اولین همایش بین المللی تحول خدمات سلامت: تلفیق مراقبت، درمان، بازتوانی و امیدبخشی

رفتن به صفحه اصلی

ارائه مجازی مقاله

کد مقاله 1212

عنوان هوش مصنوعی در پزشکی بالینی: مروری روایی انتقادی بر یادگیری چندوجهی، یادگیری فدرال، تبیینپذیری و انتقال به بالین

نویسندگان فاطمه ایمانی نژاد - شهلا رستمی راد

چکیده مقدمه: هوش مصنوعی (AI) به ابزاری مهم در پزشکی دقیق و تصمیمیار تبدیل شده و در تشخیص زودهنگام، پیشآگهی و انتخاب درمان در انکولوژی، بیماری قلبیعروقی، اختلالات عصبی و بیماریهای عفونی نقش داشته است . ادغام تصویربرداری، داده بالینی و ژنومیک با یادگیری عمیق عملکرد تشخیصی را بهبود بخشیده، اما تبدیل آن به منفعت بالینی اعتبارسنجیشده روشن نیست . روشها: این مطالعه بهصورت یک مرور روایی انتقادی انجام شد. جستوجوی هدفمند منابع در PubMed، Scopus، Web of Science و Google Scholar برای مقالات منتشرشده تا زمان تهیه نسخه نهایی مقاله صورت گرفت. مقالات بر اساس ارتباط با هدف، کاربردپذیری بالینی و اهمیت روششناختی بهصورت هدفمند انتخاب شدند؛ رویکرد این مطالعه، بررسی تفسیری و انتقادی شواهد بود، نه تجمیع کمی نتایج. یافتهها: مدلهای یادگیری عمیق و چندوجهی در تصویربرداری، انکولوژی و قلبشناسی عملکرد قوی دارند اما اغلب میان سازمانها دقت خود را از دست میدهند . یادگیری فدرال به عملکرد آموزش متمرکز نزدیک میشود و اشتراک داده خام را را محدود میکند، اما ناهمگونی و امنیت را حلنشده باقی میگذارد . روشهای تبیینپذیری، از جمله Grad-CAM و جایگزینهای جدیدتر، به تفسیر کمک میکنند اما اعتبار بالینی را اثبات نمیکنند. عملکرد بالا معادل کارایی بالینی نیست؛ اعتبارسنجی خارجی، کالیبراسیون، انصاف و ارزیابی آیندهنگر الزامات کلیدیاند، و مقایسه هوش مصنوعی با پزشکان شواهدی بر جایگزینی نیست . نتیجهگیری: هوش مصنوعی پزشکی از اثبات مفهوم فراتر رفته، اما ارزش واقعی آن به اعتبارسنجی خارجی، کنترل سوگیری و ادغام مسئولانه در گردشکار وابسته است. سامانههای امن و تفسیرپذیر باید اولویت پژوهش آینده باشند. واژگان کلیدی: هوش مصنوعی؛ یادگیری عمیق؛ پزشکی دقیق؛ یادگیری فدرال؛ هوش مصنوعی توضیحپذیر

محتوای ارائه مجازی مقاله

نظرات