به گزارش خبرنگار مهر؛ رادیولوژی طی سالهای اخیر به یکی از نخستین حوزههایی تبدیل شده که آثار ورود هوش مصنوعی به پزشکی را در مقیاس واقعی تجربه میکند. علت را باید در ماهیت این رشته جستوجو کرد. حجم عظیم دادههای تصویری، استانداردشدن نسبی قالبهای دیجیتال، وجود آرشیوهای بزرگ تصاویر پزشکی و سهم بالای فعالیتهای تکرارشونده در فرایند گزارشنویسی، رادیولوژی را به محیطی مساعد برای توسعه الگوریتمهای یادگیری ماشین تبدیل کرده است. در نتیجه، مسئله اصلی دهه آینده، ورود یا عدم ورود هوش مصنوعی به رادیولوژی نخواهد بود. پرسش تعیینکننده به جایگاه این فناوری در زنجیره تصمیم بالینی مربوط میشود و این که کدام بخش از مشاهده، اولویتبندی، اندازهگیری، تفسیر و گزارشنویسی به ماشین سپرده خواهد شد و مسئولیت نهایی تصمیم در چه نقطهای باقی خواهد ماند.
تأثیر هوش مصنوعی بر این حوزه پزشکی به حدی بالا بوده که جنسن هوانگ، رئیس و مدیر عامل شرکت انویدیا، نیز در اظهار نظری به روایت اثر ظهور هوش مصنوعی بر رادیولوژی پرداخته است. بیش از یک دهه بود که تحول بنیادین رادیولوژی توسط هوش مصنوعی، با توجه به توانمندی فوقالعاده سیستمهای بینایی ماشین در تحلیل تصاویر پزشکی، امری اجتنابناپذیر به نظر میرسید. هوانگ نیز پیشبینی میکرد که حرفه متخصص رادیولوژی به واسطه پیشرفت روزافزون بینایی رایانهای، توان شناسایی تصاویر و تشخیص ناهنجاریها، یکی از نخستین مشاغلی است که در نتیجه توسعه هوش مصنوعی نابود خواهد شد
حتی برخی سرمایهگذاران نیز پیشبینی میکردند که این حرفه ممکن است منسوخ شود. اما در عمل رادیولوژی همچنان یکی از پرتقاضاترین تخصصهای پزشکی است و رادیولوژیستها همچنان در زمره پزشکان با بالاترین میزان درآمد قرار دارند. به عقیده کارشناسان، تفاوت در اینجاست که متخصصان این رشته اکنون خودشان از ابزارهای هوش مصنوعی استفاده میکنند و به شکل فزایندهای در توسعه آنها نیز مشارکت دارند.
همچنین، بر اساس برآوردهای آماری صورت گرفته در دسامبر سال 2025، اندازه بازار جهانی هوش مصنوعی رادیولوژی در سال ۲۰۲۵، ۷۹۴.۱۲ میلیون دلار بوده و پیشبینی میشود که از ۹۸۹.۵۵ میلیون دلار در سال ۲۰۲۶ به رقم ۷۱۶۸.۲۸ میلیون دلار تا سال ۲۰۳۵ افزایش یابد و با نرخ رشد مرکب سالانه ۲۴.۶۱ درصد از سال ۲۰۲۶ تا ۲۰۳۵ توسعه یابد. بازار هوش مصنوعی رادیولوژی، رشد بیسابقهای را تجربه میکند که ناشی از افزایش تقاضا برای تشخیص زودهنگام بیماریهای مزمن است.
بحث درباره آینده هوش مصنوعی در رادیولوژی سالها حول یک پرسش جذاب اما غیردقیق شکل گرفته است. آیا هوش مصنوعی جای رادیولوژیست را خواهد گرفت؟ مقاله تازه یان بگر، امین کورچی و کریستوف آگتن در نشریه «European Journal of Radiology Artificial Intelligence» صورت مسئله را به شکل دقیقتری مطرح میکند. نویسندگان این مقاله با طراحی سه سناریوی مستقل برای شرح شغل رادیولوژیست تشخیصی در سال ۲۰۳۵ نشان میدهند که نقطه اصلی اختلاف، اصل دگرگونی حرفه نیست، بلکه شکل توزیع منافع و هزینههای این دگرگونی محسوب میشود. هر سه سناریو افزایش استقلال هوش مصنوعی در بررسیهای روتین، استمرار مسئولیت بالینی انسان و انتقال بخش بیشتری از وقت رادیولوژیست به پروندههای پیچیده را مفروض میگیرند. اختلاف از جایی آغاز میشود که باید درباره تعداد رادیولوژیستها، امنیت شغلی، دستمزد و جایگاه حرفهای آنها سخن گفت.
این تمایز، ارزش اصلی مقاله مورد بررسی محسوب میشود. آینده رادیولوژی را نمیتوان صرفاً از روی منحنی پیشرفت الگوریتمها پیشبینی کرد. مقررات، نظام بازپرداخت هزینههای درمان، مسئولیت حقوقی، ساختار آموزش تخصصی و تصمیم بیمارستانها درباره نحوه افزایش بهرهوری، همگی در تعیین نتیجه دخالت دارند. بنابراین فناوری مجموعهای از امکانها را میگشاید، اما معماری نهادی نظام سلامت تعیین میکند کدام امکان به ساختار مسلط تبدیل شود.
سناریوی نخست: رادیولوژیست به عامل تشخیص تبدیل میشود
سناریوی خوشبینانه کورچی، هوش مصنوعی را نیروی توسعهدهنده قلمرو حرفهای رادیولوژیست میبیند. الگوریتم سرعت و تشخیص اولیه را بر عهده میگیرد و پزشک به سمت تحلیل نشانگرهای زیستی جدید، اطلاعات کمی، دادههای بیماری، مدیریت تشخیص و ارتباط مستقیمتر با بیمار و سایر پزشکان حرکت میکند. در این الگو، رادیولوژیست سال ۲۰۳۵ بیش از آن که تفسیرگر تصویر باشد، هماهنگکننده فرایند تشخیص محسوب میشود. فرض تعیینکننده این سناریو آن است که رشد تقاضا برای تصویربرداری و خدمات تشخیصی جدید از افزایش بهرهوری هر رادیولوژیست سریعتر خواهد بود. در چنین وضعی، هوش مصنوعی ظرفیت حرفه را افزایش میدهد و کاهش نیروی انسانی ضرورت پیدا نمیکند.
پیامد این تحول، تغییر در منبع ارزش حرفهای است. مهارتی که امروز عمدتاً بر توانایی مشاهده و تفسیر تصویر استوار است، به مجموعهای گستردهتر از تواناییهای تشخیصی، مدیریتی و ارتباطی تبدیل میشود. بر همین اساس، پزشک باید خروجی سامانههای هوشمند را بفهمد، بر عملکرد آنها نظارت کند و در برابر تصمیم نهایی پاسخگو باشد.
سناریوی دوم: شغل بهتر، برای جمعیتی کمتر
بگر فرض افزایش توان بالینی را میپذیرد، اما منطق اقتصادی متفاوتی بر آن حاکم میکند. افزایش تعداد مطالعاتی که هر رادیولوژیست میتواند مدیریت کند، نیاز یک بخش درمانی به نیروی انسانی را کاهش میدهد. پروندههای ساده پیش از رسیدن به میز پزشک توسط هوش مصنوعی پردازش میشوند و سهم بیشتری از آن چه برای انسان باقی میماند، موارد مبهم، نادر یا پرخطر خواهد بود. نتیجه، حرفهای با محتوای تخصصیتر و مسئولیت سنگینتر است که تعداد کمتری از پزشکان آن را انجام میدهند.
شواهد تجربی موجود به این نگرانی وزن قابل توجهی میدهند. به عنوان نمونه، مطالعه اخیر صورت گرفته درباره غربالگری سرطان سینه نشان داده است که خوانش مبتنی بر هوش مصنوعی میتواند عملکرد تشخیصی همسطح خوانش دوگانه متعارف ایجاد کند و همزمان بار خوانش انسانی را ۴۴ درصد کاهش دهد. یک مطالعه مستقل بریتانیایی نیز کاهش ۴۶ درصدی خوانش انسانی را با عملکرد تشخیصی معادل گزارش کرده است. نکته تعیینکننده آن است که در هر دو مطالعه، رادیولوژیست انسانی همچنان در زنجیره مسئولیت حضور دارد. بنابراین شواهد فعلی بیش از حذف کامل انسان، کاهش میزان کار انسانی مورد نیاز برای تولید هر واحد خدمت تشخیصی را پشتیبانی میکنند.
سناریوی سوم: یک حرفه در سه سطح
آگتن پیامد اقتصادی اتوماسیون را یک مرحله جلوتر میبرد و آیندهای طبقاتی را برای حرفه رادیولوژی ترسیم میکند. در رأس ساختار، گروه کوچکی از فوقتخصصهای پردرآمد قرار میگیرند که پروندههای پیچیده را بررسی و بر زنجیره هوش مصنوعی نظارت میکنند. گروه دوم پزشکانی هستند که فعالیتهای مداخلهای و فیزیکی مانند سونوگرافی یا هدایت ابزار تصویربرداری را انجام میدهند. لایه سوم از نیروی انسانی دورکار تشکیل میشود که حجم بزرگی از خروجیهای هوش مصنوعی را ممیزی و تأیید میکند و ارزش اقتصادی کار آن به مراتب پایینتر است.
در نهایت، هر سه سناریو بر افزایش استقلال الگوریتم در کارهای روتین توافق دارند، اما در سناریوی کورچی اختیار بالینی پزشک بهطور کامل حفظ میشود، در مدل بگر مسئولیت نهایی همچنان بر عهده رادیولوژیست است و در مدل آگتن اختیار کامل عمدتاً در لایه نخست حرفه متمرکز میشود. به همین ترتیب، بار حکمرانی هوش مصنوعی در دو سناریوی نخست بخش مهمی از شغل پزشک است، در حالی که در مدل سوم همین اختیار نیز میان طبقات حرفهای بهشدت نامتقارن توزیع میشود.
پزشک چگونه پزشک شدن را یاد خواهد گرفت؟
یکی از عمیقترین مسائل مقاله به آموزش مربوط میشود. تخصص رادیولوژی تا حد زیادی از مشاهده انباشته هزاران مطالعه و مواجهه مکرر با موارد عادی و غیرعادی ساخته میشود. هنگامی که الگوریتم بخش عمده مطالعات روتین را پیشاپیش مدیریت کند، مسیر شکلگیری قضاوت بالینی نیز تغییر میکند.
ادبیات مورد استناد مقاله سه خطر متمایز، شامل شکل نگرفتن مهارتهای بنیادی از ابتدا، فرسایش مهارتهای کسبشده و شکلگیری مهارت بر پایه خروجی معیوب هوش مصنوعی را مطرح میکند. بنابراین، مسئله از آموزش کار با یک نرمافزار فراتر میرود. در شرایطی که هوش مصنوعی خود بخش مهمی از تجربه آموزشی را از بین میبرد، برنامههای تخصصی باید پاسخ دهند که پزشک آینده چگونه باید توانایی مستقل تشخیص خطای این فناوری را کسب کند.
هوش مصنوعی عاملمحور، نقطه جهش بعدی
به باوئر بسیاری از کارشناسان، عامل دیگری میتواند هر سه سناریوی مورد بررسی در مقاله را عمیقتر کند. سامانههای عاملمحور قادر هستند زنجیرهای از وظایف شامل انتخاب پروتکل، بازیابی سوابق، تحلیل تصاویر، تهیه گزارش ساختاریافته، ارتباط و پیگیری را هماهنگ کنند. همین قابلیت دو مسیر کاملاً متفاوت ایجاد میکند. رادیولوژیست میتواند مدیر یک زنجیره تشخیصی هوشمند شود یا نقش او به تأیید خروجی زنجیرهای تقلیل یابد که تقریباً تمام مراحل را مستقلاً انجام داده است. در این نقطه، مقاله بهدرستی نتیجه را تابع تصمیمات اقتصادی و نهادی نظام سلامت میداند.
دوقلوهای دیجیتال نیز همین دوگانگی را تشدید میکنند. ترکیب تصویربرداری با دادههای چندوجهی میتواند رادیولوژیست را وارد مدلسازی طولی بیماری، پیشبینی خطر و شبیهسازی درمان کند. همزمان، مهارتهای لازم برای ساخت و اعتبارسنجی چنین مدلهایی ممکن است این فعالیت را در اختیار گروه کوچکتری از متخصصان بسیار پیشرفته قرار دهد. فناوری واحد در اینجا میتواند هم توسعه قلمرو حرفهای و هم تمرکز آن را رقم بزند.
نتیجهگیری: آینده رادیولوژی را الگوریتم به تنهایی تعیین نمیکند
مهمترین نتیجه مقاله در فاصله میان قابلیت فنی و آمادگی بالینی قرار دارد. بر همین اساس، عملکرد مطلوب یک مدل در آزمون معیار، هنوز به معنای قابلیت استقرار گسترده آن در بیمارستان نیست. اعتبارسنجی در محیط واقعی، نظام توزیع، مسئولیت حقوقی، پایش مستمر عملکرد و سازوکارهای حکمرانی تعیین میکنند چه میزان از ظرفیت فنی هوش مصنوعی به کنشهای بالینی تبدیل شود.
از این منظر، پرسش تعیینکننده سال ۲۰۳۵ تعداد تصاویر پزشکی قابل خواندن توسط هوش مصنوعی نیست. مسئله اصلی آن است که بهرهوری آزادشده چگونه توزیع خواهد شد. نظام سلامت میتواند این توان را به افزایش ظرفیت تشخیصی و توسعه نقش پزشک تبدیل کند، از آن برای کاهش نیاز به نیروی انسانی بهره گیرد یا حرفه را به طبقات متفاوتی از متخصص، مداخلهگر و ممیز الگوریتمی تقسیم نماید. در نهایت، مقاله بگر، کورچی و آگتن دقیقاً در همین نقطه از یک بحث فناورانه عبور میکند و به مسئلهای درباره اقتصاد سیاسی اتوماسیون پزشکی میرسد.