تتعاون مايو كلينك و NVIDIA على نماذج الذكاء الصناعي لاكتشاف المرض المبكر

تعمل Mayo Clinic على تسريع الرعاية الصحية المدعومة بالذكاء الصناعي من خلال نشر بنية NVIDIA Blackwell لتحسين الكشف عن الأمراض، واكتشاف الأدوية، والمسار الرقمي للأمراض.

أعلنت مايو كلينك أنها ستقوم بتقديم DGX SuperPOD من NVIDIA بنظام Blackwell-powered DGX B200 للحوسبة عالية الأداء لدعم أدوات الطب القادمة التي تعتمد على الذكاء الصناعي في مايو.

تهدف الشراكة بين Mayo Clinic وNVIDIA إلى تسريع تطوير النماذج الأساسية لتطبيقات الرعاية الصحية، وخاصة في مسار الطب الرقمي، واكتشاف الأدوية، والطب الدقيق.

قال الدكتور ماثيو كالستروم، الذي يقود قسم الاستراتيجية في Mayo: “طموحنا للذكاء الاصطناعي هو تحسين نتائج المرضى بشكل معنوي من خلال اكتشاف المرض في وقت مبكر بما يكفي للتدخل.”

“ما كان مرة واحدة فرضية – ‘لو كنا نملك البيانات الصحيحة فقط’ – أصبح الآن حقيقة بفضل الذكاء الاصطناعي والحوسبة المتقدمة”، أضاف.

توضح عيادة Mayo أن هذا البنية التحتية الجديدة تتيح تحليل الصور الطبية الواسعة بمعدل أسرع بشكل كبير من قبل، مما يقلل من مدة بعض المهام من أربعة أسابيع إلى أسبوع واحد.

أحد هذه النماذج الجديدة هو أطلس، وهو نموذج أساسي للأمراض الرقمية تم إنشاؤه بالتعاون مع Aignostics. تقارير Mayo Clinic توضح أنه تم تدريب أطلس على أكثر من 1.2 مليون صورة للأمراض بدقة عالية لتعزيز الدقة التشخيصية وتقليل المهام الإدارية للمحترفين الطبيين.

“هذه القوة الحوسبية، بالإضافة إلى الخبرة السريرية التي لا مثيل لها في Mayo وبيانات المنصة التي تضم أكثر من 20 مليون شريحة مرضية مُرقمة، ستسمح لـ Mayo ببناء نماذج أساسية موجودة”، قال جيم روجرز، الرئيس التنفيذي لـ Mayo Clinic Digital Pathology.

“نحن نحول الرعاية الصحية بتطوير حلول الذكاء الاصطناعي المبتكرة بسرعة وأمان، والتي يمكن أن تحسن نتائج المرضى وتمكن الأطباء من تخصيص المزيد من الوقت للرعاية المرضى،” أضاف.

على الرغم من التقدم المشجع الذي تحققه عيادة مايو في التصوير الطبي باستخدام الذكاء الاصطناعي، يحذر الخبراء من الاعتماد الزائد على هذه التقنيات بسبب عدة مخاطر.

أظهرت الأبحاث الحديثة المنشورة في Pneumon أن أنظمة الذكاء الصناعي تعتمد على مجموعات بيانات كبيرة، مما يثير قلقاً كبيراً حول الخصوصية والأمان والسرية الخاصة بمعلومات المرضى الحساسة. وبشكل متزايد، تستهدف محاولات القرصنة هذه البيانات، أحياناً كجزء من هجمات سيبرانية أكبر.

والمشكلة الحرجة الأخرى هي تحيز البيانات، حيث يؤدي التمثيل غير الكافي للأقليات والمجموعات في البيانات إلى نتائج نموذج الذكاء الصناعي غير الدقيقة وغير العادلة، مما يؤثر سلباً على الرعاية التي تتلقاها هذه المجموعات.

بالإضافة إلى ذلك، يحذر الباحثون من “تسميم البيانات”، حيث يتم التلاعب بالبيانات عمداً لتسبب الأخطاء، مما يهدد موثوقية التشخيصات الذكاء الاصطناعي والتجارب السريرية.

هناك أيضًا أسئلة قانونية وأخلاقية غير محلولة حول من المسؤول عندما ترتكب أنظمة الذكاء الاصطناعي أخطاء. بالإضافة إلى ذلك، يؤدي الاستخدام المفرط لتقنية الذكاء الاصطناعي إلى تقليل الخبرة الطبية بين الأطباء لأنه يخلق ظاهرة تعرف بـ “تأثير الطبيب الكسول”.

تبرز هذه التحديات الحاجة إلى دمج الذكاء الصناعي بحذر وتنظيم جيد، والتحقق المستمر من صحته، وإعداد حمايات قوية لضمان أن الذكاء الصناعي يدعم، ولا يستبدل، الخبرة الطبية.