آیا هوش مصنوعی متخصصان را بیکار می‌کند؟ مطالعهٔ موردی حرفه رادیولوژی

زمانی که صحبت از هوش مصنوعی و آینده مشاغل می‌شود، کمتر رشته‌ای به اندازه رادیولوژی با بدبینی مواجه است. حرفه رادیولوژی با مشخصاتی مثل ورودی‌های دیجیتال (تصاویر پزشکی)، وظایف مشخص (تشخیص الگو) و معیارهای موفقیت واضح، روی کاغذ جزو کاندیداهای اصلی برای جایگزینی کامل توسط الگوریتم‌هاست. اما با گذشت نزدیک به یک دهه از پیش‌بینی‌های انجام شده، واقعیتی دیگر آشکار شده است: تقاضا برای انسان‌های رادیولوژیست نه تنها کم نشده، بلکه به بالاترین حد خود رسیده است.

در این مقاله به بررسی این پارادوکس می‌پردازیم که چرا هوش مصنوعی، با تمام توانایی‌های پیش‌بینی خود، هنوز نتوانسته است جایگزین متخصصان انسانی در یکی از روتین‌ترین حرفه‌های موجود شود.

عصاره: نکات کلیدی متن در یک نگاه

• پارادوکس اصلی: با وجود مدل‌های هوش مصنوعی که در آزمون‌های معیار (Benchmark) انسان‌ها را شکست می‌دهند، تقاضا برای رادیولوژیست‌ها و دستمزد آن‌ها به رکورد تاریخی رسیده است.

• شکاف میان آزمایشگاه و واقعیت: مدل‌های هوش مصنوعی که در شرایط کنترل‌شده و با داده‌های «تمیز» آموزش می‌بینند، در محیط پیچیده و غیرقابل پیش‌بینی بیمارستان‌ها با افت عملکرد شدید مواجه می‌شوند. آن‌ها در تشخیص موارد نادر یا تصاویر باکیفیت پایین دچار مشکل هستند.

• موانع قانونی و بیمه‌ای: نهادهای نظارتی آمریکایی مانند FDA قوانین بسیار سخت‌گیرانه‌ای برای تأیید مدل‌ها هوش مصنوعی خودمختار دارند. علاوه بر این، شرکت‌های بیمه مسئولیت پزشکی تمایلی به پوشش خطاهای الگوریتم‌ها ندارند و همچنان بر حضور یک پزشک انسانی برای تأیید نهایی اصرار می‌کنند.

• هوش مصنوعی فقط بخشی از کار را انجام می‌دهد: تفسیر تصاویر تنها حدود یک‌سوم از وظایف یک رادیولوژیست است. مشاوره با پزشکان دیگر، صحبت با بیماران، نظارت بر فرآیند تصویربرداری و آموزش، بخش بزرگی از کار آن‌هاست که ماشین‌ها قادر به انجام آن نیستند.

• پارادوکس بهره‌وری (Jevons Paradox): همان‌طور که در گذشته با موج دیجیتالی شدن دیدیم، وقتی یک فناوری وظیفه‌ای را سریع‌تر و ارزان‌تر می‌کند، تقاضا برای آن وظیفه افزایش می‌یابد. هوش مصنوعی با افزایش سرعت تفسیر، باعث شده پزشکان اسکن‌های بیشتری تجویز کنند و در نتیجه، رادیولوژیست‌ها پرمشغله‌تر شوند.

اعلام پایان رادیولوژی

در سال ۲۰۱۶، جفری هینتون، یکی از پدران هوش مصنوعی مدرن، جمله‌ای به یاد ماندنی گفت: «مردم باید از همین حالا آموزش رادیولوژیست‌ها را متوقف کنند.» پیش‌بینی او بر کیفیت مدل‌هایی مانند CheXNet بنا شده بود که در سال ۲۰۱۷ معرفی شد و می‌توانست ذات‌الریه را از روی عکس قفسه سینه با دقتی بالاتر از متخصصان انسانی تشخیص دهند. آن هم در هزینه‌ای پایین‌تر و کاملاً خستگی ناپذیر.

امروزه، بیش از ۷۰۰ مدل هوش مصنوعی مرتبط با رادیولوژی تأییدیه FDA را دریافت کرده‌اند. این الگوریتم‌ها می‌توانند صدها بیماری مختلف، از سکته مغزی گرفته تا سرطان ریه را با سرعت و دقت فوق‌العاده‌ای شناسایی کنند. برخی از آن‌ها حتی می‌توانند لیست کاری رادیولوژیست را اولویت‌بندی کرده و موارد اورژانسی را در صدر قرار دهند. با این همه پیشرفت، چرا هنوز شاهد افزایش ۴ درصدی موقعیت‌های شغلی رزیدنتی رادیولوژی در سال ۲۰۲۵ هستیم و چرا متوسط درآمد این متخصصان به بیش از نیم میلیون دلار در سال رسیده است؟ گویا پیش‌بینی‌های اولیه موفق به 

چرا مدل‌های آزمایشگاهی در بیمارستان شکست می‌خورند؟

اولین و مهم‌ترین دلیل این پارادوکس، شکاف عمیق بین عملکرد مدل‌ها در محیط استریل آزمایشگاه و دنیای واقعی و پر هرج‌ومرج بیمارستان است.

مدل‌های هوش مصنوعی بر روی مجموعه داده‌های بسیار تمیز و حاشیه‌نویسی‌شده آموزش می‌بینند. در این مجموعه داده‌ها، تصاویر تار، با زاویه نامناسب یا کیفیت پایین حذف شده‌اند و تشخیص بیماری‌ها توسط چندین متخصص تأیید شده است. این شرایط، بهترین حالت ممکن برای عملکرد یک الگوریتم است.

اما در یک روز کاری عادی در بیمارستان، رادیولوژیست با تصاویری از دستگاه‌های مختلف، با پروتکل‌های متفاوت و از بیمارانی با شرایط پیچیده و چندگانه روبرو می‌شود. یک مطالعه نشان داد که عملکرد یک مدل تشخیص ذات‌الریه وقتی از داده‌های بیمارستانی خارج از مجموعه آموزشی اولیه خود استفاده کرد، تا ۲۰ درصد افت کرد. مدل‌ها ممکن است یک منگنه جراحی را به دلیل درخشش در تصویر، با خونریزی اشتباه بگیرند یا در تشخیص اشکال خفیف و غیرمعمول یک بیماری ناتوان باشند. انسان‌ها از «زمینه» (Context) بهره می‌برند؛ چیزی که الگوریتم‌ها فاقد آن هستند.

پس اینطور به نظر می‌رسد که ادعای قوت مدل‌ها، در محیطی آزمایشگاهی صورت گرفته و این مدل‌ها پس از ورود به دنیای واقعی، دچار مشکل می‌شوند.

سنگر قانون و مقاومت بیمه

حتی اگر یک مدل هوش مصنوعی بی‌نقص ساخته شود، دو مانع بزرگ دیگر بر سر راه جایگزینی کامل انسان وجود دارد: قوانین و بیمه.

سازمان غذا و داروی آمریکا (FDA) نرم‌افزارهای تصویربرداری را به دو دسته تقسیم می‌کند: «کمکی» (که نیازمند تأیید نهایی پزشک است) و «خودمختار». دریافت تأییدیه برای ابزارهای کمکی نسبتاً ساده است، اما برای یک ابزار خودمختار، شرکت سازنده باید ثابت کند که الگوریتم در مواجهه با هرگونه تصویر غیرعادی یا خارج از حوزه تخصص خود، از ارائه تشخیص خودداری می‌کند.

مانع دوم، بیمه مسئولیت پزشکی است. خطاهای تشخیصی، پرهزینه‌ترین اشتباهات پزشکی در آمریکا هستند. شرکت‌های بیمه از خسارت‌های احتمالی مدل‌های معیوب می‌ترسند. به همین دلیل، بسیاری از قراردادهای بیمه بندی با عنوان «حذف مطلق هوش مصنوعی» دارند که صراحتاً اعلام می‌کند هیچ تشخیصی که به طور خودمختار توسط نرم‌افزار تولید شده باشد، تحت پوشش قرار نمی‌گیرد. بدون پوشش بیمه، هیچ بیمارستانی ریسک استفاده از یک الگوریتم مستقل را نمی‌پذیرد.

پارادوکس بهره‌وری

شاید بهترین توضیح در توجیه در داستان هوش مصنوعی و رادیولوژی، پدیده‌ای اقتصادی به نام «پارادوکس جِوُنز» باشد. این اصل می‌گوید که وقتی یک فناوری بهره‌وری را در استفاده از یک منبع افزایش می‌دهد (و در نتیجه آن را ارزان‌تر می‌کند)، تقاضا برای آن منبع نه تنها کم نمی‌شود، بلکه ممکن است افزایش یابد.

این اتفاق قبلاً یک بار در رادیولوژی رخ داده است. در اوایل دهه ۲۰۰۰، با جایگزینی فیلم‌های رادیولوژی با سیستم‌های دیجیتال (PACS)، بهره‌وری رادیولوژیست‌ها به شدت افزایش یافت. زمان لازم برای خواندن هر اسکن کاهش یافت. اما آیا رادیولوژیست‌ها بیکار شدند؟ خیر. چون گزارش‌دهی سریع‌تر و ارزان‌تر شد، پزشکان معالج شروع به تجویز تعداد بسیار بیشتری سی‌تی اسکن و MRI کردند. بین سال‌های ۲۰۰۰ تا ۲۰۰۸، نرخ استفاده از خدمات تصویربرداری در آمریکا ۶۰ درصد افزایش یافت.

امروز نیز همین الگو در حال تکرار است. هوش مصنوعی با خودکار کردن بخش‌های زمان‌بر تفسیر، به رادیولوژیست‌ها کمک می‌کند تا اسکن‌های بیشتری را در زمان کمتری بررسی کنند. این افزایش سرعت و کاهش هزینه (از نظر زمان)، پزشکان را ترغیب می‌کند تا برای تشخیص دقیق‌تر، تصویربرداری بیشتری درخواست کنند. در نتیجه، حجم کار کلی نه تنها کم نشده، بلکه افزایش یافته و نقش رادیولوژیست در مدیریت این حجم کار و تمرکز بر موارد پیچیده‌تر، اساسی‌تر از همیشه شده است.

نگاه واقعی به بهره‌وری

پیش‌بینی‌های اغراق‌آمیز دربارهٔ نقش هوش مصنوعی در بهره‌وری همچنان ادامه دارد. دلیل اصلی آن، ذی‌نفعی مدیران عامل شرکت‌های هوش مصنوعی در حباب هوش مصنوعی است. نباید گول این بازی اقتصادی آن‌ها را خورد. داستان رادیولوژی یک درس مهم برای تمام مشاغل دانش‌محور دیگر، از حقوق گرفته تا مهندسی، به همراه دارد. هوش مصنوعی یک ابزار متحول‌کننده است، اما جایگزینی کامل انسان در مشاغل پیچیده، پرخطر و چندوجهی، بسیار دور از دسترس است.

هوش مصنوعی در انجام کارها همراه انسان است و بعضی از وظایف او را انجام می‌دهد؛ اما این دلیلی برای کنار گذاشتن افراد نیست؛ بلکه فرصتی برای انجام کارهای بیشتر و بزرگ‌تر است.

آینده، میدان نبرد «انسان علیه ماشین» نخواهد بود، بلکه عرصه همکاری «انسان به ‌علاوه ماشین» است. هوش مصنوعی وظایف تکراری و خسته‌کننده را بر عهده خواهد گرفت و به متخصصان انسانی این امکان را می‌دهد تا بر تفکر انتقادی، حل مسائل پیچیده، ارتباطات انسانی و تصمیم‌گیری‌های حساس تمرکز کنند. پارادوکس رادیولوژی به ما نشان می‌دهد که هرچه ماشین‌ها هوشمندتر می‌شوند، نیاز به هوش، قضاوت و درایت انسانی نه‌تنها از بین نمی‌رود، بلکه حیاتی‌تر و ارزشمندتر از همیشه خواهد شد.