
هوش مصنوعی (Artificial Intelligence) به یکی از مهمترین فناوریهای تحولآفرین در علوم پزشکی تبدیل شده است و پزشکی هستهای از جمله حوزههایی است که بیشترین ظرفیت را برای بهرهگیری از این فناوری دارد. مطالعات منتشرشده در مجلات معتبر بینالمللی نظیر The Journal of Nuclear Medicine (JNM)، European Journal of Nuclear Medicine and Molecular Imaging (EJNMMI) و Journal of Nuclear Cardiology نشان میدهند که الگوریتمهای یادگیری عمیق، یادگیری ماشین و مدلهای مولد (Generative AI)، آینده تصویربرداری مولکولی را بهطور اساسی دگرگون خواهند کرد.
در گذشته، کاربرد هوش مصنوعی عمدتاً به بهبود کیفیت تصاویر محدود بود، اما امروزه این فناوری تقریباً تمام مراحل فرایند تصویربرداری پزشکی را تحت تأثیر قرار داده است؛ از بهینهسازی پروتکلهای تصویربرداری، بازسازی تصاویر، حذف نویز، اصلاح تضعیف (Attenuation Correction)، بخشبندی خودکار اندامها و ضایعات، استخراج نشانگرهای کمی (Quantitative Biomarkers) تا تولید گزارشهای هوشمند و پشتیبانی از تصمیمگیری بالینی.
مطالعات اخیر نشان دادهاند که شبکههای عصبی عمیق قادرند کیفیت تصاویر PET/CT و SPECT/CT را حتی در شرایط کاهش زمان تصویربرداری یا کاهش شمارش فوتونها حفظ کرده و در برخی موارد بهبود دهند.
یکی از چالشهای اصلی پزشکی هستهای، طولانی بودن زمان تصویربرداری است که علاوه بر کاهش راحتی بیمار، احتمال ایجاد آرتیفکتهای حرکتی را افزایش میدهد.
نتایج پژوهشهای متعدد نشان داده است که الگوریتمهای مبتنی بر Deep Learning میتوانند تصاویر حاصل از تصویربرداری کوتاهمدت (Half-Time و Quarter-Time) را با کیفیتی نزدیک به تصاویر استاندارد بازسازی کنند. این فناوری میتواند:
کاهش چشمگیر زمان تصویربرداری
افزایش ظرفیت پذیرش بیمار در مراکز پزشکی هستهای
کاهش آرتیفکتهای ناشی از حرکت بیمار
افزایش راحتی بیماران سالمند، کودکان و بیماران بدحال
بهبود بهرهوری تجهیزات تصویربرداری
را به همراه داشته باشد.
آینده پزشکی هستهای تنها به مشاهده تصاویر محدود نخواهد بود؛ بلکه بر تصویربرداری کمی (Quantitative Molecular Imaging) استوار خواهد شد.
هوش مصنوعی قادر است:
شاخصهای کمی مانند SUV، TPD و SRS را با دقت بیشتری استخراج کند.
تغییرات بسیار ظریف بیماری را شناسایی نماید.
خطاهای ناشی از اختلاف بین تفسیر پزشکان را کاهش دهد.
قابلیت تکرارپذیری نتایج را افزایش دهد.
این ویژگیها زمینه را برای تصمیمگیریهای دقیقتر بالینی فراهم میکنند.
یکی از مهمترین روندهای آینده، تلفیق دادههای تصویربرداری مولکولی با اطلاعات ژنتیکی، پاتولوژی، سوابق بالینی و دادههای آزمایشگاهی است.
در چنین شرایطی، هوش مصنوعی میتواند:
احتمال پاسخ بیمار به درمان را پیشبینی کند.
بیماران مناسب برای درمانهای رادیودارویی را انتخاب نماید.
دوز درمان را بهینهسازی کند.
پاسخ به درمان را بهصورت کمی ارزیابی نماید.
این رویکرد، زیربنای پزشکی دقیق (Precision Medicine) و ترانوستیک (Theranostics) محسوب میشود.
با وجود پیشرفتهای چشمگیر، استقرار گسترده هوش مصنوعی در پزشکی هستهای مستلزم رفع چالشهای مهمی است، از جمله:
اعتبارسنجی چندمرکزی الگوریتمها
استانداردسازی روشهای ارزیابی
شفافیت و قابلیت تفسیر مدلهای هوش مصنوعی (Explainable AI)
رعایت اصول اخلاق پزشکی و حفظ حریم خصوصی بیماران
اخذ تأییدیههای قانونی و نظارتی
ادغام ایمن در گردش کار بالینی
بنابراین، هوش مصنوعی باید به عنوان یک سامانه هوشمند پشتیبان تصمیمگیری بالینی در کنار پزشکان، فیزیکدانان پزشکی و متخصصان پزشکی هستهای به کار گرفته شود، نه جایگزین آنان.
هوش مصنوعی در حال تغییر پارادایم پزشکی هستهای از یک روش تصویربرداری صرف به یک سامانه هوشمند، کمی و مبتنی بر پزشکی دقیق است. تلفیق فناوریهای نوین هوش مصنوعی با تصویربرداری مولکولی، فیزیک پزشکی و رادیوداروها، آیندهای را رقم خواهد زد که در آن تشخیص سریعتر، درمان شخصیسازیشده، کاهش زمان تصویربرداری، افزایش دقت تشخیصی و ارتقای کیفیت خدمات درمانی بیش از هر زمان دیگری امکانپذیر خواهد بود.
آینده پزشکی هستهای، در همگرایی هوش مصنوعی، دانش پزشکی، فیزیک پزشکی و نوآوریهای فناورانه شکل خواهد گرفت؛ آیندهای که هدف نهایی آن، ارتقای کیفیت زندگی بیماران و توسعه نظام سلامت هوشمند است.