شکاف عمیق میان وعده‌های هوش مصنوعی و واقعیت‌های بالینی در تشخیص سرطان سینه

تصور کنید رادیولوژیستی هستید که با امید به کاهش فشار کاری، ابزاری گران‌قیمت را به سیستم تشخیص خود اضافه کرده است، اما حالا می‌بیند که حجم کارهای تکراری‌اش تغییری نکرده است. این واقعیت تلخ، وضعیت فعلی بسیاری از متخصصان تصویربرداری سینه است که متوجه شده‌اند وعده‌های بازاریابی هوش مصنوعی با نتایج بالینی همخوانی ندارد.

طبق گزارشی که در ۱۲ اوت ۲۰۲۶ در نشریه Clinical Imaging منتشر شد، تنها ۳۵٪ از رادیولوژیست‌ها پس از به‌کارگیری ابزارهای هوش مصنوعی، کاهش نرخ فراخوانی (Recall) — یعنی تعداد دفعاتی که بیمار برای بررسی مجدد به کلینیک فراخوانده می‌شود — را گزارش کرده‌اند؛ در حالی که انتظار داشتند این عدد به ۵۹٪ برسد.

این تضاد در حالی رخ می‌دهد که هوش مصنوعی به‌شدت به‌عنوان جایگزینی برای نیروی کار متخصص تبلیغ می‌شود. در دنیای پزشکی، انتقال از ابزارهای آزمایشی به استفاده روزمره معمولاً با یک «شکاف عملکرد» مواجه می‌شود؛ جایی که نتایج در محیط کنترل‌شده آزمایشگاه، در مواجهه با داده‌های نامنظم و پیچیده بیماران واقعی، فرو می‌پاشد. همان‌طور که در تحلیل‌های قبلی ما درباره امنیت مدل‌های بازمتن اشاره کردیم، تفاوت میان محیط تست و محیط عملیاتی همواره بزرگ‌ترین چالش استقرار فناوری‌های جدید است.

جود الموگاتی (Joud Almogati) از مرکز سلامت UC San Diego Health با بررسی نظرات ۲۱۵ عضو انجمن تصویربرداری سینه (Society of Breast Imaging)، تضادهای تکان‌دهنده‌ای را مستند کرده است:

• بیوپسی‌های غیرضروری: در حالی که ۳۶٪ پزشکان انتظار کاهش نمونه‌برداری‌های بیهوده را داشتند، تنها ۹٪ این اتفاق را تجربه کردند.
• فرسودگی شغلی: تنها ۲۹٪ از پزشکان کاهش خستگی را گزارش کردند، در حالی که ۵۶٪ انتظار داشتند هوش مصنوعی بار کاری آن‌ها را کم کند. این یافته‌ها با پژوهشی گسترده‌تر میان ۶۰۰۰ متخصص همسو است که نشان می‌دهد ترس از افزایش فشار کاری اکنون جایگزین نگرانی از بیکاری شده است.
• میزان پذیرش: حدود نیمی از رادیولوژیست‌های مورد بررسی در حال حاضر از ابزارهای تاییدشده توسط FDA استفاده می‌کنند.

اکنون اکثر پزشکان به هوش مصنوعی زاینده (Generative AI) — شبیه دستیاری که متون و تصاویر را تحلیل می‌کند اما هنوز نیاز به نظارت شدید دارد — نه به‌عنوان یک تصمیم‌گیرنده اصلی، بلکه صرفاً به‌عنوان یک «نظر دوم» نگاه می‌کنند. هزینه‌های بالا و نبود حمایت‌های سازمانی، اصلی‌ترین موانع ادغام عمیق‌تر این فناوری در گردش کار بیمارستان‌هاست. در این راستا، چالش‌های مربوط به پذیرش مقررات به‌عنوان یکی از سدهای اصلی پیش روی استقرار عملیاتی هوش مصنوعی در محیط‌های درمانی شناخته می‌شود.

این شکست نشان می‌دهد که «کمپلکس خدایی» که جنسن هوانگ، مدیرعامل Nvidia، درباره آن صحبت کرده بود — یعنی این باور که هوش مصنوعی به‌سادگی نقش‌های حرفه‌ای را حذف می‌کند — ظرافت‌های قضاوت انسانی را نادیده گرفته است. برای شرکت‌های تک-پزشکی (Health-tech)، این یعنی مدل کسب‌وکار باید از «جایگزینی» به «تقویت» تغییر کند تا اعتماد پزشکان جلب شود.

گام بعدی شما

• اگر در حوزه سلامت فعال هستید، روی ابزارهایی تمرکز کنید که «گلوگاه‌های گردش کار» را حل می‌کنند، نه ابزارهایی که ادعای جایگزینی تشخیص را دارند.
• نتایج بنچمارک‌های شرکتی را با داده‌های واقعی محیط بالینی مقایسه کنید.
• بر روی مدل‌های «همکاری انسان و ماشین» به‌جای اتوماسیون کامل سرمایه‌گذاری کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.