மருத்துவ AI உண்மையில் பயன் தருகிறது என்பதற்கான கடினமான ஆதாரத்திற்கு உந்துதல்

ஆதாரத்தைவிட வேகமாக மருத்துவ AI பரவி வருகிறது

Nature Medicine-ல் வெளியான ஒரு ஆசிரியக்கட்டுரை, சுகாதார தொழில்நுட்பத்தின் மிகப்பெரிய இடைவெளிகளில் ஒன்றைப் பற்றி நேரடியான வாதத்தை முன்வைக்கிறது: AI கருவிகளை உருவாக்குவதில் துறை கணிசமாக சிறந்துள்ளது, ஆனால் அந்த கருவிகள் நடைமுறையில் பராமரிப்பை மேம்படுத்துகின்றன என்பதற்கான நிலையான ஆதாரம் இன்னும் இல்லை. முன்னறிவு மாதிரிகள், முடிவெடுத்தல் ஆதரவு அமைப்புகள், மற்றும் ஜெனரேட்டிவ் கருவிகள் ஏற்கனவே மருத்துவ சூழல்களில் நுழைந்து வருகின்றன; அதே நேரத்தில், பெரிய மொழி மாதிரிகள் பொதுமக்களாலும் சுகாதாரத் தகவல்களுக்காகப் பயன்படுத்தப்படுகின்றன. சுகாதாரத் துறையில் ஏற்றுக்கொள்ளல் வேகம் அதிகரிக்கிறது, ஆனால் உண்மை உலக மதிப்பின் ஆதாரம் இன்னும் குறைவாகவே உள்ளது என அந்தக் கட்டுரை கூறுகிறது.

அந்த வேறுபாடே கட்டுரையின் மையம். மருத்துவ AI காகிதத்தில் பிரமிப்பாகத் தோன்றலாம், குறிப்பாக உருவாக்குநர்கள் உணர்திறன், தனித்திறன், வேறுபடுத்தும் திறன் அல்லது கலிப்ரேஷன் போன்ற புள்ளிவிவர அளவுகளை அறிவிக்கும்போது. அவை ஒரு அமைப்பு கணிப்பியல் ரீதியாக எப்படி செயல்படுகிறது என்பதை விவரிக்கின்றன. ஆனால் அவை தானாகவே நோயாளிகள் சிறந்த சிகிச்சை பெறுகிறார்கள், மருத்துவர்கள் சிறந்த முடிவுகளை எடுக்கிறார்கள், அல்லது நிறுவுதலுக்குப் பிறகு சுகாதார அமைப்புகள் மேலும் திறம்பட இயங்குகின்றன என்பதைக் காட்டுவதில்லை.

செயல்திறன் அளவுகள் ஏன் போதாது

சுகாதாரத் துறை சரிபார்ப்பை மிகக் குறுகிய பார்வையுடன் புரிந்துகொள்ளத் தொடங்கியுள்ளதாக அந்த ஆசிரியக்கட்டுரை வாதிடுகிறது. ஒரு மாதிரி பின்னோக்கி பரிசோதனையில் நல்ல மதிப்பெண் பெறலாம், ஆனால் அது தவறான நேரத்தில் வருவது, புரிந்து கொள்வதற்கு கடினமாக இருப்பது, பணியாளர்களால் புறக்கணிக்கப்படுவது, அல்லது ஏற்கனவே உள்ள பணிப்பாய்ச்சலைக் குழப்புவது போன்ற காரணங்களால் மருத்துவ ரீதியாக தோல்வியடையலாம். வேறு வார்த்தைகளில் சொன்னால், தொழில்நுட்ப வெற்றி என்பதே மருத்துவப் பயன் அல்ல.

இது சிறிய கல்விசார் புகார் அல்ல. மருத்துவமனைகள் அல்லது வழங்குநர்கள் பெரும்பாலும் செயல்திறன் அளவுகளின் அடிப்படையில் கருவிகளை ஏற்றுக்கொண்டால், நடைமுறை மதிப்பு தெளிவில்லாத தயாரிப்புகளுக்கு அவர்கள் பணமும் நேரமும் செலவழிக்கலாம். அதைவிட மோசமாக, பெஞ்ச்மார்க் ஆய்வுகளில் தெரியாத புதிய தீமைகள் அல்லது செயல்திறன் குறைபாடுகளை அவர்கள் அறிமுகப்படுத்தலாம். தாக்கம் பற்றிய கூற்றுகள் கட்டுரைகளிலும் தயாரிப்பு பொருட்களிலும் அதிகரித்து வரும் நிலையில் கூட, ஆதாரத் தரநிலைகள் இன்னும் மங்கலாக இருக்கும் காரணத்தால், தற்போதைய பழக்கங்கள் நேரத்துக்கு முந்திய செயல்படுத்தலின் ஆபத்தை ஏற்படுத்துகின்றன என்று ஆசிரியக்கட்டுரை எச்சரிக்கிறது.

உண்மையான மருத்துவப் பயன் சூதாட்டத்தில் இருக்கும் போது, மருத்துவம் நீண்ட காலமாக வலுவான ஆதார சங்கிலியை கோருகிறது. மருந்து வளர்ச்சி ஒரு தெளிவான உதாரணம். புதிய மருந்துகள் வெறும் உயிர்வேதியியல் விளைவு உண்டாக்குகின்றனவா அல்லது ஆரம்ப ஆய்வகப் பணிகளில் நம்பிக்கை தருகிறதா என்பதன் அடிப்படையில் மட்டும் மதிப்பிடப்படுவதில்லை. அவை கட்டமைக்கப்பட்ட ஆதாரத் தேவைகளை கடக்க வேண்டும்; பொது மேற்பார்வை, அனுமதி, பரிந்துரை அல்லது மறுசெலுத்தலுக்குப் போதுமான ஆதாரம் எப்போது உள்ளது என்பதை தீர்மானிக்க உதவுகிறது.

மருத்துவ AI இதற்கு ஒப்பான நெறிமுறைகளை உருவாக்கவில்லை என்று அந்த ஆசிரியக்கட்டுரை கூறுகிறது. அதனால் மென்பொருளை மருந்துபோல் துல்லியமாகவே ஒழுங்குபடுத்த வேண்டும் என்பதில்லை. அந்தத் தொழில்நுட்பங்கள் வேகமாக வளர்கின்றன, பயன்பாடுகள் பரவலாக மாறுபடுகின்றன, மேலும் ஆதாரம் உருவாக்கும் ஊக்கங்கள் சமமல்ல. ஆனால் நிறுவனங்களும் நிறுவன அமைப்புகளும் AI பராமரிப்பை மேம்படுத்துகிறது என்று கூற விரும்பினால், அந்தக் கூற்றுகளின் வலிமைக்கு ஏற்ற ஆதாரத்துடன் அவற்றை இணைக்கும் ஒரு கட்டமைப்பு துறைக்கு தேவை.