هوش مصنوعی در پزشکی چه کاربردهایی دارد و چه محدودیت‌هایی؟
هوش مصنوعی از تحلیل تصاویر پزشکی و تشخیص بیماری‌ها تا کشف دارو، پایش بیماران و مدیریت بیمارستان‌ها کاربرد پیدا کرده است. اما استفاده مؤثر از این فناوری به چیزی فراتر از الگوریتم‌های پیشرفته نیاز دارد: داده‌های معتبر، ارزیابی بالینی، حفاظت از اطلاعات بیماران و نظارت متخصصان. در این گزارش، مهم‌ترین کاربردهای هوش مصنوعی در پزشکی و محدودیت‌های آن را بررسی می‌کنیم.
هوش مصنوعی دیگر فقط موضوع پژوهش‌های آزمایشگاهی نیست. امروز بخشی از ابزارهای مورد استفاده در تصویربرداری پزشکی، پایش بیماران، تحلیل پرونده‌های سلامت و مدیریت مراکز درمانی از الگوریتم‌های هوشمند کمک می‌گیرند. در بعضی کاربردها، این ابزارها می‌توانند اطلاعاتی را سریع‌تر پردازش کنند که بررسی آن‌ها برای پزشک زمان‌بر است.
بااین‌حال، نباید تمام کاربردهای هوش مصنوعی را در یک سطح ارزیابی کرد. سامانه‌ای که در تشخیص یک بیماری عملکرد مناسبی دارد، لزوماً برای تجویز دارو یا تصمیم‌گیری درباره درمان مناسب نیست. هر ابزار باید متناسب با کاربرد خود و در شرایط واقعی بررسی شود.
هوش مصنوعی در پزشکی چگونه کار می‌کند؟
هوش مصنوعی در پزشکی مجموعه‌ای از روش‌های متفاوت را در بر می‌گیرد. الگوریتم‌های یادگیری ماشین می‌توانند از داده‌های بیماران الگو استخراج کنند و برای پیش‌بینی خطر یا دسته‌بندی اطلاعات به کار روند. مدل‌های بینایی ماشین تصاویر پزشکی را تحلیل می‌کنند و مدل‌های زبانی می‌توانند با گزارش‌ها، پرونده‌ها و متون تخصصی کار کنند.
برای مثال، یک سامانه ممکن است در تصویر سی‌تی‌اسکن ناحیه مشکوکی را مشخص کند. سامانه‌ای دیگر احتمال بروز عارضه در یک بیمار را برآورد کند و ابزار سوم، خلاصه‌ای از سوابق درمانی را برای بررسی پزشک آماده سازد.
این کاربردها از نظر داده، هدف، میزان خطر و روش ارزیابی یکسان نیستند.
کاربرد هوش مصنوعی در تشخیص بیماری و تصویربرداری پزشکی
تصویربرداری پزشکی یکی از حوزه‌هایی است که کاربرد هوش مصنوعی در آن پیشرفت قابل‌توجهی داشته است. در رادیولوژی، ماموگرافی، تصویربرداری مغز و بررسی تصاویر سایر اندام‌ها، الگوریتم‌ها می‌توانند نشانه‌های مشکوک را شناسایی یا اندازه‌گیری‌های مشخصی را خودکار کنند.
یکی از نمونه‌های مستند، مطالعه PRAIM در آلمان است که نتایج آن در سال ۲۰۲۵ در نشریه Nature Medicine منتشر شد.
در این مطالعه، تصاویر ماموگرافی ۴۶۳ هزار و ۹۴ زن در برنامه غربالگری سرطان پستان بررسی شد. میزان کشف سرطان در گروهی که رادیولوژیست‌ها از هوش مصنوعی کمک گرفتند، ۶٫۷ مورد در هر هزار نفر بود؛ در گروه بدون کمک هوش مصنوعی، این رقم ۵٫۷ مورد در هر هزار نفر گزارش شد.
این مطالعه نشان داد که استفاده از هوش مصنوعی در یک برنامه واقعی غربالگری می‌تواند به بهبود شناسایی سرطان کمک کند. بااین‌حال، مطالعه مشاهده‌ای بود و رادیولوژیست‌ها خودشان درباره استفاده از هوش مصنوعی تصمیم می‌گرفتند؛ بنابراین نباید نتایج آن را به تمام مراکز و سامانه‌های تصویربرداری تعمیم داد.
نکته مهم این است که هوش مصنوعی در این تجربه در کنار رادیولوژیست استفاده شد، نه به‌عنوان جایگزین او.
نقش هوش مصنوعی در کشف و توسعه دارو
کشف یک داروی جدید معمولاً به بررسی تعداد زیادی ترکیب، شناسایی اهداف زیستی، آزمایش‌های آزمایشگاهی و مطالعات بالینی نیاز دارد.
هوش مصنوعی می‌تواند در مراحل اولیه این مسیر کمک کند. مدل‌های محاسباتی قادرند ویژگی‌های مولکول‌ها و پروتئین‌ها را بررسی کنند، الگوهای موجود در داده‌های پژوهشی را بیابند و ترکیباتی را برای بررسی بیشتر پیشنهاد دهند.
برای نمونه، در سال ۲۰۲۵ نتایج یک کارآزمایی بالینی فاز ۲a درباره داروی رنتوسرتیب برای فیبروز ریوی ایدیوپاتیک در Nature Medicine منتشر شد. در توسعه این دارو از هوش مصنوعی مولد برای شناسایی هدف و طراحی مولکول استفاده شده بود.
این پژوهش نشان‌دهنده ورود برخی محصولات حاصل از فرایندهای مبتنی بر هوش مصنوعی به مراحل بالینی است، اما نتایج یک کارآزمایی مقدماتی به معنای اثبات قطعی اثربخشی یا تأیید نهایی دارو نیست.
حتی زمانی که هوش مصنوعی در طراحی یک دارو نقش داشته باشد، آزمایش ایمنی و اثربخشی آن همچنان ضروری است.
پزشکی شخصی‌سازی‌شده و پیش‌بینی خطر بیماران
بیماران با وجود تشخیص مشابه، ممکن است وضعیت جسمی و پاسخ متفاوتی به درمان داشته باشند. سن، سابقه بیماری، نتایج آزمایش‌ها، ویژگی‌های ژنتیکی و داروهای مصرفی می‌توانند در تصمیم‌گیری مؤثر باشند.
هوش مصنوعی امکان بررسی هم‌زمان مجموعه بزرگی از این اطلاعات را فراهم می‌کند. برخی مدل‌ها برای برآورد احتمال بروز بیماری، شناسایی بیماران پرخطر یا پیش‌بینی پیامدهای درمان توسعه یافته‌اند.
بااین‌حال، یک پیش‌بینی آماری دقیق الزاماً به معنای انتخاب درمان مناسب نیست. سامانه‌ای که خطر یک بیماری را برآورد می‌کند، باید از نظر اعتبار داده‌ها، کیفیت پیش‌بینی و تأثیر واقعی بر تصمیم‌های درمانی نیز بررسی شود.
پزشکی شخصی‌سازی‌شده زمانی ارزش عملی دارد که اطلاعات قابل اعتماد در کنار شواهد بالینی و ارزیابی پزشک استفاده شوند.
هوش مصنوعی در مدیریت بیمارستان‌ها
کاربرد هوش مصنوعی فقط به تشخیص بیماری محدود نیست. بیمارستان‌ها روزانه با مجموعه بزرگی از اطلاعات مربوط به تخت‌های بستری، مراجعات اورژانس، برنامه اتاق عمل، تجهیزات و نیروی انسانی سروکار دارند.
تحلیل این اطلاعات می‌تواند به مدیران کمک کند تا تقاضای خدمات را بهتر برآورد کنند، گلوگاه‌های فرایندی را بشناسند و برای تخصیص منابع تصمیم بگیرند.
برای مثال، یک مدل پیش‌بینی می‌تواند تغییرات احتمالی تعداد مراجعات را به مدیران نشان دهد. بااین‌حال، ارزش این پیش‌بینی زمانی روشن می‌شود که مشخص باشد استفاده از آن واقعاً به کاهش تأخیر، بهبود خدمات یا استفاده مناسب‌تر از منابع منجر شده است.
به همین دلیل، ارزیابی عملکرد سامانه در محیط واقعی بیمارستان اهمیت زیادی دارد.
هوش مصنوعی مولد و دستیارهای پزشکی
مدل‌های زبانی بزرگ کاربردهای تازه‌ای در سلامت دیجیتال ایجاد کرده‌اند. این مدل‌ها می‌توانند گزارش‌های طولانی را خلاصه کنند، اطلاعات موجود در پرونده پزشکی را دسته‌بندی کنند، پیش‌نویس مستندات تهیه کنند یا به پزشک در جست‌وجوی اطلاعات کمک کنند.
اما تولید پاسخ روان، نشانه صحت آن نیست. یک مدل زبانی ممکن است اطلاعات نادرست ارائه کند، منبعی نامعتبر پیشنهاد دهد یا جزئیات مهم وضعیت بیمار را نادیده بگیرد.
در نتیجه، استفاده از این ابزارها در محیط درمانی به سازوکارهای کنترل کیفیت، بررسی منابع، حفاظت از داده‌ها و نظارت انسانی نیاز دارد.
این موضوع به‌ویژه زمانی اهمیت پیدا می‌کند که خروجی مدل در تصمیم‌های حساس پزشکی استفاده شود.
مهم‌ترین چالش‌های هوش مصنوعی در پزشکی چیست؟
نخستین چالش، کیفیت داده‌هاست. داده‌های ناقص، نامنظم یا غیرنماینده می‌توانند عملکرد مدل را کاهش دهند. سامانه‌ای که با اطلاعات یک بیمارستان توسعه یافته، ممکن است در بیمارستانی دیگر یا میان گروه‌های متفاوت بیماران عملکرد مشابهی نداشته باشد.
چالش دوم، حریم خصوصی و امنیت اطلاعات است. پرونده‌های پزشکی از حساس‌ترین انواع داده‌های شخصی هستند. استفاده از آن‌ها برای آموزش یا اجرای مدل‌های هوش مصنوعی باید با کنترل دسترسی، حفاظت فنی، مبنای قانونی مناسب و رعایت حقوق بیماران همراه باشد.
موضوع سوم، شفافیت و مسئولیت‌پذیری است. باید مشخص باشد یک سامانه برای چه کاربردی طراحی شده، چه محدودیت‌هایی دارد و پیشنهادهای آن چگونه بررسی می‌شوند.
سازمان جهانی بهداشت نیز در راهنمای اخلاق و حکمرانی هوش مصنوعی برای سلامت، بر ارزیابی خطر، حفاظت از حقوق افراد، شفافیت و نظارت مناسب بر این فناوری تأکید کرده است.
آیا هوش مصنوعی جای پزشکان را می‌گیرد؟
پاسخ به این پرسش را نمی‌توان تنها با مقایسه سرعت پردازش یا عملکرد مدل‌ها در آزمون‌ها داد.
کار پزشکی به شناسایی الگو در داده‌ها محدود نیست. پزشک باید وضعیت بیمار را در بستر علائم، سابقه بیماری، شرایط فردی و ترجیحات او بررسی کند. همچنین مسئولیت توضیح گزینه‌های درمانی و پیگیری پیامدهای تصمیم بر عهده تیم درمان است.
هوش مصنوعی می‌تواند در بعضی وظایف مشخص، ابزار مفیدی برای پزشکان باشد؛ اما میزان استقلال قابل‌قبول آن باید بر اساس خطر کاربرد، شواهد بالینی و الزامات نظارتی تعیین شود.
آینده هوش مصنوعی در نظام سلامت
رشد ابزارهای هوش مصنوعی در پزشکی نشان می‌دهد که این فناوری در حال تبدیل‌شدن به بخشی از زیرساخت‌های سلامت دیجیتال است. فهرست تجهیزات پزشکی مجهز به هوش مصنوعی سازمان غذا و داروی آمریکا نیز نمونه‌هایی از محصولات مجاز برای عرضه در کاربردهای مشخص را ثبت می‌کند.
بااین‌حال، دریافت مجوز برای یک کاربرد معین به معنای مناسب‌بودن محصول برای تمام بیماران یا تمام محیط‌های درمانی نیست.
برای نظام سلامت ایران نیز مسیر استفاده مؤثر از هوش مصنوعی از توسعه داده‌های استاندارد، اتصال مناسب سامانه‌های اطلاعات بیمارستانی، اعتبارسنجی بالینی و آموزش کادر درمان می‌گذرد.
هدف نهایی نباید صرفاً افزایش تعداد نرم‌افزارهای هوشمند باشد؛ بلکه باید مشخص شود هر ابزار کدام مسئله واقعی درمان یا مدیریت سلامت را حل می‌کند و چه شواهدی برای اثبات فایده آن وجود دارد.
منابع
۱. خبرآنلاین، «همه‌چیز درباره هوش مصنوعی در پزشکی»، ۱۴ مهر ۱۴۰۵.
۲. مطالعه PRAIM در نشریه Nature Medicine، سال ۲۰۲۵.
https://doi.org/10.1038/s41591-024-03408-6
۳. کارآزمایی فاز ۲a داروی رنتوسرتیب، Nature Medicine، سال ۲۰۲۵.
https://doi.org/10.1038/s41591-025-03743-2
۴. مرور علمی «هوش مصنوعی مولد در پزشکی»، Nature Medicine، سال ۲۰۲۵.
https://doi.org/10.1038/s41591-025-03983-2
۵. سازمان جهانی بهداشت، راهنمای اخلاق و حکمرانی مدل‌های چندوجهی بزرگ در سلامت، ۲۰۲۴.
۶. سازمان غذا و داروی آمریکا، فهرست تجهیزات پزشکی مجهز به هوش مصنوعی.