چکیده:
خطای پزشکی امری اجتنابناپذیر در طبابت است که پدیدهای آسیبرسان است ودر مواردیباعث مرگ بیماران میشود. در سالیان گذشته تلاشهای بسیاری انجامشده تا هوشمصنوعی جایگزین پزشک شودکهتا حدممکن از خطاهای پزشکی اجتناب شود. سیستمهای هوشمند پزشکی سیستمهایی تشخیصی هستند که پس از شناسایی بیماری، پیشنهاد درمان به بیمار ارائه مینمایند. سیستمهای اولیه مانندMYClN و INTERNIST-I جهت مشاوره برای پزشکان طراحی شدند. اما علیرغم اینکه کارایی خوبی از خود نشان دادند، ندرتاً خارج از آزمایشگاههای تحقیقاتی بهکار گرفتهشدند. سیستمهایی که بعد از آن هم توسعهیافتند موفقیت کافی نیافتند تا جایی که علاقهمندی پژوهشگران در این حوزه کمکم رنگ باخت. عدمِتوجه به مسائل معرفتشناختی یکی از مهمترین موانعبرای رسیدن به موفقیت برای این سیستمها بودهاست. در این مقاله به منظور جستجوی این موانع ابتدا خطاهایشناختی در پزشکی که منجر به رویآوردن به هوشمصنوعی شده است معرفی شده و سپس معرفتشناسی پزشکی را مرور کردهایم. تعدادی از سیستمهای هوشمصنوعی در پزشکی با تأکید بر ساختارِ دانش آنها را مورد بررسی قرار دادیم. نهایتاًدلایل معرفتشناختی عدمموفقیت سیستمهای هوشمصنوعی در حوزه پزشکی تشریح شدهاند که عبارتند از پیشفرضهای نادرست در باب ماهیّت دانش، جداسازی دانش از استراتژیهای تصمیمگیری، عدمتوجه به معرفت ضمنی و جدا پنداشتن دانش از زمینه.
In today’s world, technology plays an important and crucial role in medicine and healthcare. Medical Artificial Intelligence and Expert Systems are only subsets of the technologies which try to provide automated decision aids for physicians and clinicians. Their goal is to diagnose the illness and make treatment recommendations. MYClN and INTERNIST-I are among the earliest developed expert systems. However, despite the fact that several of these medical systems have achieved high levels of performance, hardly any has progressed from the research laboratory into practical use. But because of overpromising and failing to deliver them, in artificial intelligence researches face toreduced funding and interest. One of the major reason of these failures is inadequate attention and studies about epistemological considerations. In this paper we are looking for some epistemological obstacles which prevent AI from being successful in medicine. To do so we first briefly introduce cognition errors in medicine which motivate using AI in this field, then review several implemented medical AI systems and finally we discuss epistemological reasons which leads to failure of AI in medicine. These reasons are incorrect hypotheses about nature of knowledge, separating knowledge from decision strategies, inadequate consideration to tacit knowledge and separating knowledge from its context.
خلاصه ماشینی:
این امر از آن جهت اهمیت دارد که تبدیل و استفاده از دانشی که در معنای کلاسیک «باور صادق موجه» (true justified belief) باشد برای هوش مصنوعی بهترین و کارآمدترین کاربرد را دارد، زیرا با بهرهگیری از منطق صوری که صدها سال است شناخته و حک و اصلاح شده است، ارزش صدق بهسهولت طی استنتاجهای قیاسی به نتایج منتقل میشود و با توجیههای منطقی شناختهشده، ماشین هوشمند بهراحتی به نتایج درست دست خواهد یافت.
اگرچه استفاده از این عبارات فازی در پزشکی اجتنابناپذیر و درعینحال بسیار ارزشمند است، اما باید توجه داشت که مشکلات معرفتشناختی زیادی ایجاد میکند: اول آنکه مفهوم آنها بهاندازهای مبهم است که مشخصکردن ارزش صدق یک گزارة فازی که حاوی یک واژة فازی باشد با مشکلات غیرقابلحلی روبهروست، مثلا برای توصیف بیماریها در کتابهای درسی پزشکی عباراتی مانند «معمولا در برونشیت سرفه اتفاق میافتد» میآید و پزشک آنها را میآموزد و در تصمیمگیریهای بالینی و تدبیر بیماران بهکار میبندد.
جهتگیری تلاشها برای توسعة هوش مصنوعی و سیستم خبره در حوزۀ پزشکی به این سمتوسو بوده است که تلاش شود دانش و تجربیات بالینی پزشکان خبره بهنحوی در سیستم خبره یکپارچه شود که فرد غیرمتخصص و در بعضی موارد خود بیمار بتواند با آن تعامل کند و سیستم خبره، با استفاده از دانشی که به آن دسترسی دارد، بیماری را تشخیص دهد و توصیههایی ارائه کند.
بنابراین در پیادهسازی یک هوش مصنوعی باید توجه داشت که دانش مستقل از زمینه و مستقل از استراتژی تصمیمگیری کارایی لازم برای تشخیص پزشکی را ندارد و به همین دلیل است که با اندکی افزایش حوزۀ تخصصی سامانههای تخصصی هوش مصنوعی آنها عملکرد ضعیفی از خود نشان میدهد.