چند سال پیش اگر کسی می‌گفت نرم‌افزاری پیش از رادیولوژیست روی عکس سی‌تی اسکن علامت می‌گذارد، بیشتر ما لبخند می‌زدیم. امروز این اتفاق در بیمارستان‌های واقعی می‌افتد و کاربرد هوش مصنوعی در پزشکی از حاشیه‌ی آزمایشگاه‌ها به کنار تخت بیمار رسیده است. در این مقاله قدم به قدم می‌بینیم AI در پزشکی دقیقاً چه کارهایی می‌کند، تشخیص هوشمند بیماری با چه دقت و چه محدودیت‌هایی جلو می‌رود، داروسازی چقدر از این تغییر سود برده و جراحی کجای راه ایستاده است.
یک نکته‌ی مهم: این مقاله آموزشی است و جای مشاوره‌ی پزشکی را نمی‌گیرد. برای هر تصمیم درمانی با پزشک خودتان صحبت کنید.
اگر تازه با دنیای هوش مصنوعی آشنا شده‌اید و می‌خواهید قبل از ادامه‌ی این مقاله پایه‌ها را محکم کنید، بخش آموزش‌های مقدماتی aiamuz.com برای همین کار ساخته شده است.
فهرست مطالب:
۱. هوش مصنوعی در پزشکی دقیقاً چیست و چرا حالا رشد کرده؟ ۲. تشخیص هوشمند بیماری: از رادیولوژی تا ماموگرافی ۳. هوش مصنوعی در داروسازی: از AlphaFold تا رنتوسرتیب ۴. هوش مصنوعی در جراحی: ربات‌ها تا کجا آمده‌اند؟ ۵. چالش‌ها، خطرها و پرسش‌های اخلاقی ۶. راهنمای عملی برای بیمار، دانشجو و پزشک ۷. چک‌لیست ارزیابی یک ابزار هوش مصنوعی پزشکی ۸. AI در پزشکی برای کاربر فارسی‌زبان ۹. آینده‌ی AI در پزشکی: چه چیزهایی را باید دنبال کرد؟ ۱۰. سوالات پرتکرار ۱۱. نتیجه‌گیری ۱۲. منابع
هوش مصنوعی در پزشکی دقیقاً چیست و چرا حالا رشد کرده؟
وقتی از AI در پزشکی حرف می‌زنیم، منظورمان یک ربات سفیدپوش نیست که جای پزشک بنشیند. منظور مجموعه‌ای از الگوریتم‌هاست که از روی تعداد زیادی نمونه یاد می‌گیرند چیزی را در تصویر، سیگنال یا متن تشخیص بدهند. تفاوتش با نرم‌افزارهای قدیمی این است که کسی قاعده‌ها را یکی‌یکی ننوشته است. مدل هزاران و گاهی میلیون‌ها نمونه را می‌بیند، الگوها را خودش پیدا می‌کند و بعد روی نمونه‌ی تازه به کار می‌برد.
برای اینکه اصطلاح‌ها قاطی نشوند، سه لایه را از هم جدا کنیم. هوش مصنوعی چتری است که همه‌چیز زیرش قرار می‌گیرد. یادگیری ماشین زیرمجموعه‌ای است که با داده آموزش می‌بیند. یادگیری عمیق هم شاخه‌ای از یادگیری ماشین است که با شبکه‌های عصبی چندلایه کار می‌کند و در تشخیص تصویر و سیگنال بسیار خوب عمل می‌کند. مدل‌های زبانی بزرگ، مثل چت‌بات‌هایی که احتمالاً هر روز استفاده می‌کنید، شاخه‌ی تازه‌تری هستند که روی متن کار می‌کنند و حالا وارد مستندسازی بالینی و خلاصه‌سازی پرونده‌ها شده‌اند.
جدول ۱: انواع هوش مصنوعی و کاربرد آنها در پزشکی:
| نوع فناوری |
روی چه داده‌ای کار می‌کند |
مثال کاربرد پزشکی |
| یادگیری ماشین کلاسیک |
داده‌های جدولی مثل آزمایش خون و سوابق |
پیش‌بینی ریسک بستری مجدد |
| یادگیری عمیق (بینایی ماشین) |
عکس و فیلم پزشکی |
شناسایی ندول ریه در سی‌تی اسکن |
| یادگیری عمیق (سیگنال) |
نوار قلب، نوار مغز |
هشدار ریتم‌های غیرطبیعی قلب |
| مدل زبانی بزرگ |
گزارش‌ها و گفتگوها |
خلاصه‌سازی پرونده، پیش‌نویس گزارش |
| هوش مصنوعی مولد برای مولکول |
ساختار شیمیایی و پروتئین |
طراحی ترکیبات دارویی تازه |
| هوش مصنوعی در رباتیک |
تصویر زنده و حسگرها |
کمک به برش و بخیه در جراحی |
چرا این رشد همین حالا اتفاق افتاده؟
سه چیز هم‌زمان جمع شد. اول، داده. بیمارستان‌ها در دو دهه‌ی گذشته پرونده‌ها و تصاویر خود را دیجیتال کرده‌اند و حالا آرشیوهای عظیمی برای آموزش مدل‌ها وجود دارد. دوم، توان پردازش. کارت‌های گرافیکی و زیرساخت ابری آموزش مدل‌های بزرگ را ممکن و ارزان‌تر کردند. سوم، پیشرفت خود الگوریتم‌ها. از شبکه‌های عصبی ساده به معماری‌هایی رسیدیم که می‌توانند هم تصویر ببینند و هم متن بخوانند.
اما شاید بهترین شاخص این رشد، تعداد مجوزهای نظارتی باشد. فهرست رسمی سازمان غذا و داروی آمریکا (FDA) از دستگاه‌های پزشکی مجهز به هوش مصنوعی، تا ۲۹ ژوئن ۲۰۲۶ حدود ۱۶۱۴ دستگاه را نام می‌برد. خود FDA تصریح می‌کند که این فهرست جامع نیست و فقط دستگاه‌هایی را شامل می‌شود که در خلاصه‌ی مجوزشان از واژه‌های مرتبط با AI استفاده شده است. بنابراین رقم واقعی احتمالاً کمی بیشتر است. نکته‌ی جالب سرعت است: در سه ماه اول ۲۰۲۶ حدود ۹۲ دستگاه مجوز گرفتند و در شش ماه اول سال، حدود ۱۸۱ دستگاه. برای سال ۲۰۲۵ منابع مختلف عددی بین ۲۹۵ تا ۳۳۵ دستگاه گزارش کرده‌اند، یعنی روند امسال از سال گذشته سریع‌تر است.
از این ۱۶۱۴ مورد، حدود ۷۶ درصد به رادیولوژی تعلق دارد. تصویر پزشکی ساده‌ترین جا برای شروع بود، چون داده‌ی ساختاریافته و برچسب‌خورده‌ی زیادی دارد و نتیجه را می‌شود با نظر متخصص مقایسه کرد. در بخش بعدی دقیقاً همین‌جا را می‌بینیم.
تشخیص هوشمند بیماری: از رادیولوژی تا ماموگرافی:
اگر بخواهیم بپرسیم کدام شاخه‌ی پزشکی بیشترین سود را از هوش مصنوعی برده، جواب روشن است: تشخیص. دلیلش هم ساده است. بخش بزرگی از کار تشخیصی، یعنی دیدن یک الگوی غیرعادی در یک تصویر یا یک سیگنال، دقیقاً همان کاری است که شبکه‌های عصبی خوب انجام می‌دهند. تشخیص هوشمند بیماری قرار نیست جای پزشک را بگیرد. کاری که می‌کند این است که خستگی، حجم زیاد کار و حواس‌پرتی را از معادله کم کند.
تصویربرداری پزشکی: خط اول
در بخش اورژانس هر دقیقه ارزش دارد و تشخیص هوشمند بیماری همین‌جا بیشترین اثر را می‌گذارد. نرم‌افزارهای تریاژ می‌توانند وقتی سی‌تی اسکن مغز وارد سیستم می‌شود، نشانه‌های احتمالی خونریزی یا انسداد عروق را پیش از دیدن پزشک علامت بزنند و آن پرونده را بالای لیست بیاورند. همین کار در شکستگی‌ها، ندول‌های ریه و ضایعات مشکوک انجام می‌شود. FDA در همین فهرست از دستگاه‌هایی نام می‌برد که مثلاً در یک واحد سیار رادیوگرافی هنگام عکس‌برداری شکستگی را شناسایی می‌کنند، یعنی همان لحظه و بدون صبر برای گزارش.
یک مثال فرضی کمک می‌کند. فرض کنید یک رادیولوژیست در شیفت شب ۱۲۰ پرونده‌ی تصویری در صف دارد. بدون ابزار، ترتیب مطالعه معمولاً بر اساس زمان ورود است. با یک سامانه‌ی تریاژ، پرونده‌ی مشکوک به خونریزی مغزی که ساعت‌ها پایین‌تر از بقیه ثبت شده بود، به صدر صف می‌آید. رادیولوژیست هنوز تصمیم‌گیرنده است، فقط ترتیب دیدن عوض شده است. فایده‌ی اصلی در همین ترتیب است.
غربالگری ماموگرافی: قوی‌ترین شواهد تا امروز
برای اینکه ببینیم AI در پزشکی فقط تبلیغات نیست، بهترین نمونه کارآزمایی MASAI در سوئد است. این پژوهش که دانشگاه لوند اجرا کرد، یک کارآزمایی تصادفی‌سازی‌شده با بیش از ۱۰۵ هزار زن است. نیمی از شرکت‌کنندگان به روش معمول بررسی شدند، یعنی دو رادیولوژیست هر ماموگرافی را می‌خواندند. نیم دیگر با غربالگری پشتیبانی‌شده با AI بررسی شدند: نرم‌افزار ریسک هر تصویر را می‌سنجید و بر اساس آن مشخص می‌شد تصویر را یک رادیولوژیست بخواند یا دو نفر.
نتیجه در مجله‌ی Lancet Digital Health منتشر شد. غربالگری با کمک AI حدود ۲۹ درصد سرطان بیشتر پیدا کرد (۳۳۸ مورد در ۵۳٬۰۴۳ شرکت‌کننده‌ی گروه AI)، بدون اینکه آلارم کاذب بیشتری ایجاد کند. بار کاری خواندن تصاویر هم حدود ۴۴ درصد کم شد. در گزارش نهایی، تعداد سرطان‌های فاصله‌ای، یعنی سرطان‌هایی که بین دو نوبت غربالگری و بعد از یک ماموگرافی طبیعی تشخیص داده می‌شوند، در گروه AI حدود ۱۲ درصد کمتر بود (۸۲ مورد در برابر ۹۳ مورد). به گفته‌ی سرپرست پژوهش، حساسیت آزمایش بالا رفت و تعداد مثبت‌های کاذب بالا نرفت.
برای خود زنی که ماموگرافی می‌دهد هیچ تفاوت محسوسی وجود ندارد. تصویر مثل همیشه گرفته می‌شود و فقط پشت صحنه تغییر کرده است. این کارآزمایی درباره‌ی تشخیص هوشمند بیماری دو درس دارد. اول اینکه AI کنار پزشک بهتر از هر کدام تنها نتیجه می‌دهد. دوم اینکه نحوه‌ی ادغام در گردش کار مهم‌تر از خود الگوریتم است.
پاتولوژی، چشم و قلب
در پاتولوژی دیجیتال، اسلایدهای بافتی اسکن می‌شوند و الگوریتم‌ها ناحیه‌های مشکوک را مشخص می‌کنند. نخستین کاربرد AI در پاتولوژی که مجوز FDA گرفت از همین نوع بود و بعد از آن شمار ابزارها بیشتر شده است. در چشم‌پزشکی، سامانه‌هایی مثل LumineticsCore برای غربالگری رتینوپاتی دیابتی ساخته شده‌اند و از نخستین سیستم‌هایی بودند که بدون تفسیر مستقیم پزشک نتیجه‌ی غربالگری می‌دادند. در قلب‌وعروق هم الگوریتم‌هایی که نوار قلب یا داده‌ی ساعت‌های هوشمند را تحلیل می‌کنند، به کشف زودهنگام ریتم‌های غیرطبیعی کمک می‌کنند. گزارش‌های صنعتی نشان می‌دهند سهم قلب و مغز و اعصاب در فهرست FDA هم رو به رشد است.
مدل‌های زبانی در مطب و بیمارستان
بخشی از تغییر که کمتر دیده می‌شود، اصلاً تشخیص نیست و کاغذبازی است. ابزارهای منشی هوشمند به گفتگوی پزشک و بیمار گوش می‌دهند و پیش‌نویس یادداشت بالینی را می‌نویسند. این کار وقت پزشک را آزاد می‌کند، اما پیامدهای حقوقی هم دارد. بر اساس تحلیلی که به نقل از انجمن وکلای آمریکا گزارش شده، در کالیفرنیا و ایلینوی بیمارانی شکایت کرده‌اند که ضبط هوشمند ویزیت بدون رضایت کافی انجام شده است. از ژانویه‌ی ۲۰۲۶ هم چند قانون ایالتی، از جمله قانون تگزاس موسوم به TRAIGA، اطلاع‌رسانی به بیمار را هنگام استفاده از AI در تعامل بالینی الزامی کرده‌اند.
مدل‌های زبانی یک ضعف مشخص دارند: ممکن است با اطمینان جمله‌ای بنویسند که درست نیست. به همین دلیل خروجی آنها باید توسط پزشک بازبینی شود و جایگزین قضاوت بالینی نیست.
جدول ۲: مقایسه‌ی کاربردهای اصلی تشخیص هوشمند
| حوزه |
کاری که AI می‌کند |
میزان شواهد |
نقش پزشک |
| ماموگرافی |
تریاژ و تشخیص ضایعه |
کارآزمایی تصادفی بزرگ (MASAI) |
خواندن نهایی و تصمیم |
| سی‌تی مغز و ریه |
اولویت‌بندی و هشدار |
مجوزهای متعدد FDA |
تایید یافته و درمان |
| رتینوپاتی دیابتی |
غربالگری تصویر شبکیه |
مجوز نظارتی و مطالعات بالینی |
پیگیری موارد مثبت |
| پاتولوژی |
علامت‌گذاری ناحیه‌ی مشکوک |
در حال گسترش |
تشخیص نهایی |
| نوار قلب |
هشدار ریتم غیرطبیعی |
رو به رشد |
تفسیر بالینی |
| مستندسازی با LLM |
پیش‌نویس یادداشت |
شواهد محدود و در حال تکامل |
بازبینی و امضا |
نمودار: سهم رادیولوژی از مجوزهای AI در FDA (تا ژوئن ۲۰۲۶)
رادیولوژی ██████████████████████████████████████░░░░░░░░░░░░ حدود ۷۶٪
سایر حوزه‌ها ████████████░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░ حدود ۲۴٪
این نمودار تقریبی است و بر اساس سهم گزارش‌شده‌ی ۷۶ درصدی ساخته شده. هر ۵۰ بلوک، ۱۰۰ درصد را نشان می‌دهد.
کجا باید احتیاط کرد؟
شاید دقیق‌ترین هشدار از یک مطالعه در JAMA Health Forum بیاید. پژوهشگران ۹۵۰ دستگاه مجاز را بررسی کردند و دیدند ۶۰ دستگاه به ۱۸۲ رویداد فراخوان (Recall) مربوط بوده‌اند و علت معمول آن خطای تشخیصی یا خطای اندازه‌گیری بوده است. بیشتر این فراخوان‌ها هم کمی بعد از دریافت مجوز اتفاق افتاده بود و بیشتر مربوط به ابزارهایی بود که اعتبارسنجی بالینی ضعیف‌تری داشتند. یعنی مجوز گرفتن، پایان ماجرا نیست.
نگرانی دوم، عدالت است. گزارش‌هایی هست که نشان می‌دهد بعضی سامانه‌های تشخیص سرطان پستان در زنان سیاه‌پوست و سنین بالاتر مثبت کاذب بیشتری تولید می‌کنند. وقتی داده‌ی آموزش یک گروه را کمتر دیده باشد، مدل هم برای آن گروه ضعیف‌تر کار می‌کند. پس هر وقت می‌پرسید «این ابزار چقدر دقیق است»، باید بپرسید «روی چه جمعیتی آزمایش شده؟».
اگر دوست دارید با خود ابزارهایی که امروز در این حوزه استفاده می‌شوند و مدل‌های عمومی که می‌توانید خودتان امتحان کنید آشنا شوید، معرفی ابزارهای هوش مصنوعی در aiamuz.com مرجع خوبی برای شروع است.
یک مسیر فرضی: وقتی بیمار وارد سیستمی مجهز به AI می‌شود
برای اینکه این توضیح‌ها ملموس‌تر شود، یک سناریوی فرضی را دنبال کنیم. این داستان واقعی نیست و فقط برای نشان‌دادن مسیر نوشته شده است.
خانمی ۵۴ ساله برای غربالگری سالانه به یک مرکز تصویربرداری می‌رود. تکنسین ماموگرافی می‌گیرد و تصویر وارد سیستم می‌شود. نرم‌افزار در چند ثانیه یک امتیاز ریسک می‌دهد. این تصویر نشانه‌ی مشکوکی ندارد، پس برای خواندن به یک رادیولوژیست سپرده می‌شود. رادیولوژیست هم همین نظر را دارد و نتیجه طبیعی اعلام می‌شود. همین‌جا بخشی از صرفه‌جویی اتفاق افتاده است، چون دیگر نفر دوم لازم نبوده. تصویر بعدی در همان روز امتیاز ریسک بالا می‌گیرد و هر دو رادیولوژیست آن را می‌خوانند و یک ضایعه‌ی کوچک پیدا می‌کنند که شاید در یک روز شلوغ از چشم می‌افتاد. منطق کار همان چیزی است که در کارآزمایی MASAI آزمایش شد.
حالا فرض کنید نمونه‌برداری لازم می‌شود. نمونه‌ی بافتی اسکن می‌شود، الگوریتم ناحیه‌ی مشکوک را علامت می‌زند و پاتولوژیست نتیجه را بررسی و تایید می‌کند. اگر جراحی لازم باشد، جراح از روی تصاویر یک مدل سه‌بعدی می‌بیند و مسیر برش را از قبل برنامه‌ریزی می‌کند. در تمام این مراحل تشخیص هوشمند بیماری سرعت و دقت را بالا برده، اما یک انسان در هر نقطه مسئول تصمیم مانده است. این الگو، یعنی هوش مصنوعی در نقش دستیار سریع و پزشک در نقش تصمیم‌گیرنده، همان چیزی است که امروز بیشترین پشتوانه‌ی علمی را دارد و بهترین تصویر از AI در پزشکی در بالین واقعی است.
هوش مصنوعی در داروسازی: از AlphaFold تا رنتوسرتیب
ساخت یک داروی جدید معمولاً ده سال یا بیشتر طول می‌کشد، میلیاردها دلار هزینه دارد و شمار زیادی از نامزدها در میانه‌ی راه رد می‌شوند. هر ابزاری که این مسیر را کوتاه یا مطمئن‌تر کند، ارزش عظیمی دارد. اینجاست که AI در پزشکی از بیمارستان به آزمایشگاه می‌رود.
AlphaFold: وقتی ساختار پروتئین‌ها پیش‌بینی شد
هر پروتئین شکل سه‌بعدی مشخصی دارد و عملکردش به همین شکل وابسته است. تا همین چند سال پیش، تعیین ساختار یک پروتئین ممکن بود ماه‌ها یا سال‌ها کار آزمایشگاهی بخواهد. سامانه‌ی AlphaFold ساختار سه‌بعدی پروتئین را از روی توالی آمینواسیدی پیش‌بینی می‌کند. پایگاه داده‌ی AlphaFold در ژوئیه‌ی ۲۰۲۱ با حدود ۳۶۰ هزار پیش‌بینی شروع شد و حالا به حدود ۲۰۰ میلیون ساختار از بیش از یک میلیون گونه رسیده است. بیش از دو میلیون پژوهشگر از ۱۹۰ کشور از آن استفاده کرده‌اند.
اهمیت این ماجرا آن‌قدر بود که در سال ۲۰۲۴ نوبل شیمی به دمیس هاسابیس و جان جامپر برای پیش‌بینی ساختار پروتئین و به دیوید بیکر برای طراحی محاسباتی پروتئین رسید. این اتفاق به‌صراحت نشان داد که AI در پزشکی و علوم زیستی فقط ابزار فرعی نیست و به سطح کشف علمی رسیده است.
رنتوسرتیب: داستان یک داروی طراحی‌شده با AI
اگر بخواهیم مشخص‌ترین مثال داروسازی با هوش مصنوعی را نام ببریم، رنتوسرتیب (Rentosertib) است. این دارو را شرکت Insilico Medicine با پلتفرم Pharma.AI ساخته است. نکته‌ی مهم این است که هوش مصنوعی در آن فقط مولکول را بهینه نکرد. هدف دارویی را هم پیدا کرد و شیمی مولکول را هم طراحی کرد. هدف دارو آنزیمی به نام TNIK است که با فرآیندهای فیبروز و التهاب ارتباط دارد، و بیماری مورد نظر فیبروز ریوی ایدیوپاتیک (IPF) است، یک بیماری پیشرونده‌ی ریه با گزینه‌های درمانی محدود.
در فاز IIa، نتایج در مجله‌ی Nature Medicine چاپ شد و گروه دریافت‌کننده‌ی دوز ۶۰ میلی‌گرم روزانه بعد از ۱۲ هفته، میانگین بهبود ظرفیت حیاتی اجباری ریه (FVC) حدود ۹۸٫۴ میلی‌لیتر نشان داد. FDA هم پیش‌تر، در فوریه‌ی ۲۰۲۳، عنوان داروی یتیم را برای IPF به آن داده بود.
آخرین اتفاق مهم در ۱۰ سپتامبر ۲۰۲۶ افتاد: شرکت اعلام کرد اولین بیمار فاز III با نام GENESIS-IPF-3 در بیمارستان پکن (Peking Union Medical College Hospital) دارو را دریافت کرده است و بیمارستان ریه‌ی شانگهای هم همان روز اولین بیمار خود را ثبت کرد. این کارآزمایی تصادفی، دوسوکور و کنترل‌شده با دارونما است، حدود ۳۲۰ بیمار را در بر می‌گیرد و درمان ۵۲ هفته ادامه دارد. اما هنوز دارو توسط هیچ نهاد نظارتی تایید نشده و همچنان آزمایشی است.
یک نگاه واقع‌بینانه به آمار:
برای اینکه تصویر متعادل بماند، چند عدد را کنار هم بگذاریم. بر اساس تحلیل‌هایی که در سال ۲۰۲۶ منتشر شده، از سال ۲۰۱۹ حدود ۶۰ میلیارد دلار در کشف دارو با AI سرمایه‌گذاری شده و حدود ۱۷۵ برنامه‌ی دارویی در مرحله‌ی بالینی هستند. با وجود این، تا امروز هیچ دارویی که با این رویکرد کشف شده باشد تاییدیه‌ی نهایی نگرفته است. بعضی تحلیلگران هم هشدار داده‌اند که داروهای کشف‌شده با AI در فاز ۲ تقریباً همان نرخ شکست داروهای معمولی را دارند. این یعنی هوش مصنوعی مسیر را سریع‌تر می‌کند، اما بیولوژی انسان هنوز قواعد خودش را دارد.
FDA هم در ژانویه‌ی ۲۰۲۶ سندی با عنوان «اصول راهنمای عملکرد خوب AI در توسعه‌ی دارو» منتشر کرد و نشان داد قصد دارد این حوزه را چارچوب‌مند کند.
شیمی مولد چطور کار می‌کند؟
برای کسی که با شیمی آشنا نیست، ایده را می‌شود ساده گفت. مدل مولد، ساختار و خواص تعداد بسیار زیادی مولکول شناخته‌شده را می‌بیند و یاد می‌گیرد کدام ویژگی‌ها با چه رفتاری همراه است. بعد از آن، مولکول‌های تازه‌ای پیشنهاد می‌دهد که باید شروطی را داشته باشند، مثلاً به هدف دارویی بچسبند، در بدن حل شوند و سمیت پیش‌بینی‌شده‌ی کمی داشته باشند. شیمیدان‌ها بهترین پیشنهادها را می‌سازند، آزمایشگاه آنها را می‌سنجد و نتیجه به مدل برمی‌گردد تا دفعه‌ی بعد بهتر پیشنهاد بدهد. این چرخه‌ی «پیشنهاد، ساخت، آزمایش، یادگیری» اگر خوب کار کند، تعداد دورهای بی‌نتیجه را کم می‌کند. البته هیچ‌کس از این روش انتظار ندارد بیولوژی را دور بزند. مدل فقط پیش‌بینی می‌کند و جواب نهایی را بدن بیمار در کارآزمایی بالینی می‌دهد.
AI در داروسازی فقط کشف مولکول نیست
بخش‌های دیگری از چرخه‌ی دارو هم از AI استفاده می‌کنند. در طراحی کارآزمایی بالینی، الگوریتم‌ها می‌توانند بیماران مناسب‌تر را برای ورود به مطالعه شناسایی کنند. در بازتعریف کاربرد دارو (Drug Repurposing)، مدل‌ها بین ده‌ها هزار ترکیب موجود دنبال کاربردهای تازه می‌گردند. در داروسازی بالینی، تحلیل گزارش‌های عوارض جانبی کمک می‌کند سیگنال‌های ایمنی زودتر دیده شود. و در پزشکی شخصی‌سازی‌شده، مدل‌ها تلاش می‌کنند بر اساس ویژگی‌های ژنتیکی و بالینی هر بیمار دوز و انتخاب دارو را بهینه کنند.
جدول ۳: مسیر سنتی و مسیر کمک‌گرفته از هوش مصنوعی
| مرحله |
روش سنتی |
با کمک AI |
| یافتن هدف دارویی |
ماه‌ها تا سال‌ها مطالعه‌ی آزمایشگاهی |
تحلیل هم‌زمان داده‌های ژنی و پروتئینی برای رتبه‌بندی اهداف |
| طراحی مولکول |
آزمون و خطای شیمیایی |
تولید و ارزیابی ترکیب‌ها به‌صورت مجازی |
| پیش‌بینی ساختار پروتئین |
تعیین ساختار تجربی، پرهزینه و زمان‌بر |
پیش‌بینی محاسباتی (مثل AlphaFold) |
| طراحی کارآزمایی |
انتخاب بیمار با معیارهای ثابت |
کمک به شناسایی بیماران مناسب‌تر |
| نتیجه‌ی نهایی |
بیش از ده سال و هزینه‌ی میلیاردی |
سریع‌تر در بعضی مراحل، اما شکست در بالینی همچنان محتمل |
اگر دوست دارید تفاوت مدل‌های مولد، یادگیری عمیق و ابزارهای کاربردی را بهتر بفهمید، مسیر یادگیری از صفر تا پیشرفته در aiamuz.com برای شما مرحله‌به‌مرحله چیده شده است.
هوش مصنوعی در جراحی: ربات‌ها تا کجا آمده‌اند؟
وقتی اسم جراحی با هوش مصنوعی می‌آید، ذهن خیلی‌ها یک ربات را تصور می‌کند که تنها در اتاق عمل کار می‌کند. واقعیت امروز، متفاوت و محتاطانه‌تر است. بیشتر چیزی که در اتاق‌های عمل می‌بینیم، رباتیک با هدایت جراح است و AI در لایه‌های کمکی وارد می‌شود: برنامه‌ریزی قبل از عمل، شناسایی ساختارهای تشریحی، افزایش دقت حرکت و بررسی ایمنی.
برنامه‌ریزی و هدایت حین عمل
پیش از عمل، نرم‌افزارها می‌توانند از روی سی‌تی یا ام‌آر‌آی بیمار یک مدل سه‌بعدی بسازند و جراح را در انتخاب مسیر برش و جای ایمپلنت راهنمایی کنند. حین عمل، بینایی ماشین می‌تواند عروق، اعصاب یا مجاری حساس را روی تصویر زنده برجسته کند. این کار به‌خصوص برای جراحان کم‌تجربه‌تر و در موقعیت‌های پیچیده مفید است. گزارش‌های سال ۲۰۲۶ از «هوش مصنوعی عاملی» (Agentic AI) در پلتفرم‌های رباتیک جراحی هم به‌عنوان یک روند مهم یاد می‌کنند، هرچند هنوز بیشتر در مرحله‌ی تجربی و پژوهشی است.
جراحی خودکار: دستاوردهای واقعی و محدودیت‌های واقعی
در ژوئیه‌ی ۲۰۲۵، پژوهشگران دانشگاه جانز هاپکینز اعلام کردند رباتی که با ویدیوهای جراحی و یادگیری ماشین آموزش دیده، یک مرحله از جراحی کیسه‌ی صفرا را در شرایط پژوهشی تقریباً بدون کمک مستقیم انسان انجام داده است. تیم دیگری از چین، یعنی Shanghai MedBot با ربات Toumai و یک مدل چندوجهی به نام Neuron، برداشتن کیسه‌ی صفرا را روی یک خوک انجام داد. خود شرکت صراحتاً گفته که این سیستم هنوز برای استفاده در انسان تایید نشده و به آزمون‌های ایمنی بیشتری نیاز دارد. گروه جانز هاپکینز هم قبلاً نشان داده بود ربات STAR در مدل‌های حیوانی می‌تواند عمل‌های نرم‌بافت لاپاروسکوپی را به‌صورت خودکار انجام دهد.
در ۳ ژوئیه‌ی ۲۰۲۶ مقاله‌ی مروری در Science Advances، نقشه‌ی راه جراحی خودکار و میکروربات‌ها را ترسیم کرد. نویسندگان تاکید می‌کنند جراحی کاملاً خودکار هدفی بلندمدت است و بیشتر احتمال دارد خودمختاری به‌تدریج و در قالب وظایف مشخص وارد شود، مثل تشخیص آناتومی با کمک AI، نه اینکه یک‌باره کل عمل را به ماشین بسپارند. چالش‌های اصلی هم روشن‌اند: ادراک بصری بلادرنگ، تعیین اینکه کدام وظایف را می‌شود ایمن خودکار کرد و مسئله‌ی بافت‌های نرم که شکل‌شان مدام تغییر می‌کند. پرسش‌های حقوقی مثل مسئولیت تصمیم‌های خودکار هم هنوز جواب روشنی ندارند.
جدول ۴: سطوح خودمختاری در جراحی رباتیک
| سطح |
توضیح |
وضعیت امروز |
| ۰ |
بدون خودمختاری، جراح همه‌چیز را هدایت می‌کند |
رایج در رباتیک هدایت‌شونده |
| ۱ |
کمک رباتیک (مثلاً کاهش لرزش دست) |
رایج |
| ۲ |
خودمختاری وظیفه‌محور (مثلاً بخیه‌ی مشخص) |
در پژوهش و نمونه‌های محدود |
| ۳ |
خودمختاری مشروط، ربات برنامه می‌دهد و جراح تایید می‌کند |
آزمایشگاهی |
| ۴ |
خودمختاری بالا زیر نظارت |
هنوز در بالین رایج نیست |
| ۵ |
خودمختاری کامل |
هدف بلندمدت |
این‌ها برای بیمار چه معنا دارد؟
اگر قرار است عمل جراحی داشته باشید، لازم نیست نگران ربات مستقل باشید، چون چنین چیزی هنوز وارد بالین نشده است. می‌توانید از جراح بپرسید در برنامه‌ریزی یا هدایت عمل از ابزارهای رباتیک یا AI استفاده می‌شود یا نه، و تجربه‌ی او با آن چقدر است. پرسش ساده، اما در برخورد با فناوری تازه، پرسش درستی است.
چالش‌ها، خطرها و پرسش‌های اخلاقی
تا اینجا بیشتر از فرصت‌ها حرف زدیم. حالا وقت آن است که با همان صراحت درباره‌ی مشکلات هم بنویسیم، چون AI در پزشکی با تمام توانایی‌اش، با سلامت آدم‌ها سروکار دارد و اشتباه آن هزینه‌ی انسانی دارد.
حریم خصوصی داده. داده‌ی پزشکی حساس‌ترین نوع داده است. هر مدلی که با آن آموزش می‌بیند باید با رعایت رضایت بیمار و ناشناس‌سازی درست ساخته شود. نشت داده یا استفاده‌ی ثانویه‌ی بدون اجازه، اعتماد را از بین می‌برد.
سوگیری و عدالت. همان‌طور که دیدیم، مدلی که روی یک جمعیت آموزش دیده ممکن است برای جمعیت دیگر ضعیف‌تر باشد. برای کشورهایی مثل ایران که داده‌ی محلی کمتر در مجموعه‌های جهانی حضور دارد، این موضوع اهمیت بیشتری دارد و لازم است مدل‌ها پیش از استفاده روی داده‌ی محلی اعتبارسنجی شوند.
توضیح‌پذیری. بعضی مدل‌ها مثل جعبه‌ی سیاه عمل می‌کنند. وقتی پزشک نمی‌داند چرا الگوریتم یک تصویر را مشکوک دانسته، اعتماد به آن سخت می‌شود. پژوهش در حوزه‌ی هوش مصنوعی قابل‌توضیح همین موضوع را هدف گرفته است.
وابستگی بیش از حد (Automation Bias). وقتی ابزاری اغلب درست می‌گوید، آدم‌ها به‌مرور کمتر آن را بازبینی می‌کنند. در تشخیص پزشکی، همان درصد کمِ خطا ممکن است کسی را به خطر بیندازد. به همین دلیل، پزشک باید نقش تصمیم‌گیرنده‌ی نهایی را حفظ کند.
مسئولیت حقوقی. اگر یک الگوریتم اشتباه کند، مسئول کیست؟ پزشک، بیمارستان، سازنده‌ی نرم‌افزار؟ کشورهای مختلف به این پرسش جواب‌های متفاوتی می‌دهند و هنوز مسیر روشنی وجود ندارد.
نظارت. FDA در ژانویه‌ی ۲۰۲۶ رهنمودی منتشر کرد که برای بعضی دسته‌های محصولات سلامت دیجیتال، نظارت پیش از بازار را سبک‌تر می‌کند. مدافعان آن را کمک به نوآوری می‌دانند و منتقدان نگران‌اند ابزارهای بدون اعتبارسنجی کافی به بالین برسند. تفاوت بین یک دستگاه مجاز و ابزاری که فقط به‌عنوان «پشتیبان تصمیم» عرضه می‌شود، همچنان باید روشن بماند.
راهنمای عملی برای بیمار، دانشجو و پزشک
اگر کاربر عادی هستید، بهترین رفتار این است که از چت‌بات‌ها برای فهمیدن مفاهیم استفاده کنید، نه برای تشخیص. می‌توانید از آنها بخواهید معنی یک اصطلاح در جواب آزمایش را ساده توضیح بدهند یا فهرست سوال برای ویزیت پزشک بنویسند. اما نتیجه‌ی آزمایش یا تصویر خودتان را برای تشخیص به یک چت‌بات نسپارید و بر اساس پاسخ آن دارو شروع یا قطع نکنید.
اگر دانشجوی پزشکی یا پیراپزشکی هستید، بهتر است از همین حالا با مفاهیم پایه‌ی یادگیری ماشین آشنا شوید: اینکه مدل چطور آموزش می‌بیند، حساسیت و ویژگی یعنی چه، و چرا یک مدل با دقت ۹۵ درصد روی یک مجموعه‌داده ممکن است در بیمارستان شما ضعیف کار کند. دانستن همین‌ها شما را از یک کاربر ساده‌ی ابزار به یک ارزیاب آگاه تبدیل می‌کند.
اگر پزشک یا مدیر درمانی هستید، پیش از خرید یا پذیرش یک ابزار چند پرسش بپرسید: روی چه جمعیتی اعتبارسنجی شده؟ مجوز نظارتی دارد یا فقط ادعای بازاریابی است؟ چگونه با سیستم پرونده‌ی الکترونیک یکپارچه می‌شود؟ و اگر اشتباه کرد، چه کسی پاسخگوست؟
اگر یک کارآفرین یا توسعه‌دهنده‌ی حوزه‌ی سلامت هستید، تشخیص هوشمند بیماری بازاری با رقابت زیاد و مقررات سخت است. شروع از مسئله‌های کوچک‌تر و مشخص، مثل مستندسازی یا اولویت‌بندی پرونده، معمولاً عاقلانه‌تر از شروع با «تشخیص همه‌چیز» است.
می‌خواهید خودتان وارد این مسیر شوید؟
برای فهمیدن AI در پزشکی لازم نیست برنامه‌نویس باشید. در aiamuz.com می‌توانید از شناخت اولیه‌ی هوش مصنوعی شروع کنید، به ابزارهای پیشرفته‌تر برسید و در دوره‌های آموزشی ثبت‌نام کنید. همین امروز به aiamuz.com سر بزنید و اولین قدم یادگیری را بردارید.
چک‌لیست ارزیابی یک ابزار هوش مصنوعی پزشکی
احتمالاً به‌زودی با ابزاری روبه‌رو می‌شوید که ادعا می‌کند «با هوش مصنوعی تشخیص می‌دهد». چه بیمار باشید، چه دانشجو، چه مدیر یک کلینیک، چند پرسش ساده می‌تواند ادعای بازاریابی را از شواهد واقعی جدا کند. جدول زیر این پرسش‌ها را کنار هم گذاشته است.
جدول ۵: پنج پرسش پیش از اعتماد به یک ابزار AI پزشکی
| پرسش |
چرا مهم است |
نشانه‌ی هشدار |
| روی چه جمعیتی آزمایش شده؟ |
مدل روی جمعیتی که ندیده، ضعیف‌تر کار می‌کند |
فقط یک مرکز یا یک گروه سنی |
| مجوز نظارتی دارد؟ |
مجوز یعنی حداقلی از اعتبارسنجی انجام شده |
فقط ادعای تبلیغاتی و بدون شماره‌ی مجوز |
| نتیجه‌اش با چه چیزی مقایسه شده؟ |
مقایسه با پزشک متخصص ارزش بیشتری دارد |
مقایسه فقط با داده‌ی خود شرکت |
| خطا چطور مدیریت می‌شود؟ |
هر ابزاری گاهی اشتباه می‌کند |
وعده‌ی «دقت صددرصد» |
| داده‌ی من چه می‌شود؟ |
حریم خصوصی بخشی از ایمنی است |
سیاست مبهم یا نبودن رضایت‌نامه |
اگر جواب بیشتر این پرسش‌ها روشن نبود، احتیاط کنید. شفافیت خود نشانه‌ای از کیفیت است.
AI در پزشکی برای کاربر فارسی‌زبان: فرصت‌ها و فاصله‌ها
بیشتر داده‌ها و مدل‌هایی که درباره‌شان حرف زدیم، در کشورهای انگلیسی‌زبان ساخته و آزمایش شده‌اند. این برای مخاطب فارسی‌زبان چند معنا دارد. اول اینکه مدل‌های زبانی در اصطلاحات پزشکی فارسی ضعیف‌تر از انگلیسی هستند و ممکن است معادل‌ها را اشتباه بگیرند، پس برای متن پزشکی فارسی بازبینی بیشتری لازم است. دوم اینکه الگوریتم‌های تصویری که روی جمعیت‌های دیگر آموزش دیده‌اند، ممکن است روی بیماران محلی همان دقت را نداشته باشند و بهتر است پیش از استفاده‌ی گسترده اعتبارسنجی محلی شوند. سوم اینکه مجوز یک نهاد خارجی مثل FDA به‌تنهایی مجوز استفاده در کشور شما نیست و مقررات هر کشور جداگانه بررسی می‌شود.
از طرف دیگر، فرصت‌ها کم نیستند. آموزش پزشکی و سواد سلامت مردم یکی از جاهایی است که AI در پزشکی بدون نیاز به زیرساخت سنگین می‌تواند کمک کند، مثلاً با توضیح ساده‌ی اصطلاحات یا آماده‌کردن فهرست سوال برای ویزیت. پژوهشگران ایرانی هم می‌توانند از ابزارهای باز و پایگاه‌هایی مثل AlphaFold استفاده کنند که برای همه در دسترس است. و تشخیص هوشمند بیماری در جاهایی که متخصص کم است، مثل مناطق دورتر، اگر با اعتبارسنجی درست همراه شود، می‌تواند صف انتظار را کوتاه‌تر کند. نکته‌ی کلیدی این است که فناوری باید با داده‌ی محلی و نظارت محلی همراه باشد، نه اینکه فقط وارد شود.
آینده‌ی AI در پزشکی: چه چیزهایی را باید دنبال کرد؟
پیش‌بینی دقیق آینده کار سختی است، اما می‌شود چند نشانه را زیر نظر داشت.
نخست، نتایج فاز III رنتوسرتیب. اگر این کارآزمایی موفق شود، اولین داروی طراحی‌شده با هوش مصنوعی مولد می‌تواند وارد مسیر تایید شود و نگاه کل صنعت را عوض کند. اگر شکست بخورد هم درس‌های مهمی درباره‌ی حدود هوش مصنوعی در دارو خواهد داد. هر دو حالت ارزش دنبال کردن دارد.
دوم، مدل‌های بنیادی (Foundation Models) در تصویربرداری. گزارش‌ها از مجوز نظارتی برای ابزارهای مبتنی بر این مدل‌ها خبر می‌دهند. این مدل‌ها به‌جای یک وظیفه‌ی مشخص، می‌توانند چند نوع تصویر و وظیفه را پوشش دهند.
سوم، مقررات. وقتی در چند ایالت آمریکا، از جمله تگزاس، شفاف‌سازی استفاده از AI در تعامل بالینی الزام شده، می‌شود انتظار داشت مقررات در سایر کشورها هم سخت‌تر و دقیق‌تر شود. هر کسی که در این حوزه کار می‌کند باید با این روند پیش برود.
چهارم، همان خودمختاری در جراحی. اما با توجه به نقشه‌ی راه منتشرشده، انتظار منطقی این است که ابتدا وظایف کوچک و مشخص خودکار شوند، نه کل عمل.
پنجم، و شاید مهم‌ترین، اعتماد. فناوری وقتی جا می‌افتد که پزشک و بیمار به آن اعتماد کنند، و اعتماد از شفافیت، اعتبارسنجی مستقل و پاسخگویی می‌آید.
سوالات پرتکرار درباره‌ی کاربرد هوش مصنوعی در پزشکی
۱. کاربرد هوش مصنوعی در پزشکی چیست؟
مهم‌ترین کاربردها سه دسته‌اند: کمک به تشخیص بیماری از روی تصویر، سیگنال و متن، تسریع کشف و توسعه‌ی دارو، و پشتیبانی از جراحی و برنامه‌ریزی درمان. علاوه بر این، مدیریت اداری مثل مستندسازی و زمان‌بندی هم از AI در پزشکی سود می‌برد.
۲. تشخیص هوشمند بیماری چقدر دقیق است؟
دقت تشخیص هوشمند بیماری به نوع بیماری، داده‌ی آموزش و نحوه‌ی استفاده بستگی دارد. در ماموگرافی، کارآزمایی MASAI نشان داد کمک AI حدود ۲۹ درصد سرطان بیشتر پیدا می‌کند بدون افزایش مثبت کاذب. اما در جاهای دیگر، دقت می‌تواند با تغییر بیمارستان یا جمعیت کم شود. بنابراین یک عدد واحد برای همه‌ی موارد وجود ندارد.
۳. آیا هوش مصنوعی جای پزشک را می‌گیرد؟
بر اساس شواهد فعلی، نه. در بهترین کارآزمایی‌ها AI کنار پزشک نتیجه‌ی بهتری داده است. نقش پزشک در تصمیم‌گیری نهایی، ارتباط با بیمار و مسئولیت اخلاقی و حقوقی جایگزین‌پذیر نیست.
۴. آیا داروی کشف‌شده با هوش مصنوعی تایید شده است؟
تا اکتبر ۲۰۲۶ خیر. پیشرفته‌ترین نمونه رنتوسرتیب است که فاز III آن شروع شده و اولین بیمار در سپتامبر ۲۰۲۶ دارو را دریافت کرده است، اما هنوز هیچ نهاد نظارتی آن را تایید نکرده است.
۵. هوش مصنوعی در جراحی تا کجا پیش رفته؟
در بالین، بیشتر در برنامه‌ریزی، هدایت و کمک به جراح استفاده می‌شود. عمل‌های خودکار تا اینجا در پژوهش و روی نمونه‌های آزمایشگاهی یا حیوانی نمایش داده شده‌اند و هنوز برای استفاده‌ی عمومی روی انسان آماده نیستند.
۶. آیا می‌توانم از چت‌بات‌ها برای تشخیص بیماری خودم استفاده کنم؟
برای فهمیدن مفاهیم و آماده‌شدن برای ویزیت مفید است، اما برای تشخیص و تصمیم درمانی نه. مدل‌های زبانی ممکن است با اطمینان اشتباه بگویند. هر نتیجه‌ای را با پزشک چک کنید.
۷. بزرگ‌ترین خطر AI در پزشکی چیست؟
سه خطر برجسته است: سوگیری داده که باعث عملکرد ضعیف‌تر برای بعضی گروه‌هاست، اعتماد بیش از حد به خروجی ماشین، و مبهم‌بودن مسئولیت حقوقی. مطالعه‌ی JAMA Health Forum هم نشان داد بعضی دستگاه‌های مجاز به‌خاطر خطای تشخیصی فراخوان شده‌اند.
۸. از کجا یادگیری هوش مصنوعی را شروع کنم؟
اول مفاهیم پایه (یادگیری ماشین و تفاوتش با یادگیری عمیق)، بعد آشنایی با ابزارهای کاربردی و در نهایت پروژه‌ی کوچک در حوزه‌ی مورد علاقه‌تان. در aiamuz.com این مسیر از معرفی اولیه تا دوره‌های آموزشی تعریف شده است.
نتیجه‌گیری
کاربرد هوش مصنوعی در پزشکی دیگر وعده‌ی آینده نیست. هزارها دستگاه مجاز، یک کارآزمایی تصادفی بزرگ در ماموگرافی، جایزه‌ی نوبل برای پیش‌بینی ساختار پروتئین و اولین کارآزمایی فاز III برای دارویی که با AI طراحی شده، همه نشان می‌دهند این فناوری از مرحله‌ی نمایش گذشته است. تشخیص هوشمند بیماری امروز واقعی‌ترین و بالغ‌ترین شاخه است. داروسازی در آستانه‌ی یک آزمون تعیین‌کننده است و جراحی خودکار هنوز راهی طولانی دارد.
درس مشترک همه‌ی این بخش‌ها ساده است: بهترین نتیجه وقتی می‌آید که AI در پزشکی کنار پزشک کار کند، نه به‌جای او، و وقتی که اعتبارسنجی، شفافیت و نظارت جدی گرفته شود. برای کسانی که می‌خواهند در این مسیر بمانند، چه بیمار، چه دانشجو، چه پزشک و چه علاقه‌مند به فناوری، یادگیری مفاهیم پایه مهم‌ترین سرمایه است.
اگر آماده‌اید این سفر را از جای درست شروع کنید، aiamuz.com ابزارهای تازه‌ی هوش مصنوعی، آموزش‌های مقدماتی و دوره‌های تخصصی را یک‌جا کنار هم گذاشته است. همین حالا وارد سایت شوید و مسیر یادگیری خودتان را انتخاب کنید.