۱. هوش مصنوعی در رادیولوژی: از تأییدیه‌های نظارتی تا ابزار روزمره بخش تصویربرداری

هوش مصنوعی در رادیولوژی دیگر یک ایده آینده‌نگرانه نیست و عملاً به بخشی از جریان کار بالینی تبدیل شده است. در حال حاضر فهرست تجهیزات پزشکی مبتنی بر هوش مصنوعی که موفق به دریافت تأییدیه سازمان غذا و داروی آمریکا شده‌اند از مرز هزار مورد عبور کرده و رادیولوژی بیشترین سهم را در این میان به خود اختصاص داده است. این رشد شتابان دلیل روشنی دارد. بررسی‌های انجام‌شده بر روی بار کاری بخش‌های تصویربرداری نشان می‌دهد که حجم تصاویر در یک شیفت کاری سی‌تی‌اسکن به قدری بالاست که رادیولوژیست به طور میانگین باید در هر سه تا چهار ثانیه یک تصویر را تفسیر کند¹. در چنین شرایطی، هر فناوری که بتواند بار کارهای تکراری را بدون افت کیفیت از دوش پزشک بردارد، ارزش بالینی مستقیم ایجاد می‌کند. بنابراین برای یک تیم توسعه محصول، پرسش اصلی دیگر تعداد تأییدیه‌های صادرشده نیست؛ بلکه این است که کدام ابزارها در محیط واقعی بیمارستان ماندگار می‌شوند و چرا.

ابزارهایی که امروز به بلوغ بالینی رسیده‌اند، عمدتاً در سه گروه جای می‌گیرند. گروه نخست سامانه‌های اولویت‌بندی فهرست کار هستند؛ الگوریتم‌هایی که یافته‌های حادی مانند خونریزی مغزی، انسداد عروق بزرگ یا آمبولی ریه را شناسایی می‌کنند و بیمار بدحال را به ابتدای صف گزارش‌دهی می‌آورند تا زمان رسیدن به تشخیص حیاتی به حداقل برسد. گروه دوم ابزارهای تشخیص و علامت‌گذاری ضایعه را شامل می‌شود؛ از شناسایی ندول‌های ریوی و ضایعات مشکوک ماموگرافی گرفته تا شکستگی‌های ظریف در رادیوگرافی ساده. این مدل‌ها در عمل نقش یک چشم دوم و خستگی‌ناپذیر را ایفا می‌کنند. گروه سوم، اندازه‌گیری‌های خودکار است که مواردی همچون محاسبه حجم ضایعات، نمره کلسیم عروق کرونر و اندازه‌گیری زوایا و فواصل اسکلتی را در بر می‌گیرد. تمرکز اصلی پاتوفایندر دقیقاً بر همین گروه سوم استوار است؛ چرا که اندازه‌گیری‌های دستی، تکراری و وابسته به فرد، دقیقاً همان نقطه‌ای هستند که اتوماسیون بیشترین بازدهی و دقت را به همراه دارد.

قوی‌ترین شواهد بالینی برای اثبات کارایی هوش مصنوعی در جریان کار واقعی، از مطالعات غربالگری سرطان پستان به دست آمده است. کارآزمایی بالینی تصادفی‌شده MASAI در سوئد با بررسی حدود ۸۰ هزار زن نشان داد که استفاده از هوش مصنوعی در کنار رادیولوژیست، بار کاری خوانش تصاویر را نزدیک به ۴۴ درصد کاهش می‌دهد، بدون آنکه نرخ تشخیص سرطان افت کند². تحلیل‌های بعدی روی همین جمعیت حتی از افزایش نرخ تشخیص سرطان در گروه بهره‌مند از هوش مصنوعی حکایت داشت³. پیام کلیدی این مطالعات برای صنعت سلامت دیجیتال آن است که ارزش واقعی یک ابزار باید در جریان طبیعی کار کلینیک و بر مبنای پیامد بالینی سنجیده شود، نه صرفاً بر پایه داده‌های آزمایشگاهی.

طراحی محصولات پاتوفایندر نیز بر همین منطق استوار شده است: توسعه ماژول‌های تخصصی و دقیقی که هر یک وظیفه مشخصی را انجام می‌دهند اما در قالب یک پلتفرم یکپارچه کنار هم قرار می‌گیرند. در این مجموعه، AlignmentFinder راستای اندام تحتانی را در رادیوگرافی‌های تمام‌قد اندازه می‌گیرد، CobbFinder زاویه انحراف ستون فقرات را محاسبه می‌کند و BoneAgeFinder سن استخوانی کودکان را از روی رادیوگرافی دست تخمین می‌زند. در کنار این‌ها، ماژول Stitch تصاویر چندتکه‌ای ستون فقرات و اندام تحتانی را به یک تصویر واحد و پیوسته تبدیل می‌کند تا اندازه‌گیری‌ها بدون گسست انجام شوند. تمامی این موارد، کارهایی هستند که در روال سنتی به صورت دستی انجام می‌شوند، زمان زیادی از پزشک می‌گیرند و همواره با درصدی از اختلاف نظر میان ارزیاب‌ها همراه‌اند؛ یعنی دقیقاً همان جایی که یک سیستم خودکار می‌تواند ارزش‌آفرین باشد.

تجربه پیاده‌سازی‌های بالینی نشان می‌دهد ابزارهایی که در عمل ماندگار می‌شوند، سه ویژگی مشترک دارند:

در ارزیابی علمی این ابزارها نیز باید از معیارهای اولیه‌ای مانند سطح زیر نمودار روی داده آزمون فراتر رفت. دقت آزمایشگاهی تنها نقطه شروع است؛ آنچه برای یک بخش تصویربرداری اهمیت دارد، کاهش زمان گزارش‌دهی، نرخ پذیرش خروجی‌ها توسط رادیولوژیست، تعداد اصلاحات دستی در طول روز و کاهش خطاهای قابل‌پیشگیری است. ما در پاتوفایندر محصولات خود را بر پایه همین شاخص‌های عملیاتی طراحی و ارزیابی می‌کنیم. باور ما این است که هوش مصنوعی در رادیولوژی زمانی بیشترین کارایی را دارد که وظایف مشخص، تکراری و قابل‌کمی‌سازی را بر عهده بگیرد و قضاوت بالینی نهایی را به متخصص بسپارد. ابزاری که بار شناختی پزشک را کم کند و در عین حال کنترل کامل را در اختیار او نگه دارد، ابزاری است که در کلینیک ماندگار خواهد شد.

منابع

1. McDonald RJ, Schwartz KM, Eckel LJ, Diehn FE, Hunt CH, Bartholmai BJ, et al. The effects of changes in utilization and technological advancements of cross-sectional imaging on radiologist workload. Acad Radiol. 2015;22(9):1191-8.
2. Lång K, Josefsson V, Larsson AM, Larsson S, Högberg C, Sartor H, et al. Artificial intelligence-supported screen reading versus standard double reading in the Mammography Screening with Artificial Intelligence trial (MASAI): a clinical safety analysis of a randomised, controlled, non-inferiority, single-blinded, screening accuracy study. Lancet Oncol. 2023;24(8):936-44.
3. Hernström V, Josefsson V, Sartor H, Schmidt D, Larsson AM, Högberg C, et al. Screening performance and characteristics of breast cancer detected in the Mammography Screening with Artificial Intelligence trial (MASAI): a randomised, controlled, non-inferiority, single-blinded, screening accuracy study. Lancet Digit Health. 2025;7(2):e115-e125.