآورد، او نسبت به این حرکت خود آگاه بوده و با سعی و خطا، دامنه حرکت خود را گسترش می‌دهد، و با هر حرکت موفقیت آمیز یا اشتباه، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته و یا حتی می‌دود و یا به روشی برای جابجا شدن، دست می‌یابد، که سازندگانش، برای او، متصور نبوده‌اند.
هوش مصنوعی یا Artificial Intelligence امروزه در صنعت پزشکی از جایگاه بالا و ویژه ای برخوردار است. حال در این مقاله می خواهیم به تعدادی از کاربردهای هوش مصنوعی در پزشکی اشاره کنیم:
نرم‌افزار جامع پشتيبان تصميم‌گيري در پزشکي یکی از نرم‌افزارهائی است که با استفاده از هوش مصنوعي به تشخيص بيماريها براساس علائم اقدام مي‌کند به طوري که کاربر با وارد کردن نشانه‌هاي بيماري به رايانه، فهرستي از بيماري‌هاي محتمل را مشاهده خواهد کرد.
ثبت دقيق شرح حال بيمار، تشکيل پرونده، درخواست آزمايش‌هاي اوليه و تکميلي، تجويز هوشمند دارو، نسخه نويسي، جستجوي اطلاعات بيماري، روش درمان، بانک اطلاعات داروها، روش مصرف و مشخص کردن عوارض جانبي داروها را از مزاياي اين نرم افزار است.
اين نرم افزار همچنين مي‌تواند بيش از دو هزار بيماري و 300 علائم و نيز اطلاعات جامعي در زمينه 600 آزمايش پزشکي، 130 مورد جراحي و 900 عنوان دارو را در خود ذخيره کند.
مهمترين قابليت اين نرم افزار بررسي و تشخيص همزمان هزار و پانصد بيماري و 100 هزار رابط في ما بين بيماريها می باشد و برای کمک بیشتر به پزشکان ده هزار صفحه از متون معتبر پزشکي، مجلا‌ت، مقالات و تصاوير تخصصي در اين نرم افزار گردآوري شده است.
با كمك 2 برنامه جديد هوش مصنوعي، امكان تشخيص عفونت‌هاي قلبي تهديدكننده حيات بيماران و همچنين درمان زخم‌هاي باز بدون نياز به فرآيندهاي معمول و زمانبر درماني براي پزشكان فراهم شده است. پيشرفت حاضر در زمينه تشخيص عوارض مهلك در حالي صورت مي‌گيرد كه به اعتقاد جامعه پزشكي، جدا از نتايج چشمگير آن در نجات جان انسان‌ها و اجتناب از اعمال جراحي تهاجمي و رنج آور، اين پژوهش مي‌تواند بدون نياز به انجام آزمايش‌هاي متعدد به صرفه‌جويي ميليوني هزينه‌هاي بيمارستاني در سال كمك كند.
اين نرم‌افزار را براي شناسايي بيماران داراي عفونت‌هاي قلبي توسعه یافته و این در صورتی است كه چنين عفونت‌هايي با نرخ مرگ و مير بين 30 تا 50 درصد، از عفونت‌هاي بسيار وخيم به شمار مي‌روند. تشخيص دادن التهابات غشاي دروني قلب (اندوكارديتيك) يك عمل جراحي تهاجمي محسوب مي‌شود و قصد از طراحی این نرم افزار تشخیص اين عفونت بدون روانه كردن لوله كاوشي به درون مري فرد بيماراست..
تصويري كه با استفاده از داخل كردن ابزار آندوسکوپی به درون ناي شخص بيمار كه با كمك دارو تسكين دهنده ، گرفته مي‌شود اصطلاحا قلب‌نگاري فرامري (ترانسوفاژل اندوكارديوگرام) است كه در نوع خود فرآيندي تهاجمي و گران به حساب مي‌آيد. در واقع يك عمل 30 دقيقه‌اي با اين روش بالغ بر 2000 دلار هزينه دربر دارد و از طرفي انجام اين عمل به تجهيزات فني خاصي نياز دارد كه بسياري از بيمارستان‌ها فاقد آن هستند. اين در حالي است كه پزشكان می توانند به جاي وارد كردن لوله‌هاي پزشكي، به وارد كردن داده‌هاي لازم به رايانه و تحليل آنها بپردازند. در اين شيوه عمل، پزشكان ابتدا با ثبت داده‌هايي از جمله ضربان قلب، فشار خون، شمارش گلبول‌هاي سفيد خون، حضور ادواتي نظير ضربان سازهاي قلبي يا ساير دستگاه‌هاي تعبيه شده، دماي بدن دريافتي بيماران در رايانه، نرم‌افزار دستيار عمل خود را آماده سازي مي‌كنند. در اين ميان، تشخيص نهايي اين بيماران نيز شامل اطلاعات داده شده به رايانه خواهد بود. در مرحله بعدي اين الگوريتم رايانه‌اي به تحليل داده‌هاي موجود براي ارتباط دادن علائم بیماری با تشخيص بيماري مي‌پردازد . در 50 درصد موارد اين نرم‌افزار مي‌تواند ظرف كمتر از 4 ثانيه يك پيش‌بيني محاسبه‌اي را با دقت 99/99 درصد انجام دهد ، در باقي موارد نيز اين نرم‌افزار، بيش از 80درصد صحت عمل داشته است. البته محققان به اين مرحله بسنده نكرده و قصد دارند، گام بعدي پروژه هوش مصنوعي خود را روي 200 مورد از پرونده پزشكي بيماراني اجرا كنند كه رايانه، اطلاعي از تشخيص نهايي آنها ندارد.تشخيص عفونت‌هاي قلبي مشكل است اما اغلب مي‌توان آنها را با تجويز و مصرف حدود يك هفته آنتي‌بيوتيك معالجه كرد.
زخم‌هاي باز كه پس از هفته‌ها يا ماه‌ها درمان، در برابر التيام و بهبود مقاومت كرده، معالجات را رد مي‌كنند و به عنوان زخم‌هاي كم خون موضعي شناخته مي‌شوند، راه تشخيص آساني دارند اما در عوض به طرز نااميدكننده‌اي درمان دشواري را به همراه دارند و حتي به اعتقاد برخي پزشكان، اين گونه زخم‌ها هر درماني را بي اثر مي‌كنند و انگار كه هيچ درماني براي التيام آنها صورت نگرفته است. در همين ارتباط، گروهي از محققان، موفق به توسعه الگوريتمي رياضياتي شده‌اند كه مي‌تواند زمان بسته شدن يك زخم باز از نوع كم خون موضعي و همچنين اين را كه چه عوارض و پيامدهايي طي فرآيند قطع جريان خون و بندآوري بروز ميكند، پيش‌بيني كند. مدل‌هاي فعلي، زخم‌هايي را هدف مي‌گيرند كه در هر صورت بسته خواهند شد، و هدف توسعه مدلي براي زخم‌هايي است كه نمي‌خواهند بسته شوند.
مواردي همچون زخم پاي بيماران ديابتي يا زخم بيماراني كه به دليل عوارض ديگري، قبلا فرآيند بيمارستاني را گذرانده‌اند، از موارد شايع و هدف زخم‌هاي باز محسوب مي‌شود. گروهی تحقيقاتي براي كمك به درمان زخم‌هاي موضعي، برنامه‌اي را توسعه داده‌اند كه داده‌هاي بيماران را پردازش ميكند؛ اطلاعاتي از قبيل غلظت خون، فاكتورهاي رشد، حضور گلبول‌هاي سفيد و تراكم فيبروبلاستي از جمله داده‌هايي است كه به رايانه داده مي‌شوند. رايانه نيز با استفاده از اين داده‌ها مدلي سه‌بعدي از زخم مربوط را ايجاد و چگونگي التيام يافتن و بهبود سريع آن را ظاهر ميكند و بعلاوه زمان بسته شدن زخم را نيز تخمين مي‌زند. به ادعاي محققان اكنون و بر اساس اين مدل، يك زخم معمولي ظرف حدود 13 روز بسته خواهد شد و اين در حالي است كه پس از گذشت 20 روز تنها 25 درصد از زخم‌هاي باز موضعي التيام و بهبود مي‌يابند. اين اعداد و ارقام با آنچه عملا براي بيماران اتفاق مي‌افتد، تطبيق ميكند، اما در اين ميان نبايد از نظر دور داشت كه تا اينجاي كار تنها در قالب تئوري استفاده شده و مدل حاضر هنوز روي بيماران انساني امتحان نشده است.
به اعتقاد برخي محققان، فناوري هوش مصنوعي يا به عبارتي سامانه‌هاي شبيه‌ساز نحوه كاركردهاي مغز خواه براي بهبود زخم‌ها و چه در مورد عفونت‌هاي قلبي به كار برده شوند، دست كم به اين زودي‌ها جاي پزشكان واقعي را نخواهند گرفت. اين شبكه‌هاي عصبي مصنوعي نه مي‌توانند بيماران را ببينند و نه مي‌توانند آنها را براي يافتن علائم عفونت و آلودگي يا نشانه‌هاي مرضي مورد آزمايش قرار دهند؛ اما واقعيت اين است كه چنين برنامه‌هايي در موارد گيج‌كننده و مبهم كه كار تشخيص بيماري با دشواري مواجه مي‌شود و تشخيص صحيح و بموقع براي پزشك و بيمار بسيار حياتي است، دستياري قابل و مورد اطمينان براي متخصصان باليني به شمار مي‌رود.
موارد بالا فقط تعداد بسیار محدود و کمی از کاربردهای AI در صنعت پزشکی است و ما بررسی کامل آن را به مقالات دیگر موکول می کنیم
