دنیا به طور قطع در آینده، شکل دیگری خواهد داشت و بسیاری از پیشرفت‌هایی که امروز شاید تخیل حساب می‌شوند، به واقعیت تبدیل می‌شوند. به عنوان مثال، آینده‌ای را تصور کنید که پزشک شما می‌تواند قبل از تصمیم‌گیری در مورد درمان یا انتخاب یک سبک زندگی سالم‌تر، بدن شما را در کامپیوتر شبیه‌سازی کند. اینها اهدافی هستند که از دوقلوهای دیجیتال انسانی (DTs) انتظار می‌رود.
ترکیبی برای توسعه پزشکی شخصی‌سازی
ترکیب دوقلوهای دیجیتال برپایه فیزیک با هوش مصنوعی داده‌محور که تحت عنوان «هوش مصنوعی کلان» از آن یاد می‌شود، در توسعه پزشکی شخصی‌سازی مؤثرند. در حالی که دوقلوهای دیجیتال در فرایند پیشبینیهای سلامت فردی، دقت و قابلیت افسیر را ارئه می‌دهد، اما هر کدام از آنها با محدودیت‌هایی روبرو هستند. هوش مصنوعی کلان با ادغام نقاط قوت آنها، پیشبینیهای سریع‌تر، قابل اعتمادتر و شخصی‌سازی‌شده‌تری را با کاربردهایی از تشخیص تا کشف دارو امکان‌پذیر می‌کند. مهم‌تر از همه این که هوش مصنوعی کلان، بینش‌های مکانیکی را به هوش مصنوعی بازمی‌گرداند و با روش علمی مطابقت دارد.
یک دوقلوی دیجیتال بیوفیزیکی، از DNA فرد گرفته تا سلول‌ها، بافت‌ها، اندام‌ها یا کل بدن، داده‌های بلادرنگ و طولی را برای شبیه‌سازی، پیش‌بینی و بهینه‌سازی نتایج سلامت افراد ادغام می‌کند. این مدل‌ها امکان تخمین‌های دقیقی را برای پزشکان فراهم می‌کنند؛ مسئله‌ای که دانشمندان آن را کمی‌سازی عدم قطعیت (UQ) می‌نامند. به عبارتی، UQ روشی است که برای اندازه‌گیری قابلیت اطمینان پیش‌بینی‌ها مورد استفاده قرار می‌گیرد. نمونه‌های زیادی از دوقلوهای دیجیتال در پزشکی وجود دارد که از آن جمله می‌توان در ایمونولوژی، سرطان و قلب و عروق اشاره کرد که برای اولین بار کدهای مبتنی بر اندام برای قلب و سیستم گردش خون به تازگی به عنوان یک نقطه عطف مهم در مسیر یک دوقلوی دیجیتال انسانی در مقیاس کامل ترکیب شده‌اند.
مدل‌های فیزیکی؛ دقیق، قابل‌سنجش اما کُند
مدل‌های مبتنی بر فیزیک، پایه و اساس مدل‌های ریاضی (DT) هستند. آنها سیستم‌های بیولوژیکی را با استفاده از معادلات مشتق شده از قوانین فیزیکی، مانند دینامیک سیالات و سنتزهای شیمیایی، شبیه‌سازی می‌کنند. این مدل‌ها زمانی از دقت بالایی برخوردار خواهند بود که زیست‌شناسی و ورودی‌های زیربنایی شناخته شده‌ای داشته باشند؛ اگرچه بیشتر آنها تا حدی تقریبی هستند. در حالی که این مدل‌ها، پیچیدگی‌های بیولوژیکی را ساده‌سازی می‌کنند، پیشبینیهای آنها به لحاظ علمی قابل تأیید و تابع محدودیت‌هایی است. بزرگ‌ترین نقطه قوت این مدل‌ها، آن است که در فرایند کاری خود از داده‌های بیمار استفاده می‌کنند. این بدان معناست که پیش‌بینی‌ها مانند یادگیری ماشینی مبتنی بر داده‌های جمعیتی، براساس میانگین‌ها ارائه نمی‌شوند، بلکه هم دقیق و هم شخصی‌سازی‌شده هستند.
مدل‌های هوش مصنوعی؛ پرنقص، انعطاف‌پذیر اما سریع
هوش مصنوعی به برخی الگوریتم‌ها، به ویژه یادگیری ماشینی (ML) اشاره دارد که الگوها را از مجموعه داده‌های کلان یاد می‌گیرند تا پیش‌بینی‌ها یا طبقه‌بندی‌ها را انجام دهند. هوش مصنوعی الگوها را از داده‌های بزرگ فرامی‌گیرد و قادر است نتایج سریع و اغلب چشمگیری ارائه دهد. این امر، به قدرتمندتر شدن هوش مصنوعی در مواقعی کمک می‌کند که اطلاعات از دست رفته یا ناقص هستند. اما همه‌چیز به نقاط ضعف این فناوری ممحدود نمی‌شود بلکه نقاط قوت‌هایی هم برای آن عنوان شده است. هوش مصنوعی در درون‌یابی بهتر از برون‌یابی عمل می‌کند. روش‌های UQ قابل اعتماد برای هوش مصنوعی هنوز توسعه نیافته‌اند. برخلاف مدل‌های مبتنی بر فیزیک، که توضیح می‌دهند چرا چیزی اتفاق می‌افتد، مدل‌های هوش مصنوعی معمولا نمی‌توانند دلایل را ارائه دهند و تنها به ارائه نتایج بسنده می‌کنند. این امر، آنها را به “جعبه‌های سیاه” تبدیل می‌کند که اعتماد به آنها در کاربردهای پرمخاطره مانند پزشکی دشوار است. در واقع، از این نظر، مدل‌هایی غیرعلمی هستند که شاید نتوان به خوبی روی دقت آنها حساب باز کرد و از ارائه بینش‌های مکانیکی به کار رفته در فرآیند علمی طفره می‌روند.
برای تعمیم‌پذیر بودن مدل‌ها، از داده‌های جمعیتی برای دستیابی به یک مدل هوش مصنوعی «یکسان برای همه» استفاده می‌شود، که در آن، پیش‌بینی‌ها به جای اینکه مبتنی بر فیزیولوژی فرد باشند، درون‌یابی‌های آماری را دربرمی‌گیرد. باوجوداین، حتی چنین درون‌یابی‌هایی به طور بالقوه غیرقابل اعتماد هستند، زیرا مدل‌های هوش مصنوعی اغلب بر فرضیات آزمایش نشده و انتخاب‌های ذهنی مبتنی هستند. غیرخطی بودن زیست‌شناسی، چالش دیگری را برای هوش مصنوعی به همراه دارد که با هدف یا داده‌های لازم آموزش ندیده است.
برای مطالعه این مطلب و مقالات علمی دیگر، سری به جدیدترین شماره مجله پرسیاوشان بزنید!
