آیا رادیولوژیست‌ها می‌توانند مچِ گرافی‌های ساختگیِ هوش مصنوعی را بگیرند؟! 🤖🔍

در دومین شماره از «جمعه‌های پژوهشی»، سراغ یک مقاله به‌شدت جالب، داغ و حتی کمی نگران‌کننده رفتیم که همین چند روز پیش (اکتبر ۲۰۲۶) در ژورنال معتبر Journal of Imaging Informatics in Medicine چاپ شده.

بحث این هفته درباره اینه که: آیا هوش مصنوعی و خودِ رادیولوژیست‌ها می‌تونن عکس‌های قفسه سینه فیک (ساختگی) رو از عکس‌های واقعی تشخیص بدن؟ بیاین ریزِ جزئیاتشو با هم بررسی کنیم! 👇

📌 شناسنامه مقاله (Quick Specs):
عنوان پژوهش: خطای رادیولوژیست‌ها و مدل‌های زبانی بزرگ (LLMs) در تشخیص گرافی‌های ریه تولیدشده با هوش مصنوعی
منبع: سایت علمی AuntMinnie / برگرفته از مقاله منتشرشده در ژورنال Journal of Imaging Informatics in Medicine (اکتبر ۲۰۲۶)
تیم تحقیقاتی: بیمارستان دانشگاه ملی سئول (SNUH) در کره جنوبی

⚠️ ماجرا از چه قراره و چرا این موضوع مهمه؟ (Background & Problem):
امروزه هوش مصنوعی پیشرفت عجیبی کرده و می‌تونه عکس‌های رادیولوژی کاملاً ساختگی و مصنوعی (Synthetic) ولی فوق‌العاده باکیفیت و شبیه به واقعیت تولید کنه.
در نگاه اول شاید بگید این که خیلی خوبه؛ مثلاً برای آموزش مدل‌ها و پر کردن دیتابیس‌های آموزشی استفاده میشه. اما خطر کجاست؟
خطر بزرگ اینه که اگر این عکس‌های ساختگی خدای نکرده به‌صورت اشتباهی وارد سیستم‌های آرشیو بیمارستانی (PACS)، بنچ‌مارک‌های ارزیابی یا دیتاست‌های بالینی بشن و به عنوان عکس «واقعی» برچسب بخورند، کل سیستم تشخیصی و الگوریتم‌های هوش مصنوعی رو دچار خطا و انحراف می‌کنن!
اینجا بود که پژوهشگران یک سوال کلیدی پرسیدن: «وقتی کار به اینجا می‌رسه، چشم یک رادیولوژیست باسابقه یا هوش‌های مصنوعی پیشرفته چقدر می‌تونن این دوتا رو از هم تفکیک کنن؟»


🧪 طریقه انجام آزمایش (Study Setup):
محققان برای اینکه این قضیه رو تست کنن، ۱۶۰ کلیشه رادیوگرافی قفسه سینه (CXR) رو جلوشون گذاشتن که شامل این موارد بود:
۴۰ عکس کاملاً واقعی
۱۲۰ عکس کاملاً ساختگی (که با ۳ روش مختلفِ هوش مصنوعی تولید شده بودن)

بعدش این عکس‌ها رو دادن به دو گروه مختلف تا ببینن کیا چیکار می‌کنن:
گروه انسان‌ها: شامل دو تا رادیولوژیست خفن (یکی متخصص توراکس با ۱۲ سال سابقه و ۷ سال کار تخصصی ریه، و یکی متخصص رادیولوژی غیرتوراکس) به همراه دو تا پزشک عمومی.
گروه هوش مصنوعی (LLMs): شامل سه تا مدل معروف دنیا یعنی Gemini 3.5 Flash، GPT-4o و Claude 3.7 Sonnet.
با توجه به اینکه ۷۵٪ عکس‌ها ساختگی بودن، معیار اصلی مقایسه رو گذاشتن رو «دقت متوازن» (Balanced Accuracy)

💡 نتایج عجیب و یافته‌های کلیدی (Innovation & Findings):
وقتی نتایج اومد بیرون، چند تا نکته خیلی جالب و تعجب‌آور داشتیم:
رتبه اول مال کی بود؟ مدل هوش مصنوعی Gemini 3.5 Flash با دقت ۷۷.۹٪ و رادیولوژیست توراکس با دقت ۷۵.۸٪ بیشترین دقت رو داشتن و از نظر آماری تفاوت خاصی با هم نداشتن! (جالبه بدونید پزشکان عمومی عملاً در حد حدس و شانس عمل کردن و حرفی برای گفتن نداشتن)
نقاط قوت و ضعف آدم‌ها در برابر ربات‌ها:
رادیولوژیست‌های انسانی توی مچ‌گیریِ عکس‌هایی که با مدل‌های دیفیوژن ساخته شده بودن خیلی بهتر عمل کردن (بین ۸۲ تا ۱۰۰ درصد تونستن فیک بودنشون رو بفرمایند!)
در مقابل، مدل‌های هوش مصنوعی توی تشخیص عکس‌های واقعی (Specificity) خیلی دقیق‌تر بودن و کمتر به عکس‌های واقعی گیر می‌دادن (۹۰ تا ۱۰۰ درصد موفق بودن)
بزرگترین کشف مطالعه (نحوه شکست خوردن):
نویسنده‌ها خیلی قشنگ گفتن: «نکته مهم این نیست که کی اول شد، بلکه اینه که هرکدام چطور شکست خوردن!» میزان توافق بین تمام ارزیاب‌ها (ضریب کاپا) به‌شدت پایین و معادل ۰.۲۱۳ بود! یعنی چی؟ یعنی خیلی وقت‌ها عکسی رو که هوش مصنوعی فکر می‌کرد واقعی و درسته، رادیولوژیست می‌گفت فیکه، و برعکس!

🎯 جمع‌بندی و پیام بالینی برای ما (Clinical Takeaway):
📌 نتیجه آب پاکی روی دست: نویسندگان مقاله صراحتاً اعلام کردن که نه چشم انسان و نه مدل‌های هوش مصنوعی، هیچ‌کدام به تنهایی ابزار مطمئنی برای نگهبانی از امنیت داده‌ها نیستند و نمی‌تونن جلوی این نفوذ رو بگیرن.

📌 پس راهکار چیه؟ حل این مشکل با نگاه تشخیصی حل نمیشه؛ بلکه یک مسئله مدیریت داده و امنیت سایبری (Data Governance) است. یعنی باید بریم سراغ استفاده از واترمارک‌های دیجیتال رمزنگاری‌شده یا امضاهای دیجیتال در لحظه ثبت تصویر توسط دستگاه، تا اصالت فایل از همون اول تضمین بشه و بازبینی چشمی فقط به عنوان یک لایه دفاعی دوم استفاده بشه.
فقط یه نکته واسه آینده: پژوهشگران گفتن توی مطالعات بعدی باید بررسی کنیم که ترکیب «بررسی چشمیِ انسان» با «سیستم‌های واترمارک غیردیداری» چقدر می‌تونه بهمون کمک کنه.