🔻گاهی یک «—» در مقاله، یک تصویر رادیولوژی، یا یک توالی DNA می‌تواند سرنخی از نقش واقعی #هوش_مصنوعی در #پزشکی و #زیست‌شناسی باشد؛ اما نکته جالب اینجاست که بعضی از این سرنخ‌ها را نباید بیش از اندازه تفسیر کرد.


📝 مطالعه‌ای روی ۶۹٬۶۳۲ پیش‌چاپ پزشکی در medRxiv نشان داد حضور em-dash یا «—» در بخش Discussion از ۴٫۲۳٪ پیش از ChatGPT به ۱۱٫۵۸٪ پس از آن رسیده است. نسبت شانس تعدیل‌شده هم ۲٫۹۶ گزارش شده؛ اما این عدد به معنی «سه برابر شدن ساده درصد» نیست. نسبت خام شیوع حدود ۲٫۷۴ برابر است و شیوع ثبت‌شده برای ۲۰۲۵، یعنی ۲۰٫۳٪، حدود ۴٫۸ برابر خط پایه بوده است.


این افزایش جهشی هم نبوده: حدود ۴٪ در ۲۰۲۳، ۸٪ در ۲۰۲۴ و ۲۰٫۳٪ در ۲۰۲۵ گزارش شده است. نتایج در تحلیل‌های حساسیتی و آزمون‌های falsification نیز پایدار بوده و در بخش‌های boilerplate مانند Acknowledgments و Data Availability الگوی مشابهی دیده نشده است. با این حال، مطالعه علت را ثابت نمی‌کند و em-dash نمی‌تواند نشان دهد مقاله‌ای مشخص با AI نوشته شده؛ این فقط یک تغییر جمعیتی در الگوی نوشتار علمی است و پژوهش فعلاً پیش‌چاپ است.


🩻 در #رادیولوژی هم یک نمونه متفاوت داریم. Qure.ai مدلی پژوهشی و متن‌باز برای bone suppression در رادیوگرافی قفسه سینه منتشر کرده که تصویر را به استخوان، مؤلفه ریه و بافت نرم خارج از ریه تفکیک می‌کند. هدف، کاهش هم‌پوشانی استخوانی و بهتر دیده‌شدن ساختارهای زیر استخوان است؛ اما این «حذف واقعی استخوان» نیست. مدل با داده‌های مصنوعیِ حاصل از CT آموزش داده شده، محدودیت‌های مشخصی دارد و خود سازندگان آن را نرم‌افزار پژوهشی و نه وسیله پزشکی برای تصمیم‌گیری بالینی معرفی کرده‌اند.


🧬 شاید عجیب‌ترین نمونه جایی است که #عامل_هوش_مصنوعی سراغ DNA رفته است.


در گزارشی، Anthropic می‌گوید عامل‌های Claude هنگام بررسی بیش از ۲۰۰ هزار reverse transcriptase، سامانه‌ای را شناسایی کردند که شامل یک RT، یک ژن همراه و آرایه‌ای طولانی از توالی‌های تکراری DNA است؛ معماری‌ای که یادآور #CRISPR است.


این سامانه با نام ART یا array-associated reverse transcriptases معرفی شده و عمدتاً در باکتریوفاژهاست. نکته مهم این است که خود reverse transcriptase قبلاً شناخته شده بود؛ چیزی که به Claude نسبت داده شده، شناسایی این سامانه و ویژگی‌های همراه آن است. آزمایش‌های اولیه نشان داده‌اند آرایه ART به RNAهای کوتاه مجزا نیز بیان می‌شود، اما عملکرد اصلی آن هنوز مشخص نیست و برای فهم کاربردش به پژوهش نیاز دارد.


🏥 درباره ارتباط #هوش_مصنوعی با مرگ‌ومیر بیمارستانی هم باید مراقب دام آماری باشیم: ارتباط برخی workflowهای AI با پیامدهای بهتر، اثر علّی AI را ثابت نمی‌کند. بیمارستان‌های مجهزتر ممکن است هم‌زمان منابع، زیرساخت و ظرفیت سازمانی متفاوتی داشته باشند و همین عوامل بر نتیجه اثر بگذارند.


یکی از کاربردهای نزدیک به زندگی روزمره پزشکان، کاهش بار #مستندسازی_پزشکی است؛ از استخراج و ساختارمند کردن اطلاعات EHR و ثبت تشخیص‌ها تا تهیه پیش‌نویس گزارش ترخیص و کمک به استخراج داده‌های پزشکی و آزمایشگاهی. این ابزارها می‌توانند بار مستندسازی را کم کنند، اما خروجی به بررسی انسان نیاز دارد.


🔎 ابزارهایی مانند OpenEvidence نیز برای پاسخ‌گویی به پرسش‌های بالینی با تکیه بر منابع و ارجاع طراحی شده‌اند. با این حال، حتی در چنین ابزارهایی احتمال خطا یا خلاصه‌سازی نادرست منابع وجود دارد؛ بنابراین #پزشک و قضاوت تخصصی همچنان جایگزین‌ناپذیرند.


🎓 و یک نکته مهم‌تر از همه ابزارها: ارزش دانشگاه فقط به مدرک ختم نمی‌شود. استاد، همکلاسی و پژوهشگرهایی که آنجا می‌شناسید ممکن است بعدها به همکار یا شریک یک پروژه جدی تبدیل شوند. دانشگاه بخشی از #شبکه_حرفه‌ای شما را می‌سازد؛ اما اینکه بعداً از این ارتباط‌ها چه می‌سازید، به خودتان بستگی دارد.


یک سؤال: اگر قرار باشد یکی را انتخاب کنید، کدام تغییر را برای آینده #پزشکی مهم‌تر می‌دانید؛ کمک به پزشک در کارهای روزمره، تحلیل تصاویر پزشکی، یا کشف علمی و زیستی؟

مرجع فناوری اطلاعات استان مازندران
🖥 @maz_it‎