شفقنا – تحقیق جدیدی که در مجله نیچر(دسامبر ۲۰۲۵) منتشر شده است، از یک تغییر مسیر مهم در استفاده از هوش مصنوعی برای درمان سرطان سینه خبر میدهد، عبور از «مدلهای غولآسای داده» به سمت «مدلهای کوچک و وظیفهمحور».
به گزارش سرویس ترجمه شفقنا، در ادامه، خلاصهای از این تحول و نحوه عملکرد این فناوری را طبق آخرین یافتهها بررسی میکنیم:
تغییر پارادایم: چرا مدلهای بزرگ کافی نیستند؟
تا پیش از این، تصور بر این بود که هرچه مدل هوش مصنوعی بزرگتر باشد و دادههای بیشتری (میلیونها تصویر اسکن شده) دریافت کند، دقیقتر خواهد بود. اما محققان به چند مانع بزرگ برخوردند:
پیچیدگی بیش از حد: این مدلها مثل یک «جعبه سیاه» عمل میکنند؛ یعنی پزشک نمیفهمد هوش مصنوعی چرا چنین تصمیمی گرفته است.
هزینه و زیرساخت: بیمارستانهای معمولی توان سختافزاری اجرای این مدلهای سنگین را ندارند.
عدم انطباق با واقعیت: مدلهای کلی در تشخیص موارد نادر سرطان سینه (مثل سرطانهای آپوکرین) ضعیف عمل میکنند.
هوش مصنوعی وظیفهمحور چگونه کار میکند؟
به جای ساخت یک هوش مصنوعی که «همه چیز» را بداند، محققان به سمت مدلهای کوچک و متخصصی رفتهاند که فقط برای یک کار خاص طراحی شدهاند.
۱. پیشبینی مولکولی مستقیم از روی تصویر
این ابزارها میتوانند تنها با نگاه کردن به تصاویر دیجیتال بافت، ویژگیهای مولکولی حیاتی را پیشبینی کنند، بدون اینکه نیاز به آزمایشهای گرانقیمت ژنتیکی باشد. هوش مصنوعی میتواند از طریق بررسی وضعیت گیرندههای هورمونی (اچآر و اچایآر ۲)، نوع سرطان را برای انتخاب دارو تعیین کند. این گیرندهها به طور مستقیم به رشد سلولهای سرطانی مرتبط هستند و در سرطان سینه میزان زیادی از این گیرندهها بر روی سطح سلولها وجود دارد.
این ابزار همچنین میتواند جهشهای ژن بیآرسیای را شناسایی کند و استعداد ژنتیکی بیمار را تخمین بزند. این جهش ژن میتواند یکی از عوامل ابتلا به سرطان سینه باشد. ژن بیآرسیای پروتئینهایی تولید میکند که مانع ایجاد تومورهای بدخیم در بدن میشوند.
هوش مصنوعی میتواند شاخص کیآی ٦٧ را بررسی کرده و سرعت رشد و تکثیر تومور را تخمین بزند. شاخص کیآی ٦٧ آزمایشی است که در آسیب شناسی برای اندازه گیری سرعت تقسیم یا رشد سلول های نمونه بافتی استفاده می شود.
۲. تکنیک تقطیر مدل
این یکی از جذابترین بخشهای فنی است. در این روش، دانش یک مدل غولآسا به یک مدل کوچک و چابک منتقل میشود. در نتیجه مدل کوچک همان دقت را دارد اما با سرعت بسیار بالاتر و روی کامپیوترهای معمولی بیمارستان هم اجرا میشود.
در واقع تکنیک تقطیر مدل، راهی است برای انتقال «هوش و تجربه» از یک مدل بسیار بزرگ و سنگین به یک مدل کوچک و چابک. در این تکنیک، محققان به جای اینکه شاگرد (مدل کوچک) را مستقیماً با دادههای خام آموزش دهند، از او میخواهند که رفتار معلم (مدل بزرگتر) را تقلید کند.
تقطیر یعنی گرفتنِ «عصارهی دانش» از یک هوش مصنوعی غولآسا و ریختن آن در یک نرمافزار سبک و سریع.
چالشهای پیش رو: از آزمایشگاه تا بالین بیمار
برای اینکه این ابزارها واقعاً در بیمارستانها استفاده شوند، سه مورد زیر حیاتی است:
تفسیرپذیری: پزشک باید بتواند ببیند هوش مصنوعی دقیقاً کدام نقطه از بافت را «مشکوک» تشخیص داده است.
یکپارچگی با سیستمهای بیمارستانی: هوش مصنوعی باید به راحتی در نرمافزارهای فعلی آسیبشناسی جایگذاری شود.
رفع سوگیری: اطمینان از اینکه هوش مصنوعی برای تمام نژادها و قومیتها به یک اندازه دقیق عمل میکند.
جمعبندی: دقت بر قدرت پیروز میشود
آینده آسیبشناسی سرطان سینه دیگر در گروی «دادههای بزرگتر» نیست، بلکه در گروی «مدلهای دقیقتر و تخصصیتر» است که بتوانند در لحظه، تصمیمات درمانی را برای پزشک آسانتر کنند.
این خبر را اینجا ببینید.