જોકે આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) એ ઓન્કોલોજીમાં ક્રાંતિ લાવવાનું વચન આપ્યું હતું, પરંતુ તાજેતરની વાસ્તવિકતા દર્શાવે છે કે તેના પ્રચાર (hype) અને ક્લિનિકલ ઉપયોગિતા વચ્ચે મોટો તફાવત છે. નવા તારણો દર્શાવે છે કે સ્તન કેન્સરની તપાસમાં હાલના AI અમલીકરણો તબીબી વ્યાવસાયિકોની ઊંચી અપેક્ષાઓ પર ખરા ઉતરતા નથી.

અપેક્ષા અને ક્લિનિકલ વાસ્તવિકતા વચ્ચેનો તફાવત

Clinical Imaging માં કરવામાં આવેલ એક સર્વે રેડિયોલોજિસ્ટ્સની AI પ્રત્યેની આશાઓ અને સાધનો ખરેખર શું પ્રદાન કરે છે તે વચ્ચેનો વિચ્છેદ દર્શાવે છે. આ અભ્યાસમાં Society of Breast Imaging ના 215 સભ્યોનો સર્વે કરવામાં આવ્યો હતો; અડધા જેટલા સભ્યો પહેલેથી જ FDA-અપ્રુવ્ડ AI સાધનોનો ઉપયોગ કરે છે, તેમ છતાં તેની અસર મર્યાદિત છે.

મુખ્ય પ્રદર્શન માપદંડો એક કડવું સત્ય રજૂ કરે છે. 59 ટકા રેડિયોલોજિસ્ટ્સને અપેક્ષા હતી કે AI રિકોલ રેટ ઘટાડશે, પરંતુ માત્ર 35% એ જ ફાયદો જોયો. અન્ય પરિણામો માટે આ તફાવત વધુ છે: અપેક્ષિત 36% ની સામે માત્ર 9% એ બિનજરૂરી બાયોપ્સીમાં ઘટાડો જોયો, અને 56% લોકોએ કામના ભારણમાં નોંધપાત્ર ઘટાડાની આશા રાખી હોવા છતાં, માત્ર 29% ને જ કામના થાક (burnout) માંથી રાહત મળી.

નિર્ણય લેનારને બદલે "સેકન્ડ ઓપિનિયન" તરીકે AI

રેડિયોલોજિસ્ટ્સ AI ને બેકઅપ કન્સલ્ટન્ટ તરીકે જુએ છે, પ્રાથમિક નિદાનકર્તા તરીકે નહીં. UC San Diego Health ના મુખ્ય લેખક જોડ અલ્મોગટી નોંધે છે કે બહુ ઓછા ક્લિનિશિયન AI ને તેમનું અંતિમ નિદાન નક્કી કરવા દે છે; તેઓ તેનો ઉપયોગ મુખ્યત્વે તારણોની ફરીથી તપાસ (double-check) કરવા માટે કરે છે.

પ્રણાલીગત અવરોધો આ સાધનોને સીમાચિહ્ન પર રાખે છે. વ્યાવસાયિકો અમલીકરણના ઊંચા ખર્ચ અને નબળા સંસ્થાકીય સમર્થનને મુખ્ય અવરોધ તરીકે ગણાવે છે. હોસ્પિટલ સિસ્ટમ્સમાં મજબૂત એકીકરણ અને સ્પષ્ટ ખર્ચ-લાભ ડેટા વિના, AI મુખ્ય ઘટક બનવાને બદલે માત્ર એક વધારાનું સાધન (add-on) બનીને રહી જાય છે.

AI અનુમાનના "ગોડ કોમ્પ્લેક્સ" થી આગળ વધવું

રેડિયોલોજીમાં AI નો મંદ સ્વીકાર ટેકનોલોજી ક્ષેત્રમાં કામના ભવિષ્ય અંગેના વ્યાપક તણાવને પ્રતિબિંબિત કરે છે. એક દાયકા પહેલા, ઘણા AI સંશોધકોએ રેડિયોલોજિસ્ટ્સના સંપૂર્ણ વિસ્થાપનની આગાહી કરી હતી; આજે, તમામ કોમ્પ્યુટર-આધારિત જ્ઞાન કાર્ય (knowledge work) ની આસપાસ સમાન પ્રકારનો પ્રચાર જોવા મળે છે.

Nvidia ના CEO જેન્સેન હુઆંગે આવી અતિશયોક્તિની ટીકા કરી છે, અને તેને AI ભવિષ્યવક્તાઓ વચ્ચેનો "ગોડ કોમ્પ્લેક્સ" કહ્યો છે. સ્તન કેન્સર શોધવાનો અભ્યાસ આપણને યાદ અપાવે છે કે ઉચ્ચ જોખમ ધરાવતા તબીબી ક્ષેત્રમાં, મોડેલની "બુદ્ધિ" કરતા તેની વિશ્વસનીયતા, વ્યવહારિકતા અને જટિલ માનવ કાર્યપ્રવાહ (workflow) માં તેની આર્થિક વ્યવહારુતા વધુ મહત્વની છે. ડેવલપર્સે સૈદ્ધાંતિક ચોકસાઈ પાછળ દોડવાને બદલે વાસ્તવિક ક્લિનિકલ અવરોધોને દૂર કરવા પર ધ્યાન કેન્દ્રિત કરવાની જરૂર છે.

મુખ્ય તારણો

  • પ્રદર્શનમાં તફાવત: AI સાધનો રિકોલ રેટ ઘટાડવાની (35% વાસ્તવિક વિરુદ્ધ 59% અપેક્ષિત) અને બિનજરૂરી બાયોપ્સી ઘટાડવાની (9% વાસ્તવિક વિરુદ્ધ 36% અપેક્ષિત) અપેક્ષાઓ પૂરી કરવામાં નિષ્ફળ જાય છે.
  • વર્કફ્લો મર્યાદાઓ: ઊંચા ખર્ચ અને નબળા સંસ્થાકીય સમર્થનને કારણે મોટાભાગના રેડિયોલોજિસ્ટ્સ AI ને "સેકન્ડ ઓપિનિયન" તરીકે જુએ છે.
  • પ્રચાર અને વાસ્તવિકતા વચ્ચેનો તફાવત: આ તારણો માંગ કરે છે કે AI ડેવલપર્સે માત્ર સૈદ્ધાંતિક માપદંડો છોડીને તબીબોના થાક (burnout) જેવા વ્યવહારિક ક્લિનિકલ પડકારોનો સામનો કરવો જોઈએ.