پیش‌بینی زمان مرگ؛ ناخوشایندترین قابلیت هوش مصنوعی

متخصصان علم پزشکی از دستاوردی تازه در پیش‌‌بینی‌‌ با کمک هوش مصنوعی سخن می‌‌گویند که احتمالا هرگز علاقه‌‌ای به استفاده از آن نخواهید داشت.

پژوهشگران علوم پزشکی به قابلیتی خیره‌‌کننده و البته ناخوشایند در هوش مصنوعی دست یافته‌‌اند که کسی علاقه‌‌ای به آزمودن آن ندارد: «پیش‌بینی مرگ زودرس افراد».

اخیرا، دانشمندان نوعی سیستم هوش مصنوعی را به‌‌گونه‌‌ای آموزش داده‌‌اند که بتواند داده‌های سلامت عمومی مربوط‌‌به بیش از نیم‌میلیون نفر را طی یک دهه در انگلستان ارزیابی کند. سپس، آن‌ها از این سیستم خواستند احتمال خطر مرگ زودرس در افراد را پیش‌بینی کند؛ یعنی وضعیتی که فرد، مثلا به‌‌علت ابتلابه بیماری‌‌های مزمن، کمتر از میانگین موردانتظار عمر کند.

دکتر استفن ونگ، یکی از اعضای گروه این پژوهش و استادیار علوم اپیدمیولوژی و علوم داده در دانشگاه ناتینگهام بریتانیا، در بیانیه‌ای می‌‌گوید پیش‌بینی‌‌های الگوریتم‌‌های هوش مصنوعی درباره‌ی مرگ زودهنگام دقیق‌تر از پیش‌بینی‌های مدلی بود که از یادگیری ماشین بی‌‌بهره بود.

پژوهشگران برای ارزیابی احتمال مرگ زودرس افراد، دو ساختار مختلف از هوش مصنوعی را آزمایش کردند: ۱. یادگیری عمیق که در آن شبکه‌های پردازش اطلاعات لایه‌ای به رایانه کمک می‌‌کند ازطریق مثال‌‌ها آموزش ببیند؛ ۲. جنگل‌‌های تصمیم تصادفی که نوعی ساده‌‌تر از هوش مصنوعی است و در آن، از ترکیب چندین مدل درختی برای پیش‌‌بینی نتایج ممکن استفاده می‌‌شود.

در مرحله‌‌ی بعد، آن‌ها نتایج مدل‌های هوش مصنوعی را با نتایج الگوریتمی استاندارد به‌نام مدل کاکس (Cox) مقایسه کردند.

با استفاده از این سه مدل، دانشمندان داده‌های بانک زیستی بریتانیا را ارزیابی و پایگاه اطلاعاتی متن‌‌باز از داده‌های ژنتیکی و فیزیکی و سلامتی بیش از ۵۰۰ هزار نفر از افراد بین سال‌های ۲۰۰۶ تا ۲۰۱۶ جمع‌‌آوری کردند. در طی این دوره‌‌، تقریبا ۱۴,۵۰۰ نفر از شرکت‌‌کنندگان براثر مشکلاتی ازقبیل سرطان و بیماری‌های قلبی و تنفسی فوت کردند.

تأثیر متغیرهای گوناگون

هر سه مدل نشان می دادند عواملی مانند سن، جنسیت، سابقه‌‌ی مصرف سیگار و سابقه‌‌ی تشخیص سرطان، ازجمله عوامل مهم‌‌ در ارزیابی احتمال مرگ زودرس هر فرد هستند. بااین‌‌حال، پژوهشگران دریافتند مدل‌ها درباره‌ی تأثیر عوامل دیگر هم‌گرایی خاصی نشان نمی‌‌دهند.

مدل کاکس به‌‌شدت براساس قومیت و فعالیت فیزیکی آموزش دیده بود؛ درحالی‌که این موضوع درباره‌ی مدل‌های یادگیری ماشین صدق نمی‌کرد. براساس این مطالعه، مدل جنگل تصمیم تصادفی تأکید بیشتری روی عواملی نظیر درصد چربی بدن، دور کمر، میزان مصرف میوه و سبزیجات و رنگ پوست نشان می‌‌کرد. برای مدل یادگیری عمیق، عوامل مؤثرتر عبارت بودند از: مواجهه با خطرهای مرتبط با کار، آلودگی هوا، مصرف الکل و استفاده از داروهای خاص.

الگوریتم یادگیری عمیق توانست به‌درستی ۷۶ درصد از موارد مرگ زودرس افراد را در جامعه‌ای ۵۰۰ هزار نفری پیش‌بینی کند
وقتی تمام این محاسبات انجام شد، الگوریتم یادگیری عمیق دقیق‌ترین پیش‌بینی ممکن را ارائه کرد و به‌‌درستی توانست ۷۶ درصد از افرادی را شناسایی کند که در طول دوره‌‌ی مطالعه جان باخته‌ بودند. در مقام مقایسه، مدل جنگل تصمیم تصادفی موفق شد ۶۴ درصد از موارد مرگ زودرس را درست پیش‌‌بینی کند. این درحالی بود که مدل کاکس فقط توانست ۴۴ درصد از این موارد را به‌‌درستی شناسایی کند.

البته این اولین‌باری نیست که متخصصان توانسته‌‌اند قدرت پیش‌‌بینی هوش مصنوعی را در مراقبت‌‌های پزشکی به‌‌کار گیرند. در سال ۲۰۱۷ نیز، تیمی متفاوت از پژوهشگران نشان دادند هوش مصنوعی می‌تواند نشانه‌های اولیه بیماری آلزایمر را تشخیص دهد. الگوریتم ابداعی آن‌ها اسکن مغزی افراد را ارزیابی می‌کرد تا پیش‌بینی کند احتمال بُروز آلزایمر در آن‌‌ها وجود دارد یا خیر. این الگوریتم نیز توانست به‌ دقت پیش‌‌بینی بیش از ۸۴ درصد دست یابد.

مطالعه‌‌ی دیگری نشان داد هوش مصنوعی می‌تواند شروع اوتیسم را در کودکان ۶ ماهه‌‌ای پیش‌بینی کند که درمعرض خطر بسیار زیاد ابتلا‌ به این اختلال قرار دارند. در همین حال، مطالعه‌‌ی دیگری از توانایی پیش‌‌بینی نشانه‌های ابتلا‌ به دیابت ازطریق تحلیل اسکن شبکیه‌‌ی چشم خبر می‌‌داد و در پژوهشی دیگر نیز، با استفاده از داده‌های به‌دست‌آمده از اسکن شبکیه، احتمال بُروز حمله‌‌ی قلبی یا سکته در افراد پیش‌‌بینی شد.

جو کای، از پژوهشگران همکار در این مطالعه و نیز استاد مراقبت‌‌های اولیه در سازمان ملل، در بیانیه‌‌ای اعلام کرد دانشمندان در این مطالعه نشان دادند درصورت اعمال «تنظیمات دقیق»، یادگیری ماشینی می‌تواند برای پیش‌بینی موفقیت‌‌آمیز احتمال مرگ‌‌و‌‌میر در طول زمان به‌کار گرفته شود. کای می‌‌افزاید:

درحالی‌که استفاده از هوش مصنوعی برای بسیاری از متخصصان مراقبت‌های پزشکی پدیده‌‌ای نامأنوس به‌‌شمار می‌‌آید، معرفی روش‌های به‌کاررفته در این مطالعه می‌تواند به تأیید علمی و پیشبرد آتی این رشته‌‌ی هیجان‌انگیز کمک کند.