Who is leading medical AI? A systematic review and scientometric analysis of chest x-ray research
تكشف هذه المراجعة المنهجية والتحليل القياسي العلمي لـ 928 دراسة حول الذكاء الاصطناعي في الأشعة السينية للصدر أن القيادة البحثية وبيانات التدريب تهيمن عليهما بشكل ساحق الدول ذات الدخل المرتفع، ولا سيما الولايات المتحدة والصين، مما يخلق تفاوتات كبيرة تهدد بتطوير أنظمة ذكاء اصطناعي ذات أداء غير متسق عبر مختلف المجموعات السكانية العالمية وتفاقم عدم المساواة في الرعاية الصحية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
تخيل عالم الذكاء الاصطناعي الطبي كأنه مطبخ ضخم وعالي التقنية، حيث يحاول الطهاة ابتكار "وصفة آلية مثالية" لتشخيص أمراض الصدر باستخدام الأشعة السينية. الهدف رائع: مساعدة الأطباء في كل مكان، خاصة في الأماكن التي تفتقر إلى المتخصصين، لرصد الأمراض مثل الالتهاب الرئوي أو السل بسرعة ودقة.
هذه الورقة البحثية تشبه ناقد طعام دخل ذلك المطبخ، وتفحص ما يقرب من 1,000 وصفة (دراسة بحثية) نُشرت بين عامي 2017 و2025، وطرح سؤالاً بالغ الأهمية: "من الذي يطبخ؟ وما هي المكونات التي يستخدمونها؟"
إليك ما وجده الناقد، مقسماً إلى قصص بسيطة:
1. مشكلة "من يطبخ؟" (تفاوت الطهاة)
التشبيه: تخيل مسابقة للطهي حيث يكون الحكام وكبار الطهاة بالكامل تقريباً من عواصم الطهي الشهيرة والغنية مثل نيويورك وبكين.
الواقع: وجدت الدراسة أن الدول ذات الدخل المرتفع (مثل الولايات المتحدة والصين وكوريا الجنوبية) هي التي تقوم بمعظم العمل الرائد.
- الصين والولايات المتحدة هما أهم "طاهيين"، حيث كتبتا حوالي 33% من جميع الوصفات.
- الأصوات المفقودة: لم يأتِ أي "طاهٍ رئيسي" (المؤلف الأول) من دولة منخفضة الدخل. وحتى عند النظر إلى "كبار الطهاة" (المؤلفين الرئيسيين)، لم يأتِ تقريباً أي منهم من الدول الأكثر فقراً.
- الخطر: إذا طلبت من طهاة من مدن غنية فقط تصميم قائمة طعام للعالم أجمع، فقد ينسون أن الناس في القرى الريفية لديهم أذواق مختلفة، وحساسيات مختلفة، ومعدات طبخ مختلفة. إن الذكاء الاصطناعي يتم بناؤه من قبل أشخاص قد لا يفهمون المشكلات الصحية المحددة للمناطق الأكثر فقراً.
2. مشكلة "المكونات" (تفاوت البيانات)
التشبيه: تخيل أن الطهاة يحاولون تعلم كيفية خبز كعكة. ولكن بدلاً من تذوق الدقيق من جميع أنحاء العالم، هم يخبزون فقط باستخدام دقيق من مخبز واحد باهٍ ومحدد في الولايات المتحدة.
الواقع: "المكونات" (البيانات الطبية/الأشعة السينية) المستخدمة لتدريب هذه الحواسيب الذكية تأتي في الغالب من الدول الغنية.
- 73.6% من البيانات تأتي من دول ذات دخل مرتفع.
- الولايات المتحدة وحدها قدمت أكثر من 40% من البيانات.
- الخطر: إذا دربت حاسوباً على التعرف على مرض باستخدام أشعة سينية لمرضى أصحاء وأثرياء، فقد يرتبك عندما يرى أشعة سينية لمريض من بلد فقير لديه ظروف جسدية مختلفة، أو بنية جسدية مختلفة، أو أنواع مختلفة من المعدات. الأمر يشبه تعليم كلب التعرف فقط على كلاب "الجولدن ريتريفر"؛ عندما يرى كلب "تشيواوا"، لن يعرف ما هو.
3. مشكلة "العمل الجماعي" (فجوة التعاون)
التشبيه: تخيل أن الطهاة الأثرياء والطهاة الفقراء نادراً ما يتحدثون مع بعضهم البعض. وعندما يفعلون ذلك، يكون الطاهي الغني عادةً هو من يدير الأمور، بينما يقوم الطاهي الفقير فقط بتسليم بعض الخضروات.
الواقع: وجدت الدراسة أن العمل الجماعي عبر البلدان نادر للغاية.
- 3.9% فقط من الدراسات تضمنت شراكة بين دولة غنية ودولة أفقر.
- معظم الأبحاث تُجرى بواسطة فرق من دول غنية تعمل مع دول غنية أخرى.
- الخطر: هذا يعني أن "الخبراء المحليين" في الدول النامية لا يساعدون في تصميم الأدوات. إنهم لا يقولون: "مهلاً، هذا لا يعمل مع مرضانا"، لأنهم ليسوا في الغرفة حيث تُتخذ القرارات.
الصورة الكبيرة: لماذا يجب أن نهتم؟
يحذر المؤلفون من أننا إذا استمررنا في الطبخ بهذه الطريقة، فإننا نبني أدوات ذكاء اصطناي منحازة.
فكر في الأمر كزوج من النظارات صُمم لشخص يتمتع برؤية مثالية في مدينة مشمسة. إذا سلمت تلك النظارات نفسها لشخص في قرية ضبابية وممطرة، فلن تكون الرؤية ضبابية فحسب؛ بل قد تجعل الأشياء تبدو أسوأ مما كانت عليه في الواقع.
إذا تم تدريب الذكاء الاصطناعي الطبي فقط على بيانات من الدول الغنية، فقد يفشل عند استخدامه في الأماكن التي يحتاجه فيها بشدة (حيث تقتل الأمراض التنفسية أكبر عدد من الناس فعلياً). هذا قد يؤدي دون قصد إلى تفاقم عدم المساواة الصحية بدلاً من إصلاحها.
الحل: وصفة جديدة
تقترح الورقة البحثية أننا بحاجة إلى تغيير قواعد المطبخ:
- دعوة طهاة جدد: نحتاج إلى دعم الباحثين من الدول الأفقر بشكل فعال ليقودوا المشاريع، وليس فقط للمساعدة.
- جمع مكونات عالمية: نحتاج إلى جمع بيانات الأشعة السينية من جميع أنحاء العالم، وليس فقط من الولايات المتحدة وأوروبا، وجعلها متاحة للجميع.
- شراكات حقيقية: يجب على الدول الغنية أن تعمل مع الدول الأفقر كشركاء متساوين، من خلال مشاركة المال والتكنولوجيا، بدلاً من مجرد أخذ البيانات والمغادرة.
باختصار: التكنولوجيا قوية، ولكنها حالياً تُبنى من قبل مجموعة صغيرة من الناس باستخدام مجموعة ضيقة جداً من الأمثلة. لإنقاذ الأرواح عالمياً، نحتاج إلى فتح أبواب المطبخ، ودعوة الجميع للدخول، والتأكد من أن الوصفات تعمل للجميع، وليس للأثرياء فقط.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.