ایجنتهای AI برای پیشگیری از دوپینگ ناخواسته توسعه پیدا میکنند
معاون تحقیقات دانشگاه علوم پزشکی تهران با بیان اینکه هوش مصنوعی در حال تغییر مدل تحقیقات و ارائه خدمات پزشکی است، گفت: در کنار توسعه دادههای بومی و پزشکی شخصیسازیشده، ایجاد «فارم GPU»، تدوین سازوکار ارزیابی و مجوزدهی هوشافزارهای پزشکی و اجرای ۴۶ طرح کاربردی، بخشی از برنامههای این دانشگاه برای ورود به فناوریهای نوین پزشکی است.
به گزارش 24 آنلاین، دانشگاههای نسل سوم در مسیر تحول از دانشگاههای آموزشمحور و پژوهشمحور به سمت دانشگاههایی شکل گرفتهاند که علاوه بر تولید علم، حل مسائل جامعه، پاسخگویی به نیازهای کشور و تبدیل دستاوردهای علمی به محصول، خدمت و فناوری را دنبال میکنند. در این الگو، دانشگاه صرفاً محل تولید مقاله و دانش نیست، بلکه باید بتواند ظرفیتهای علمی و پژوهشی خود را در مواجهه با مسائل واقعی کشور به کار گیرد و از دل پژوهش، راهکارهای کاربردی و قابل استفاده ارائه دهد.
دانشگاه علوم پزشکی تهران از جمله دانشگاههایی است که تجربه حرکت از پژوهش به سمت پاسخگویی به نیازهای واقعی کشور را از سالها پیش دنبال کرده است؛ تجربهای که به گفته دکتر رامین کردی، معاون تحقیقاتوفناوری این دانشگاه، ریشههای آن را میتوان در دوران دفاع مقدس و تلاش پژوهشگران برای مقابله با پیامدهای حملات شیمیایی و تأمین نیازهای درمانی کشور جستوجو کرد. این تجربه بعدها در مسیر توسعه و تولید داروهای مورد نیاز کشور ادامه یافت و به یکی از نمونههای پیوند میان پژوهش، نیاز جامعه و تولید محصول تبدیل شد.
کردی در بخش اول این مصاحبه با اشاره به تجربه دانشگاه علوم پزشکی تهران در پاسخ به نیازهای کشور در دوران دفاع مقدس، گفت: در دوران جنگ تحمیلی، یکی از مشکلات این بود که رژیم بعث استفاده از گازهای شیمیایی را اساساً کتمان میکرد. از سوی دیگر، ما داروهای پادزهر و درمانی لازم برای مقابله با عوارض این مواد را در اختیار نداشتیم.
وی افزود: این گروه ابتدا گازهای شیمیایی مورد استفاده را مورد تجزیه و تحلیل قرار دادند و مشخص کردند که چه موادی مورد استفاده قرار گرفته است و نتایج را گزارش کردند. در مرحله بعد نیز تولید برخی داروها برای درمان افرادی که در معرض این مواد قرار گرفته بودند، آغاز شد و این داروها در جبههها مورد استفاده قرار گرفت.
کردی با اشاره به تأیید استفاده از سلاحهای شیمیایی در دوران جنگ تحمیلی، گفت: در همان دوره، یک پروفسور خارجی که از متخصصان مطرح حوزه سمشناسی در دنیا بود، پس از بررسی مقالات و شواهد موجود اعلام کرد که یافتههای پژوهشگران ایرانی درست است و اساساً از سلاح شیمیایی استفاده شده است.
وی افزود: از شناسایی و اثبات استفاده از سلاحهای شیمیایی گرفته تا طراحی و تولید داروهای مورد نیاز برای درمان عوارض ناشی از آنها، همه این اقدامات در داخل کشور توسعه پیدا کرد و داروهای تولیدشده نیز مورد استفاده قرار گرفتند.
معاون تحقیقاتوفناوری دانشگاه علوم پزشکی تهران ادامه داد: پس از آن، این رویکرد به حوزه تولید سایر داروهای مورد نیاز کشور تسری پیدا کرد و این سؤال مطرح شد که وقتی برخی داروها را نمیتوانیم در داخل تولید کنیم، چرا فرآیند ساخت آنها را آغاز نکنیم. این روند بهتدریج دنبال شد و به یک تجربه مستمر در زمینه توسعه و تولید دارو تبدیل شد.
بخش دوم این مصاحبه تقدیم میشود:
کمبود اعتبارات چالش مهم توسعه تحقیق و توسعه
دکتر رامین کردی در گفتوگو با ایسنا با اشاره به پایین بودن هزینه انجام پژوهشهای علمی در داخل کشور نسبت به بسیاری از کشورها، گفت: هزینه انجام برخی مطالعات تحقیقاتی در کشور بسیار کمتر از هزینه واقعی و متعارف آن است؛ برای مثال، ممکن است یک کارآزمایی بالینی (RCT) با هزینهای حدود ۲۰۰، ۳۰۰ یا ۵۰۰ میلیون تومان انجام شود، در حالی که هزینه انجام همین کار در کشورهای دیگر میتواند تا ۱۰ یا حتی ۲۰ برابر بیشتر باشد.
وی افزود: به همین دلیل، بخش قابل توجهی از کارهای تحقیقاتی که تاکنون در کشور انجام دادهایم، با هزینههای بسیار پایین انجام شده است، اما اگر بخواهیم در آینده مسیر پژوهش را ادامه و توسعه دهیم، دیگر نمیتوان با همین زیرساختها و منابع محدود پیش رفت و نیازمند سرمایهگذاری جدی هستیم.
معاون تحقیقات دانشگاه علوم پزشکی تهران با اشاره به جایگاه برخی دانشکدههای این دانشگاه در حوزه پژوهش، اظهار کرد: بر اساس رتبهبندی وزارت بهداشت، دانشکده بهداشت دانشگاه علوم پزشکی تهران از نظر تحقیقات در جایگاه نخست قرار دارد و دانشکده داروسازی نیز در جایگاه دوم قرار گرفته است، اما مشکل اصلی هر دوی این مجموعهها در شرایط فعلی، زیرساختهای پژوهشی است.
کردی با بیان اینکه تجهیزات پژوهشی ما عمدتا مربوط به ۱۰ تا ۲۰ سال قبل است و بسیاری از آنها فرسوده شدهاند، خاطر نشان کرد: از سوی دیگر، هزینههای جاری نیز به شکل قابل توجهی افزایش یافته است و نمیتوان با همان منابع گذشته تجهیزات و ملزومات مورد نیاز آزمایشگاهها را تامین کرد.
وی با تاکید بر ضرورت تامین هزینههای پژوهش با تاکید بر اینکه اگر کشور میخواهد در حوزه پژوهش پیشرفت کند، باید هزینه آن را بپردازد، اضافه کرد: ما تاکنون بخش زیادی از رشد و توسعه علمی خود را با هزینهای بسیار کمتر از هزینه متعارف در دنیا پیش بردهایم؛ در برخی موارد حتی با یکدهم تا یکصدم هزینهای که معمولا برای انجام چنین فعالیتهایی صرف میشود، کارهای پژوهشی انجام شده است، اما واقعیت این است که هر فعالیت علمی و پژوهشی هزینه دارد.
معاون تحقیقات دانشگاه علوم پزشکی تهران با اشاره به سهم هزینهکرد کشورها از تولید ناخالص داخلی برای تحقیق و توسعه، اظهار کرد: یک شاخص مهم برای ارزیابی میزان توجه کشورها به پژوهش، میزان هزینهای است که از تولید ناخالص داخلی خود برای تحقیق و توسعه اختصاص میدهند. متوسط جهانی این شاخص حدود یک درصد است، اما ما در برنامههای توسعه قبلی همواره هدفگذاری کردیم که به این رقم برسیم و هیچگاه به آن دست پیدا نکردهایم، در حالی که برخی کشورها سهم بسیار بیشتری از تولید ناخالص داخلی خود را به تحقیق و توسعه اختصاص میدهند؛ برای مثال، در برخی کشورها این سهم به چند درصد میرسد و در کشورهایی که رشد علمی و صنعتی قابل توجهی داشتهاند، سرمایهگذاری در تحقیق و توسعه بسیار جدی گرفته شده است.
یک شاخص مهم برای ارزیابی میزان توجه کشورها به پژوهش، میزان هزینهای است که از تولید ناخالص داخلی خود برای تحقیق و توسعه اختصاص میدهند. متوسط جهانی این شاخص حدود یک درصد است.
اولویتهای تحقیقاتی زیر سایه جنگ
کردی با اشاره به تجربه کره جنوبی، گفت: وقتی میبینیم کره جنوبی در حوزه علمی و فناوری رشد کرده و محصولات آن در زندگی روزمره مردم کشورهای مختلف، از جمله ایران، دیده میشود، یکی از دلایل آن این است که این کشور سهم قابل توجهی از تولید ناخالص داخلی خود را به تحقیق و توسعه اختصاص داده است. اگر برای تحقیق و توسعه هزینه نکنیم، نمیتوان انتظار داشت که علم و فناوری و در نهایت اقتصاد و تولید کشور رشد کند.
اگر برای تحقیق و توسعه هزینه نکنیم، نمیتوان انتظار داشت که علم و فناوری و در نهایت اقتصاد و تولید کشور رشد کند.
وی با اشاره به کاهش سهم هزینهکرد ایران در حوزه تحقیق و توسعه، سهم تحقیق و توسعه از GDP را ۳ دهم درصد ذکر کرد و گفت: پیش از این، این سهم حدود نیم درصد بود و این رقم به تدریج کاهش پیدا کرده است.
معاون تحقیقات دانشگاه علوم پزشکی تهران با اشاره به شرایط ناشی از جنگ و تأثیر آن بر فعالیتهای پژوهشی، اظهار کرد: البته شرایط فعلی و جنگ را نیز باید در نظر گرفت. در این شرایط، بسیاری از استادان و پژوهشگران به سمت انجام کارهای تحقیقاتی سریع و کاربردی رفتند که بتواند در کوتاهمدت به حل مشکلات و کمک به کشور منجر شود.
وی افزود: در این مدت، بخشی از ظرفیت دانشگاهها و استادان درگیر موضوعاتی مانند تأمین و توسعه تجهیزات مورد نیاز، اکسیژنسازها و سایر مسائل مرتبط با شرایط جنگی شد و بسیاری از ما نیز برای کمک به بیمارستانها درگیر فعالیتهای اجرایی و درمانی شدیم.
کردی ادامه داد: در شرایط فعلی، طبیعتا وظیفه ما درمان و کمک به بیماران و بیمارستانها است، اما اگر بخواهیم موضوع را در بلندمدت نگاه کنیم، همین عدد مربوط به سهم تحقیق و توسعه، به خودی خود گویای وضعیت کشور است. اگر به این عدد نگاه کنیم، میتوانیم تا حد زیادی متوجه شویم که کشور از نظر رشد علمی و توسعه در چه جایگاهی قرار دارد.
سند بالادستی حوزه سلامت
وی با اشاره به اسناد بالادستی حوزه سلامت گفت: برای توسعه علمی کشور، برنامههای خوبی نیز تدوین شده است. برای مثال، در حوزه سلامت، سندی در حدود سال ۱۳۸۹ تدوین شد که قرار بود مشخص کند نظام علمی و پژوهشی سلامت کشور باید به چه جایگاهی برسد و چه مسیری را طی کند. این سند نیز سال گذشته به پایان رسید و اکنون باید بررسی کنیم که تا چه اندازه به اهداف تعیینشده در آن دست یافتهایم.
معاون تحقیقات دانشگاه علوم پزشکی تهران، با اشاره به اهداف پیشبینیشده در اسناد بالا دستی حوزه سلامت، گفت: در این اسناد، اعداد و اهداف مشخصی برای توسعه زیرساختهای پژوهشی و نوآوری در کشور تعیین شده بود و به نظر من، سند بسیار خوبی بود؛ چرا که به دنبال ایجاد و راهاندازی یک محیط مناسب برای نوآوری در کشور و طراحی مدلهای حمایتی از آن بود.
وی افزود: برای نمونه، در این سند پیشبینی شده بود که تعداد مراکز تحقیقات علوم پزشکی کشور به ۷۰۰ مرکز برسد، اما اکنون تعداد این مراکز به حدود ۸۶۰ مرکز رسیده است. بنابراین امروز یکی از مباحث مطرح این است که تعداد مراکز تحقیقات زیاد شده و باید از تعداد آنها کاسته شود، در حالی که به نظر من مسئله اصلی، تعداد مراکز نیست، بلکه میزان پشتیبانی از آنهاست.
معاون تحقیقات دانشگاه علوم پزشکی تهران ادامه داد: در همان سند پیشبینی شده بود که حدود ۲۰ هزار نیروی انسانی در سیستمهای تحقیق و توسعه (R&D) فعالیت کنند که یکسوم آنها باید اعضای هیأت علمی باشند. همچنین برای هر مرکز تحقیقاتی به طور متوسط حداقل ۱۰ عضو هیأت علمی پیشبینی شده بود. اگر به متن سند مراجعه کنیم، این اعداد به صراحت در آن آمده است.
وی با بیان اینکه بسیاری از مراکز تحقیقاتی کشور از این نظر با کمبود نیروی انسانی مواجه هستند، اظهار کرد: تصور نمیکنم بیش از یکی دو مرکز تحقیقاتی داشته باشیم که بتوانند به این عدد ۱۰ عضو هیأت علمی برسند. ما حدود ۳۰ تا ۴۰ مرکز تحقیقاتی داریم که اساساً حتی یک عضو هیأت علمی تمام وقت نیز ندارند.
پیامدهای کمبود نیروی انسانی
کردی با تشریح پیامدهای این کمبود نیروی انسانی گفت: یک پزشک متخصص که در بیمارستان فعالیت میکند، قطعا باید در کنار فعالیت درمانی خود کار پژوهشی نیز انجام دهد، اما برای مثال، یک متخصص قلب کودکان صبح به مرکز طبی میآید و باید تعداد زیادی بیمار را ویزیت کند، سپس درگیر اکو و سایر فعالیتهای درمانی میشود و شاید در نهایت دو ساعت از بعدازظهر فرصت پیدا کند تا به فعالیت پژوهشی بپردازد. با چنین شرایطی نمیتوان انتظار داشت که توسعه علمی به شکل مطلوب اتفاق بیفتد.
وی افزود: برای پیشبرد جدی فعالیتهای پژوهشی، باید در کنار چنین فردی، چند نیروی پژوهشی دیگر نیز حضور داشته باشند تا بتوانند بخش عمده فعالیتهای تحقیقاتی را انجام دهند. علاوه بر نیروی انسانی، تأمین هزینه نیز ضروری است؛ چرا که پژوهش بدون نیروی انسانی و منابع مالی کافی پیش نمیرود.
معاون تحقیقات دانشگاه علوم پزشکی تهران با اشاره به اینکه بخشی از اهداف کمی سندهای پژوهشی محقق شده است، اضافه کرد: اگر به این سند نگاه کنیم، برخی اهداف کمی آن، از جمله افزایش تعداد مقالات، محقق شده است، اما در بخش کیفیت پژوهش و ایجاد زیرساختهای لازم، این اتفاق به همان میزان رخ نداده است. در واقع، زیرساخت و پشتیبانی پژوهش و در نتیجه کیفیت کار پژوهشی کاهش پیدا کرده است. برای مثال، در سند ممکن است برای هر عضو هیات علمی انتشار یک مقاله پیشبینی شده باشد، اما امروز متوسط تولید مقاله در دانشگاه علوم پزشکی تهران حدود سه و نیم مقاله به ازای هر عضو هیات علمی است.
کردی خاطرنشان کرد: این میزان تولید مقاله نشان میدهد اعضای هیات علمی برای انجام فعالیتهای پژوهشی وقت زیادی صرف میکنند و حتی از تعطیلات و زمان استراحت خود نیز برای انجام این کار استفاده میکنند، اما اگر قرار است مسیر پژوهش به شکل درست ادامه پیدا کند، باید زیرساختها و پشتیبانیهای لازم نیز فراهم شود.
وی با تاکید بر ضرورت پیوند توسعه علمی و توسعه اقتصادی، اظهار کرد: اگر قرار است کشور در مسیر توسعه حرکت کند، باید به تجربه کشورهایی که توانستهاند رشد اقتصادی و علمی ایجاد کنند، توجه کنیم. برای مثال، در کشورهایی مانند چین، پس از دستیابی به رشد اقتصادی، سرمایهگذاری و توجه جدی به دانشگاهها و پژوهش نیز دنبال شد. نتیجه این سرمایهگذاری را امروز میتوان در حوزههایی مانند هوش مصنوعی و رباتیک مشاهده کرد. شرکتها نیز در این فرآیند وارد میشوند و از دستاوردهای دانشگاهها و مراکز پژوهشی استفاده میکنند؛ بنابراین اگر بخواهیم چنین مسیری را طی کنیم، باید سرمایهگذاری در پژوهش و توسعه را جدی بگیریم.
کردی درباره میزان بودجه مورد نیاز پژوهش گفت: اگر بخواهیم در سطح کلان درباره بودجه پژوهش صحبت کنیم، برای اینکه به وضعیت مناسبی برسیم، باید سهم هزینهکرد تحقیق و توسعه از تولید ناخالص داخلی به حدود دو تا سه درصد و اعداد مشابه برسد تا بتوان انتظار داشت این حوزه به شکل مطلوب پیش برود.
باید سهم هزینهکرد تحقیق و توسعه از تولید ناخالص داخلی به حدود دو تا سه درصد و اعداد مشابه برسد تا بتوان انتظار داشت این حوزه به شکل مطلوب پیش برود.
کردی با اشاره به مشکلات فعلی مراکز تحقیقاتی کشور گفت: در حال حاضر، مهمترین مشکلات مراکز تحقیقاتی، نیروی انسانی و تجهیزات است. البته دانشگاه علوم پزشکی تهران با توجه به همین نیروی انسانی، تجهیزات و مجموعهای که در اختیار دارد، تا حدی توانسته است بودجه جاری پژوهش را تأمین کند و با وجود این شرایط، جایگاه دانشگاه در رتبهبندیهای مختلف به طور مستمر ارتقا پیدا کرده است.
در حال حاضر، مهمترین مشکلات مراکز تحقیقاتی، نیروی انسانی و تجهیزات است.
وی افزود: با این حال، ظرفیت رشد با منابع فعلی محدود است و نمیتوان انتظار داشت صرفا با اتکا به همین امکانات، مسیر توسعه علمی را تا هر سطحی ادامه دهیم. برای رشد بیشتر، نیاز به سرمایهگذاری جدیتر داریم.
معاون تحقیقات دانشگاه علوم پزشکی تهران با اشاره به تجربه کشورهایی مانند ترکیه گفت: برای نمونه، ترکیه سهم قابل توجهی از منابع خود را به پژوهش و توسعه اختصاص داده و شرایطی را فراهم کرده است که رشد علمی اتفاق بیفتد. با افزایش منابع و فراهم کردن زیرساختها، میتوان بخش قابل توجهی از مشکلات را پوشش داد، اما این حمایت نیز تا یک حد مشخص پاسخگو خواهد بود.
کردی در ادامه با اشاره به تجربه خود از فعالیتهای پژوهشی در استرالیا اظهار کرد: من زمانی به استرالیا رفته بودم و در حوزه کمردرد و پژوهشهای مرتبط با ستون فقرات فعالیت میکردم. در آنجا با فردی مواجه شدم که در حوزه پژوهش کمردرد فعالیت میکرد و در رتبهبندی پژوهشی دانشگاه خود، در جایگاه بسیار بالایی قرار داشت. مقالات و فعالیت پژوهشی ما در این حوزه بسیار قوی بود، اما همان پژوهشگر که جوانی حدود ۳۲ یا ۳۳ ساله بود، طی حدود دو سال گذشته حدود ۲.۵ میلیون دلار فاند پژوهشی دریافت کرده بود. این رقم را اگر با منابعی که در دانشگاه علوم پزشکی تهران در اختیار داریم مقایسه کنیم، تفاوت بسیار بزرگی را نشان میدهد.
معاون تحقیقات دانشگاه علوم پزشکی تهران خاطرنشان کرد: وقتی یک پژوهشگر جوان به تنهایی میتواند طی حدود دو سال ۲.۵ میلیون دلار اعتبار پژوهشی دریافت کند، در حالی که کل دانشگاه علوم پزشکی تهران با حدود ۳ هزار عضو هیأت علمی با منابع بسیار محدودتری فعالیت میکند، این اعداد بهخوبی نشان میدهند که فاصله موجود در سرمایهگذاری پژوهشی چقدر جدی است.
معاون تحقیقات دانشگاه علوم پزشکی تهران، با بیان اینکه مشکل اصلی توسعه پژوهش در کشور صرفاً کمبود منابع مالی نیست، گفت: به نظر من مشکل اصلی ما پول نیست؛ اگر در حوزههای مختلف مدیریت خوبی داشته باشیم، حتی با منابع مالی محدود نیز میتوان بسیار بهتر از وضعیت فعلی پیش رفت. البته در حوزه پژوهش به منابع مالی نیاز داریم، اما مسئله اساسیتر، نحوه مدیریت و استفاده درست از منابع موجود است.
اگر در حوزههای مختلف مدیریت خوبی داشته باشیم، حتی با منابع مالی محدود نیز میتوان بسیار بهتر از وضعیت فعلی پیش رفت.
ورود هوش مصنوعی در تحقیقات پزشکی
وی درباره استفاده از هوش مصنوعی در تحقیقات پزشکی و میزان دسترسی پژوهشگران به زیرساختهای پردازشی، گفت: از سال گذشته تقریبا در قالب یک شبکه، در بسیاری از بیمارستانهای ما گروههایی برای فعالیت در حوزه هوش مصنوعی شکل گرفته و در دانشکدهها نیز کار در این زمینه آغاز شده است. ما نیز فعالیت در حوزه هوش مصنوعی را شروع کردهایم، زیرا به نظر میرسد آینده پزشکی تا حد زیادی به هوش مصنوعی وابسته است و این فناوری تغییرات اساسی در پزشکی ایجاد خواهد کرد.
آینده پزشکی تا حد زیادی به هوش مصنوعی وابسته است و این فناوری تغییرات اساسی در پزشکی ایجاد خواهد کرد.
کردی با اشاره به الزامات توسعه هوش مصنوعی در حوزه پزشکی، اظهار کرد: اگر بخواهیم در این زمینه پیش برویم، چند مولفه اساسی را باید در اختیار داشته باشیم که یکی از مهمترین آنها اطلاعات و داده است. ما در کشور دادههای زیادی داریم، اما مساله این است که دادههای درمانی ما با نگاه درمانی جمعآوری میشوند.
معاون تحقیقات دانشگاه علوم پزشکی تهران توضیح داد: وقتی یک درمانگر اطلاعاتی را ثبت میکند، معمولا با حداقل اطلاعات مورد نیاز خود نگاه میکند؛ یعنی اطلاعاتی را ثبت میکند که بتواند در مراجعه بعدی بیمار، وضعیت او را متوجه شود و درمان را ادامه دهد. همچنین سیستمهای بیمارستانی نیز بخش قابل توجهی از اطلاعات را با هدف انجام امور اداری، مالی و بیمهای ثبت میکنند. اما زمانی که بخواهیم از دادهها برای هوش مصنوعی استفاده کنیم، به حجم بسیار بیشتری از اطلاعات نیاز داریم. در دانشگاههای پیشرفته دنیا نیز پژوهشگران تلاش میکنند اطلاعات بسیار گستردهای را جمعآوری کنند؛ به گونهای که حتی جزئیاتی مانند رنگ لباس بیمار نیز ممکن است در مجموعه دادههای آنها ثبت شود.
کردی با بیان اینکه تجمیع دادههای گسترده میتواند به شناسایی الگوهای پنهان کمک کند، گفت: زمانی که حجم بسیار زیادی از اطلاعات را در اختیار داشته باشیم و آنها را با روشهای هوش مصنوعی تحلیل کنیم، حتی ممکن است مشخص شود یک ویژگی ظاهراً ساده مانند انتخاب رنگ لباس، با عوامل دیگری از جمله ویژگیهای ژنتیکی، نوع نگاه، سبک زندگی یا سایر ویژگیهای فرد ارتباط داشته باشد و این اطلاعات در نهایت بتواند بر تشخیص، درمان و پیشبینی وضعیت آینده بیمار اثرگذار باشد.
وی افزود: بنابراین باید اطلاعات موجود را هم از نظر حجم و هم از نظر مدل جمعآوری کرده و توسعه دهیم. یکی از کارهایی که اکنون در حال آغاز آن هستیم، افزایش و بهبود دادهها و همچنین اصلاح روشهای جمعآوری اطلاعات است تا دادههایی را که در اختیار داریم، قابلیت استفاده در سامانههای هوش مصنوعی و تحقیقات مبتنی بر این فناوری را داشته باشند.
معاون تحقیقات دانشگاه علوم پزشکی تهران با تاکید بر اهمیت کیفیت دادهها در توسعه هوش مصنوعی، گفت: توسعه هر یک از ابزارهای هوش مصنوعی به اطلاعات و دادههای مناسب و دقیق نیاز دارد و این یکی از پروژههایی است که باید در کشور دنبال شود و ما نیز کار خود را در این زمینه آغاز کردهایم.
تکمیل مرکز ملی پزشکی شخصیسازیشده
وی یکی دیگر از الزامات توسعه هوش مصنوعی در پزشکی را دسترسی به دادههای عمیقتر عنوان کرد و یادآور شد: علاوه بر اطلاعات معمول درمانی، باید به سمت جمعآوری اطلاعات عمیقتر برویم؛ یکی از مهمترین این اطلاعات، دادههای ژنتیکی، سلولی و مولکولی است که در حال حاضر نقش مهمی در تغییر مسیر پزشکی ایفا میکنند. در همین راستا، مرکز ملی پزشکی شخصی سازیشده در پژوهشگاه غدد در حال تکمیل است و تقریباً مراحل آن به پایان رسیده و به افتتاح نزدیک شده است. چندین سال است که روی شکلگیری این مرکز کار میشود و هدف آن نیز فراهم کردن زیرساختهای لازم برای حرکت به سمت پزشکی شخصیسازیشده است.
وی با اشاره به کاربرد اطلاعات ژنتیکی در درمان بیماریها اظهار کرد: امروز در حوزه داروهای نوین سرطان، پیش از تجویز برخی داروها، آزمایشهایی انجام میشود تا مشخص شود آیا داروی مورد نظر برای بیمار مؤثر خواهد بود یا اینکه کدام دارو میتواند پاسخ بهتری ایجاد کند.
معاون تحقیقات دانشگاه علوم پزشکی تهران افزود: اطلاعات ژنتیکی و دادههای سلولی و مولکولی در گذشته به دلیل دشواری تحلیل، عملا قابلیت استفاده گسترده نداشتند، زیرا با حجم بسیار عظیمی از داده مواجه بودیم، اما با توسعه هوش مصنوعی و پیشرفت روشهای تحلیل داده در حدود ۱۰ تا ۲۰ سال گذشته، امکان تحلیل تدریجی این اطلاعات فراهم شده است.
وی اضافه کرد: به نظر من، مدل تحقیقات پزشکی در دنیا در حال تغییر است؛ به این معنا که حجم زیادی از دادههای سلولی، مولکولی و ژنتیکی، جمعآوری و سپس با استفاده از روشهای هوش مصنوعی تحلیل میشود و بر اساس نتایج این تحلیلها، حتی حوزه پیشگیری نیز متحول خواهد شد. در آینده میتوان در سنین پایینتر، اطلاعات ژنتیکی و سایر دادههای فرد را بررسی کرد و بر اساس تحلیل آنها، احتمال ابتلای فرد به بیماریهایی مانند دیابت یا حتی برخی سرطانها را برآورد کرد و از همان زمان اقدامات پیشگیرانه را آغاز کرد.
در آینده میتوان در سنین پایینتر، اطلاعات ژنتیکی و سایر دادههای فرد را بررسی کرد و بر اساس تحلیل آنها، احتمال ابتلای فرد به بیماریهایی مانند دیابت یا حتی برخی سرطانها را برآورد کرد و از همان زمان اقدامات پیشگیرانه را آغاز کرد.
وی با بیان اینکه حرکت در این مسیر نیازمند چند اقدام همزمان است، اظهار کرد: بنابراین، در حوزه هوش مصنوعی ابتدا باید دادهها و اطلاعات خود را به گونهای توسعه دهیم که دقیق، مناسب و قابل استفاده برای تحقیقات مبتنی بر هوش مصنوعی باشند. این موضوع پروژهای است که باید در سطح کشور دنبال شود و ما نیز آن را آغاز کردهایم. گام دوم، اضافه کردن اطلاعاتی است که تاکنون امکان جمعآوری یا تحلیل آنها را نداشتهایم؛ از جمله اطلاعات ژنتیکی، سلولی و مولکولی که میتوانند در کنار دادههای موجود قرار گیرند و امکان تحلیلهای عمیقتر را فراهم کنند. این کار نیز در حال انجام است.
معاون تحقیقات دانشگاه علوم پزشکی تهران با اشاره به ضرورت حضور فعال کشور در عرصه هوش مصنوعی، گفت: سومین موضوع این است که خود فناوری هوش مصنوعی نیز در دنیا همچنان در حال توسعه است و هنوز کسی نمیداند این فناوری در نهایت به چه نقطهای خواهد رسید. بنابراین باید در این عرصه وارد شویم و در این رقابت و جریان جهانی مشارکت کنیم.
کردی خاطرنشان کرد: ما نیز این مسیر را آغاز کردهایم و باید همزمان با توسعه زیرساخت داده و اطلاعات، در توسعه خود فناوری هوش مصنوعی نیز حضور داشته باشیم تا بتوانیم از تحولات آینده این حوزه عقب نمانیم.
تصویب ۴۶ طرح کاربردی هوش مصنوعی
معاون تحقیقات دانشگاه علوم پزشکی تهران، با اشاره به اقدامات انجامشده برای توسعه هوش مصنوعی در حوزه سلامت گفت: سال گذشته، با توجه به پروژههای مختلف هوش مصنوعی، وزارت بهداشت و معاونت علمی ریاستجمهوری از دانشگاه علوم پزشکی تهران خواستند راهبری حوزه هوش مصنوعی سلامت در کشور را دنبال کند. بر همین اساس، در دانشگاه کمیتهای با حضور دانشگاههای مختلف، مجموعههای وابسته به وزارت بهداشت و وزارت علوم و سایر بخشهای مرتبط تشکیل دادیم.
وی افزود: در سال گذشته ۴۶ طرح کاربردی در حوزه هوش مصنوعی را تصویب کردیم که موضوعات متنوعی را شامل میشد؛ برای مثال، یکی از طرحها در زمینه استفاده از هوش مصنوعی برای تحلیل سونوگرافی و بررسی متغیرهای جنین بود.
کردی توضیح داد: در برخی موارد، بررسی وضعیت قلب جنین در سونوگرافی دشوار است، چرا که جنین حرکت میکند و برای مشاهده مناسب قلب، هم مادر باید در موقعیت مناسبی قرار گیرد و هم جنین در وضعیت مناسبی قرار داشته باشد تا پزشک بتواند وضعیت دریچهها و سایر بخشها را بررسی کند. استفاده از هوش مصنوعی میتواند با یک حرکت کوچک، به شناسایی و تحلیل بهتر این موارد کمک کند.
معاون تحقیقات دانشگاه علوم پزشکی تهران ادامه داد: طرحهای متعددی با مشارکت دانشگاهها و شرکتهای مختلف در حوزه سلامت تعریف شده است و ما این فراخوانها را در سطح کشور اعلام کردیم تا دانشگاهها و شرکتها از نقاط مختلف بتوانند در این حوزه مشارکت کنند.
وی با اشاره به الزامات تبدیل ایدههای هوش مصنوعی به محصولات کاربردی، اظهار کرد: در حوزه فناوری چند موضوع اهمیت اساسی دارد. یکی از مهمترین آنها داشتن مدل کسب و کار یا «بیزینسپلن» است که معمولا دانشگاهیان در آن مهارت کافی ندارند. یک ایده فناورانه باید از ابتدا مشخص کند که چگونه میتواند به محصول یا خدمتی تبدیل شود که قابلیت عرضه و فروش داشته باشد تا امکان ادامه فعالیت آن نیز فراهم شود.
کردی افزود: نکته دوم این است که در طرحهای هوش مصنوعی حوزه سلامت، هم تخصص فنی و هم تخصص پزشکی باید در کنار یکدیگر وجود داشته باشد. به همین دلیل، مدل ما بر همکاری متخصصان پزشکی و متخصصان فناوری استوار است.
همکاری مهندسان و پزشکان برای ارتقای سلامت
وی با اشاره به نمونههایی از این همکاری، گفت: برای مثال، در حوزه چشمپزشکی با دانشگاه خواجه نصیرالدین طوسی طرحهایی ارائه شده است که هدف آنها بررسی و تحلیل تصاویر ته چشم با استفاده از هوش مصنوعی است تا سامانه بتواند بیماریها را شناسایی و اعلام کند.
معاون تحقیقات دانشگاه علوم پزشکی تهران ادامه داد: طرحهای مشابهی نیز در حوزه جنین، بررسیهای پاتولوژی و تشخیص سرطان و سایر حوزههای پزشکی تعریف شده است و در مجموع ۴۶ پروژه در سال گذشته داشتیم که برخی از آنها نیز در سطح ملی تعریف شدند.
وی با اشاره به تدوین کدهای اخلاقی استفاده از هوش مصنوعی در سلامت، گفت: یکی از پروژههای ملی که دنبال کردیم، تدوین کدهای اخلاقی استفاده از هوش مصنوعی بود. این کدها در دانشگاه تصویب شده و در حال حاضر در وزارت بهداشت نیز در حال بررسی است و تا جایی که اطلاع دارم، قرار است در شورای اخلاق وزارت بهداشت نیز تصویب شود.
کردی با بیان اینکه استفاده مردم از ابزارهای هوش مصنوعی در حوزه سلامت به سرعت در حال افزایش است، اظهار کرد: امروز مردم به شکل گستردهای از ابزارهای هوش مصنوعی استفاده میکنند. حتی در مطب نیز با بیمارانی مواجه میشوم که پیش از مراجعه، درباره مشکل خود از ابزارهایی مانند ChatGPT سؤال کردهاند.
استفاده مردم از ابزارهای هوش مصنوعی در حوزه سلامت به سرعت در حال افزایش است
وی افزود: برای مثال، در مواردی بیماران نتیجه آزمایش یا گزارش تصویربرداری مانند MRI را به این ابزارها میدهند و پاسخ دریافت میکنند و سپس برای بررسی بیشتر نزد پزشک میآیند. حتی در برخی موارد، بیمار میگوید که ابتدا سؤال خود را از هوش مصنوعی پرسیده و پس از دریافت پاسخ، برای اطمینان بیشتر به پزشک مراجعه کرده است.
معاون تحقیقات دانشگاه علوم پزشکی تهران با اشاره به نقش این فناوری در افزایش سواد سلامت، گفت: این روند از یک جهت میتواند اتفاق خوبی باشد، چرا که میتواند به افزایش سواد سلامت مردم کمک کند، هرچند هنوز در حوزه سواد سلامت به نقطه مطلوب نرسیدهایم و این موضوع خود نیازمند بحث و بررسی بیشتری است.
وی در عین حال نسبت به استفاده بدون نظارت از ابزارهای هوش مصنوعی هشدار داد و گفت: از سوی دیگر، مشکل این است که اگر یک سامانه هوش مصنوعی اطلاعات کافی درباره یک موضوع نداشته باشد، الزاماً به کاربر نمیگوید «اطلاعات ندارم» و ممکن است پاسخی ارائه دهد که دقیق نباشد یا حتی حاوی اطلاعات نادرست باشد. این موضوع میتواند در حوزه سلامت مشکلآفرین باشد، اما در عین حال نمیتوان مانع استفاده مردم از هوش مصنوعی شد؛ چرا که این فناوری وارد زندگی مردم شده و قطعاً افراد از آن استفاده خواهند کرد. بنابراین باید به جای نادیده گرفتن این واقعیت، تلاش کنیم خودمان نیز در توسعه و استفاده صحیح از این فناوری حضور داشته باشیم.
وی با تاکید بر اهمیت دادههای بومی در توسعه هوش مصنوعی سلامت، اظهار کرد: بخش مهمی از هوش مصنوعی به اطلاعات و داده وابسته است و این اطلاعات در کشورهای مختلف یکسان نیست. دادههای مربوط به مردم ایران با دادههای چین یا سایر کشورها تفاوت دارد، چرا که سبک زندگی، شرایط اجتماعی، الگوی بیماریها و بسیاری از ویژگیهای جمعیتی و محیطی متفاوت است. بنابراین باید دادههای مربوط به جامعه خودمان را جمعآوری کنیم و مدلهایی را توسعه دهیم که بر اساس اطلاعات و ویژگیهای جمعیت کشور خودمان آموزش دیده باشند.
معاون تحقیقات دانشگاه علوم پزشکی تهران اضافه کرد: امسال نیز تاکنون سه فراخوان برای طرحهای هوش مصنوعی منتشر کردهایم. بیش از ۱۰۰ طرح به این فراخوانها ارائه شد که آنها را مورد داوری قرار دادیم و در حال پیشبرد طرحهای منتخب هستیم.
کردی با تشریح هدف این طرحها افزود: هدف ما این است که در نهایت ابزارهای هوش مصنوعی را توسعه دهیم که بتوانند در بیمارستان به بیماران کمک کنند، به پزشکان برای ارائه خدمات بهتر یاری برسانند و همچنین در بهبود عملکرد سیستمهای سلامت مورد استفاده قرار گیرند.
وی با اشاره به کاربرد هوش مصنوعی در حوزه پیشگیری از بیماریها، اظهار کرد: یکی از حوزههای مهم مورد توجه ما، پیشگیری است. با توجه به اینکه بخش عمده بار بیماریها امروز مربوط به بیماریهای غیرواگیر است و سبک زندگی مردم نیز تغییر کرده، استفاده از هوش مصنوعی برای بررسی و اصلاح شیوه زندگی اهمیت زیادی پیدا کرده است.
معاون تحقیقات دانشگاه علوم پزشکی تهران افزود: در همین زمینه، چند پروژه برای بررسی وضعیت و سبک زندگی افراد و ارائه راهکارهای مبتنی بر هوش مصنوعی تعریف شده است تا بتوان از این فناوری برای کمک به اصلاح رفتارها و پیشگیری از بیماریها استفاده کرد.
دوپینگ ورزشکاران
وی با اشاره به یکی دیگر از پروژههای کاربردی در حوزه ورزش، گفت: یکی دیگر از طرحها به موضوع دوپینگ ورزشکاران مربوط میشود. ورزشکاران، بهویژه ورزشکاران تیمهای ملی، در نقاط مختلف کشور حضور دارند و همه آنها در تهران نیستند. ممکن است یک ورزشکار در شهرستان به پزشک مراجعه کند و برای مشکلی مانند سرماخوردگی یا بیماری دیگری دارویی دریافت کند، بدون اینکه پزشک یا خود ورزشکار بداند این دارو میتواند حاوی ماده ممنوعهای باشد.
کردی ادامه داد: در چنین شرایطی ممکن است ورزشکار دارویی را مصرف کند و بعد مشخص شود که آن دارو در فهرست مواد ممنوعه قرار داشته و موجب مثبت شدن تست دوپینگ شده است. بنابراین یکی از کاربردهای هوش مصنوعی میتواند کمک به ورزشکاران و پزشکان برای بررسی داروهای تجویزشده و پیشگیری از دوپینگ ناخواسته باشد.
یکی از کاربردهای هوش مصنوعی میتواند کمک به ورزشکاران و پزشکان برای بررسی داروهای تجویزشده و پیشگیری از دوپینگ ناخواسته باشد.
کردی در ادامه با اشاره به توسعه یک «ایجنت هوش مصنوعی» برای کمک به ورزشکاران، گفت: این سامانه در مراحل پایانی توسعه قرار دارد و در حال حاضر در حال آزمایش روی ورزشکاران است تا بتوانند درباره داروهای مورد استفاده خود از آن پرسوجو کنند.
وی افزود: یکی از مشکلات ورزشکاران این است که ممکن است داروهایی در داخل کشور تولید شوند که نام و ترکیب آنها با داروهای مشابه در سایر کشورها متفاوت باشد. از این رو، ورزشکاران میتوانند داروهای تولید داخل یا داروهای وارداتی را از این سامانه استعلام کنند تا هوش مصنوعی بر اساس قوانین و مقررات و اطلاعات علمی موجود، بهصورت دقیق اعلام کند که مصرف یک دارو میتواند مصداق دوپینگ باشد یا خیر و همچنین درباره عوارض و پیامدهای احتمالی آن اطلاعات ارائه دهد.
کردی با بیان اینکه یکی از چالشهای اصلی توسعه این فناوری، دسترسی به زیرساختهای پردازشی است، اظهار کرد: در حال پیگیری ایجاد یک «فارم GPU» یا مزرعه پردازشی برای هوش مصنوعی هستیم و امیدواریم بتوانیم با همکاری شرکتهای خصوصی، سازمانهای دولتی و معاونت علمی ریاست جمهوری این زیرساخت را فراهم کنیم.
وی ادامه داد: این موضوع دو بخش دارد؛ نخست، طراحی و توسعه هوشافزارها و دوم، زیرساخت مورد نیاز برای استفاده از آنها. در حال حاضر برای برخی از طرحهایی که ارائه کردهایم، بودجهای اختصاص داده شده تا از دیتاسنترهای موجود در داخل کشور استفاده و ظرفیت پردازشی آنها اجاره شود. همکاران ما نیز از ظرفیتهای موجود در دانشگاه بهصورت نوبتی استفاده میکنند.
معاون تحقیقات دانشگاه علوم پزشکی تهران با اشاره به نیاز این سامانهها به زیرساخت پردازشی پس از مرحله توسعه، گفت: زمانی که این هوشافزارها نهایی و آماده استفاده شوند، برای بهرهبرداری از آنها نیز به GPU و زیرساختهای پردازشی مناسب نیاز داریم. دیتاسنترهای موجود ظرفیتهای قابل توجهی دارند، اما با توجه به حجم بسیار بالای دادههای سلامت، بهویژه دادههایی که روزانه از تعداد زیادی بیمار در بیمارستانها تولید میشود، نیازمند ایجاد زیرساختهای اختصاصی هستیم.
وی افزود: به همین دلیل در حال مذاکره با چند شرکت هستیم و امیدواریم امسال بتوانیم در دانشگاه علوم پزشکی تهران فضایی را برای توسعه و استقرار این زیرساخت فراهم کنیم تا هوشافزارهای تولیدشده بتوانند در داخل کشور مورد استفاده قرار گیرند.
کردی با تاکید بر ضرورت ارزیابی و اعتبارسنجی هوش مصنوعی پیش از استفاده در حوزه پزشکی، اظهار کرد: وقتی قرار است در پزشکی از یک دارو یا وسیله پزشکی استفاده شود، باید اطمینان حاصل شود که برای بیمار ضرری ندارد و استفاده از آن نیز بر اساس ضوابط و استانداردهای مشخص، واقعا به بیمار کمک میکند. بنابراین هوشافزارهای پزشکی نیز نمیتوانند بدون ارزیابی و طی کردن فرآیندهای مشخص وارد بیمارستانها شوند.
وی ادامه داد: همانطور که سازمان غذا و دارو برای صدور مجوز داروها و تجهیزات پزشکی فرآیند مشخصی برای بررسی و ارزیابی دارد، برای هوشافزارهایی که قرار است در محیطهای درمانی مورد استفاده قرار گیرند نیز باید سازوکار مشخصی برای ارزیابی، اعتبارسنجی و صدور مجوز وجود داشته باشد.
معاون تحقیقات دانشگاه علوم پزشکی تهران از اجرای یکی از طرحهای ملی در این زمینه خبر داد و گفت: یکی از طرحهای ملی به تدوین راهنما و سازوکار ارزیابی هوشافزارهایی اختصاص داشت که قرار است وارد بیمارستان شوند؛ اینکه این سامانهها چگونه ارزیابی شوند و بر اساس چه فرآیندی مجوز استفاده دریافت کنند. سازمان غذا و دارو نیز تأیید کرده است که دانشگاه علوم پزشکی تهران یکی از مراکز مشارکتکننده در این فرآیند باشد.
کردی با اشاره به ضرورت ایجاد شبکه میان متخصصان هوش مصنوعی و حوزه پزشکی، افزود: ما تعداد زیادی نیروی جوان، بااستعداد و توانمند در رشته هوش مصنوعی داریم، اما این افراد هنوز بهصورت منسجم با جامعه پزشکی شبکه نشدهاند. یکی از طرحهای ملی نیز با هدف ایجاد چنین شبکهای دنبال شد تا ظرفیت متخصصان هوش مصنوعی و نیازهای حوزه پزشکی به یکدیگر متصل شوند.
وی همچنین به اهمیت تدوین چارچوبهای اخلاقی برای استفاده از هوش مصنوعی در پزشکی اشاره کرد و گفت: یکی دیگر از طرحهای ملی، تدوین کدهای اخلاقی برای استفاده از هوش مصنوعی بود که این کار به پایان رسیده است. موضوع دیگر نیز تدوین مدل و استانداردهای لازم برای تعیین فرآیند صدور مجوز و نحوه استفاده از هوشافزارها بود که این طرح نیز در قالب پروژههای ملی انجام شده است.
