แม้ว่าปัญญาประดิษฐ์ (AI) จะเคยให้คำมั่นว่าจะปฏิวัติวงการมะเร็งวิทยา แต่การตรวจสอบความเป็นจริงเมื่อเร็วๆ นี้กลับเผยให้เห็นช่องว่างที่สำคัญระหว่างกระแสความตื่นตัวกับประโยชน์ในการใช้งานทางคลินิก ผลการศึกษาใหม่แสดงให้เห็นว่าการนำ AI มาใช้ในการคัดกรองมะเร็งเต้านมในปัจจุบันยังไม่สามารถตอบสนองความคาดหวังอันสูงส่งของบุคลากรทางการแพทย์ได้

ช่องว่างระหว่างความคาดหวังและความเป็นจริงทางคลินิก

ผลสำรวจใน Clinical Imaging เผยให้เห็นถึงความไม่สอดคล้องกันระหว่างความหวังของรังสีแพทย์ที่มีต่อ AI กับสิ่งที่เครื่องมือเหล่านี้ทำได้จริง การศึกษานี้ได้สำรวจสมาชิกของ Society of Breast Imaging จำนวน 215 คน โดยประมาณครึ่งหนึ่งมีการใช้เครื่องมือ AI ที่ได้รับการรับรองจาก FDA แล้ว แต่ผลกระทบที่เกิดขึ้นยังคงอยู่ในระดับปานกลาง

ตัวชี้วัดประสิทธิภาพหลักแสดงให้เห็นถึงความแตกต่างที่ชัดเจน รังสีแพทย์ร้อยละ 59 คาดหวังว่า AI จะช่วยลดอัตราการเรียกตัวกลับมาตรวจซ้ำ (recall rates) แต่มีเพียงร้อยละ 35 เท่านั้นที่พบประโยชน์ดังกล่าว ช่องว่างนี้ยิ่งกว้างขึ้นในผลลัพธ์ด้านอื่นๆ โดยมีเพียงร้อยละ 9 ที่พบว่าการเจาะชิ้นเนื้อ (biopsy) ที่ไม่จำเป็นลดลง เมื่อเทียบกับความคาดหวังที่ร้อยละ 36 และมีเพียงร้อยละ 29 เท่านั้นที่รู้สึกว่าช่วยบรรเทาภาวะหมดไฟ (burnout) ได้ แม้ว่าร้อยละ 56 จะหวังว่าภาระงานจะลดลงอย่างมีนัยสำคัญก็ตาม

AI ในฐานะ "ความเห็นที่สอง" มากกว่าผู้ตัดสินใจ

รังสีแพทย์มองว่า AI เป็นเพียงที่ปรึกษาสำรอง ไม่ใช่ผู้วินิจฉัยหลัก Joud Almogati ผู้เขียนหลักจาก UC San Diego Health ระบุว่ามีแพทย์เพียงไม่กี่คนที่ปล่อยให้ AI เป็นตัวกำหนดการวินิจฉัยขั้นสุดท้าย แต่พวกเขามักใช้มันเพื่อตรวจสอบผลการตรวจซ้ำอีกครั้งเป็นหลัก

อุปสรรคเชิงระบบทำให้เครื่องมือเหล่านี้ยังคงเป็นเพียงส่วนประกอบรอง ผู้เชี่ยวชาญระบุว่าต้นทุนในการติดตั้งที่สูงและการสนับสนุนจากสถาบันที่อ่อนแอเป็นอุปสรรคสำคัญ หากไม่มีการบูรณาการเข้ากับระบบของโรงพยาบาลอย่างแน่นแฟ้นและไม่มีข้อมูลความคุ้มค่า (cost-benefit) ที่ชัดเจน AI ก็จะยังคงเป็นเพียงส่วนเสริมแทนที่จะเป็นองค์ประกอบหลัก

ก้าวข้าม "ความหลงตนเองว่ารู้แจ้ง" (God Complex) ของการทำนายโดย AI

การยอมรับ AI ในงานรังสีวิทยาที่ยังเป็นไปอย่างล่าช้า สะท้อนให้เห็นถึงความตึงเครียดในวงการเทคโนโลยีที่กว้างขึ้นเกี่ยวกับอนาคตของการทำงาน เมื่อทศวรรษที่แล้ว นักวิจัย AI จำนวนมากคาดการณ์ว่ารังสีแพทย์จะถูกแทนที่โดยสิ้นเชิง แต่ในปัจจุบัน กระแสความตื่นตัวที่คล้ายคลึงกันนี้กำลังเกิดขึ้นกับงานด้านความรู้ที่ใช้คอมพิวเตอร์เป็นฐานทั้งหมด

Jensen Huang ซีอีโอของ Nvidia ได้ตำหนิการกล่าวเกินจริงดังกล่าว โดยเรียกสิ่งนี้ว่า "God complex" ในหมู่ผู้พยากรณ์ AI การศึกษาเรื่องการตรวจหามะเร็งเต้านมเตือนให้เราระลึกว่า ในการแพทย์ที่มีความเสี่ยงสูง "ความฉลาด" ของโมเดลนั้นมีความสำคัญน้อยกว่าความน่าเชื่อถือ ความสามารถในการนำไปใช้จริง และความคุ้มค่าทางเศรษฐกิจภายในกระบวนการทำงานของมนุษย์ที่ซับซ้อน นักพัฒนาจำเป็นต้องเปลี่ยนจากการไล่ตามความแม่นยำทางทฤษฎี ไปเป็นการแก้ไขปัญหาความติดขัดในการใช้งานทางคลินิกที่เกิดขึ้นจริง

สรุปประเด็นสำคัญ

  • ความคลาดเคลื่อนของประสิทธิภาพ: เครื่องมือ AI ไม่สามารถตอบสนองความคาดหวังในการลดอัตราการเรียกตัวกลับมาตรวจซ้ำ (เกิดขึ้นจริงร้อยละ 35 เทียบกับที่คาดหวังร้อยละ 59) และการเจาะชิ้นเนื้อที่ไม่จำเป็น (เกิดขึ้นจริงร้อยละ 9 เทียบกับที่คาดหวังร้อยละ 36)
  • ข้อจำกัดด้านกระบวนการทำงาน: รังสีแพทย์ส่วนใหญ่ใช้ AI เป็นเพียง "ความเห็นที่สอง" เนื่องจากต้นทุนที่สูงและการสนับสนุนจากสถาบันที่ยังไม่เพียงพอ
  • ช่องว่างของกระแสความตื่นตัว: ผลการศึกษานี้เรียกร้องให้นักพัฒนา AI เลิกยึดติดกับเกณฑ์มาตรฐานทางทฤษฎีเพียงอย่างเดียว และหันมาจัดการกับปัญหาหน้างานทางคลินิกที่เกิดขึ้นจริง เช่น ภาวะหมดไฟของแพทย์