بذارین یه موضوع جذاب رو براتون تعریف کنم! این روزا بحث استفاده از هوش مصنوعی (AI) توی حوزه سلامت خیلی داغ شده، مخصوصاً اون مدل‌هایی که بهشون میگن NLP یا «پردازش زبان طبیعی». یعنی سیستم‌هایی که می‌تونن متن‌های طولانی پزشکی رو بفهمن و ازش اطلاعات مهم دربیارن. مثلاً فکر کنین گزارش پزشکی یا پرونده بیمار رو خودکار بشه خوند و خلاصه نکاتش رو جمع کرد.
ما توی مرکز ثبت سرطان بریتیش کلمبیا (BC Cancer Registry) رفتیم سراغ همین موضوع و گفتیم بیایم کلی کار طاقت‌فرسا رو با این مدل‌های NLP راحت‌تر کنیم. اما خب فقط خودِ ایده کافی نبود؛ کلی چیز یاد گرفتیم که دوست دارم باهاتون به اشتراک بذارم.
اولین نکته اینه که خیلی مهمه بدونیم هدف اصلی‌مون چیه. یعنی فقط دنبال این نباشیم که یه مدل بسازیم که دقتش ۹۹٪ باشه! مهمه که دقیقاً بدونیم سازمان و کاربرها چی می‌خوان و واقعاً به چه دردی می‌خوره. اینو Business Objectives میگن: یعنی اهداف اصلی کسب‌وکار و نیاز واقعی. وقتی اینو از اول بدونیم، راهش خیلی بهتر پیش میره.
یه تجربه دیگه: کار با NLP و راه‌اندازی هوش مصنوعی توی پزشکی اصلاً یه پروژه فنی و خشک نیست! باید یه تیم جورواجور داشته باشیم، از متخصص داده و برنامه‌نویس گرفته تا دکتر و کسی که کاربر نهایی این داده‌هاست. اینو Collaborative Co-Design میگن: یعنی همه از همون اول تو طراحی دخیل باشن.
نکته بعدی درباره انتخاب مدل بود. بعضی‌ها فکر می‌کنن حتماً باید برن سراغ خفن‌ترین مدل‌های هوش مصنوعی یا به قول فرنگیا Deep Learning. اما بعضی وقتا مدل‌های ساده‌تر یا حتی مدل‌های ترکیبی (Hybrid Models) خیلی عملیاتی‌تر و کم‌دردسرتر هستن. خلاصه همیشه لازم نیست گنده‌ترین راه رو انتخاب کنیم!
اما فقط مدل مهم نیست، کیفیت داده هم حرف اول رو می‌زنه. مثلاً اگه داده‌های ما درست برچسب‌گذاری نشده باشه، یا مثلا اطلاعاتشون قدیمی و به‌دردنخور باشه، هرچی هم مدل بزنی فایده نداره. باید مراقب چیزایی مثل Data Drift (یعنی تغییر شیوه ثبت داده‌ها توی زمان) و Annotation Quality (کیفیت برچسب‌گذاری داده‌ها) باشیم.
یکی دیگه از تجربه‌های مهم این بود که موقع استفاده از این سیستم‌ها لازمه همیشه یه نفر آدم واقعی، یعنی Human-in-the-loop، نظارت داشته باشه. پس همیشه باید توی کار یه جایی برای کنترل انسانی گذاشت و بعداً هم به طور مداوم بازبینی و Audit کرد که خطاهای عجیب و غریب پیش نیاد.
در آخر، یه نکته خیلی مهم اینه که فقط تیم فنی نباید بلد باشه با هوش مصنوعی کار کنه! باید بقیه آدم‌های سازمان هم باهاش آشنا بشن و سطح AI Literacy (یعنی سواد هوش مصنوعی) توی مجموعه بره بالا. اینجوری فرهنگ شرکت تغییر می‌کنه و همه کمک می‌کنن پروژه جلو بره.
این تجربه‌ها فقط به درد مرکز سرطان نمی‌خوره؛ هر سازمانی که می‌خواد هوش مصنوعی رو وارد کارهاش کنه و مخصوصاً با داده‌های پزشکی و بالینی سروکار داره، باید این نکته‌ها رو بدونه. اگه این نکات رو رعایت کنن، خیلی راحت‌تر می‌تونن با کمک NLP و AI کیفیت درمان و مدیریت اطلاعات بیماران رو بهتر کنن و در نتیجه سلامت جامعه ارتقا پیدا کنه!
خلاصه حرفم اینه: استفاده از هوش مصنوعی و NLP توی حوزه سلامت کلی فایده داره، اما راهش فقط به دقت مدل‌ها ختم نمیشه. یه کار گروهی و مرحله‌به‌مرحله لازمه که علمی، عملی و انسانی باشه!
منبع: +
