8 دقیقه
همکاری سامسونگ و گیلئون برای پیشبرد هوش مصنوعی در حوزه سلامت
شرکت سامسونگ اعلام کرده که با پروتکل علم غیرمتمرکز (DeSci) گیلئون همکاری میکند تا هوش مصنوعی را به دستگاه‌های تصویربرداری اولتراسوند خود اضافه کند و دادههای آموزشی ناشناس‌شده برای مدلهای پزشکی فراهم آورد. این همکاری سخت‌افزار تصویربرداری سامسونگ را به پلتفرم پرونده الکترونیک سلامت (EHR) گیلئون متصل میکند و هدف آن افزایش توسعه هوش مصنوعی بالینی در عین حفظ حریم خصوصی بیماران و حاکمیت دادهها توسط مؤسسات ارائه‌دهنده خدمات پزشکی است. این توافق نشان‌دهنده پیوند میان تولیدکننده تجهیزات پزشکی، راهکارهای داده‌ای غیرمتمرکز و نیازهای بالینی واقعی است و می‌تواند مسیر جدیدی برای کاربردهای بالینی هوش مصنوعی در تشخیص و مدیریت بیمار فراهم آورد.
نحوهٔ عملکرد یکپارچگی
سیستم پرونده الکترونیک گیلئون در حال حاضر در شبکه‌ای متشکل از 18 بیمارستان متصل به‌کار افتاده است که چند مرکز از آن در فرانسه قرار دارند: بیمارستان دانشگاهی روئن، بیمارستان دانشگاهی کان، بیمارستان تولوْن و بیمارستان سود فرانسیلین. بهجای ذخیره‌سازی دادههای حساس پزشکی بهصورت زنجیرهای (on-chain)، این ابتکار عمل الگوریتم‌های هوش مصنوعی را بهصورت قابل ردیابی روی زنجیره اجرا میکند و در عین حال دادههای بیمار در اختیار و کنترل هر مؤسسه پزشکی باقی می‌ماند و با روش‌های مناسب ناشناس‌سازی محافظت میشود. این رویکرد هیبریدی توازن بین قابلیت حسابرسی بلاکچین و الزامات حفاظت از حریم خصوصی در حوزه سلامت را برقرار می‌سازد.
در عمل، معماری پیشنهادی معمولاً شامل ذخیره‌سازی امن و رمزنگاری‌شدهٔ دادهها بهصورت آفلاین یا در سرورهای محلی بیمارستانها، ثبت هش‌ها و متادیتاهای کنترل دسترسی روی بلاکچین، و اجرای قراردادهای هوشمند برای مدیریت دسترسی و حاکمیت مدلها است. افزون بر این، مکانیزم‌هایی مانند یادگیری فدرال، محاسبات چندجانبه امن (MPC) و اثبات‌های بدون افشای اطلاعات (ZKP) میتوانند برای تقویت حریم خصوصی و کاهش خطر بازشناسایی به‌کار روند. این طراحی به‌خصوص برای رعایت مقرراتی مانند GDPR در اتحادیه اروپا و چارچوب‌های حریم خصوصی مشابه در دیگر حوزه‌ها اهمیت دارد.
تیم گیلئون
آموزش هوش مصنوعی با اولویت حریم خصوصی برای دستگاه‌های اولتراسوند
طبق قرارداد، ارائه‌دهندگان خدمات پزشکی میتوانند از مدلهای مشترکی استفاده کنند که بر روی مجموعهدادههای غیرمتمرکز آموزش دیده‌اند، بدون اینکه اطلاعات سطح بیمار بهصورت متمرکز جمع‌آوری شود. هر بیمارستان تصاویر اولتراسوند ناشناس‌شده و متادیتای EHR مربوطه را در چارچوب قوانین محلی و با سازوکارهای ناشناس‌سازی پیشرفته مشارکت میدهد؛ سپس آموزش مدلها می‌تواند بهصورت محلی در هر مرکز یا از طریق فرایندهای یادگیری فدرال انجام شود. این رویکرد امکان بهبود مداوم مدلها را در میان مراکز شرکت‌کننده فراهم می‌آورد، ضمن اینکه دادههای اصلی بیماران تحت کنترل مؤسسه باقی می‌ماند و خطرات مرتبط با انتقال دادههای حساس کاهش می‌یابد.
مولفهٔ on-chain (اجرای برخی فرآیندها یا ثبت تغییرات روی زنجیره) شفافیت و قابلیت پیگیری تغییرات مدل را تضمین میکند؛ از جمله ثبت نسخههای مدل، گزارش‌های اعتبارسنجی و سوابق بهروزرسانی که قابلیت راستیآزمایی و بازبینی مستقل را فراهم می‌آورد. این شیوه به‌خصوص در زمینه‌های بالینی که مسئله انحراف مدل (model drift) و اصالت دادهها اهمیت دارد، می‌تواند اعتماد بالینی را افزایش دهد و به آژانس‌های نظارتی کمک کند تا مسیر توسعه و استقرار مدلها را رصد کنند.
ابزارهای واقعی هوش مصنوعی که در حال توسعه‌اند
مدیرعامل گیلئون، لوئیک براتونز، در گفتگو با خبرنگاران اعلام کرده که شرکت ابزارهای عملی هوش مصنوعی را توسعه داده است: یک سامانه خودکار برای صورت‌حساب‌گذاری خدمات پزشکی، یک مولد خلاصهٔ مشاوره‌های بالینی و یک مدل تبدیل گفتار به متن که برای جریان‌های کاری کلینیکی سفارشی‌سازی شده است. این ابزارها نشان می‌دهند که ترکیب دادههای تصویربرداری اولتراسوند، یکپارچه‌سازی با EHR و قابلیت‌های ردیابی مبتنی بر بلاکچین می‌تواند سرعت پذیرش هوش مصنوعی در محیط‌های درمانی را افزایش دهد، در حالی که الزامات نظارتی و حفاظتی رعایت میشود.
در سطح فنی، سیستم‌های گزارش‌سازی و خلاصهسازی مشاوره میتوانند بار اداری پزشکان را کاهش دهند و زمان بالینی بیشتری برای مراقبت مستقیم از بیمار ایجاد کنند. مدلهای تبدیل گفتار به متن که با واژگان و ساختارهای پزشکی آموزش می‌بینند، دقت مستندسازی را بالا می‌برند و یکپارچگی اطلاعات را ارتقا می‌دهند. با این حال، برای ورود به چرخهٔ بالینی، این ابزارها نیازمند ارزیابی بالینی مستقل، آزمونهای تایید عملکرد، و پایش مستمر پس از استقرار هستند تا ریسکهای بالینی و سوگیری‌های احتمالی کاهش یابند.
روند رو به رشد DeSci و علاقه سرمایه‌گذاران
علم غیرمتمرکز (DeSci) به‌سرعت به یکی از بخش‌های فعال نوآوری بلاک‌چینی تبدیل شده است، به‌ویژه در حوزه سلامت. پروژه‌هایی مانند VitaDAO برای تأمین مالی پژوهش‌های طول عمر توجه زیادی جلب کرده‌اند، در حالی که DAOهای DeSci به دنبال نتایج بلندپروازانهٔ آزمایشگاهی و ترجمهٔ پژوهش به محصولات کاربردی هستند. برای نمونه، HydraDAO دستاوردهای پیش‌بالینی چشمگیری گزارش داده است که مورد توجه سرمایه‌گذاران قرار گرفته و جنبش گسترده‌تر DeSci توجه سرمایه‌گذاری خطرپذیر را به خود جلب کرده است.
این جنبش ترکیبی از منابع مالی جمعی، مالکیت دادهٔ توکنیزه‌شده، و حاکمیت جامعه‌محور است که می‌تواند مسیرهای جدیدی برای تأمین مالی پژوهش‌های علمی، اشتراک داده برای آموزش مدلهای هوش مصنوعی و تسریع ترجمهٔ کشفیات به کاربردهای عملی فراهم کند. سرمایه‌گذاران به دنبال پروژه‌هایی هستند که نه‌تنها نوآوری فنی داشته باشند، بلکه مدلهای حاکمیتی و اقتصادی قابل اتکایی نیز ارائه دهند که ریسک حقوقی و اخلاقی را مدیریت کنند.
تامین مالی اخیر و اولویت‌های داده‌ای
اوایل همین سال، پلتفرم DeSci به نام Bio Protocol یک دور تأمین مالی 6.9 میلیون دلاری را با حمایت صندوق Maelstrom و Animoca Brands به پایان رساند؛ این سرمایه‌گذاری پس از حمایت قبلی از سوی Binance Labs انجام شد. به‌علاوه، جذب داده به‌عنوان یک اولویت استراتژیک برای این پروژه‌ها باقی مانده است: چندین پلتفرم DeSci به‌طور فعال به‌دنبال مجموعهدادههای ژنومی هستند — از جمله دارایی‌هایی که ممکن است از خدمات مصرفی متوقف‌شده مانند 23andMe به‌دست آیند — تا سوخت هوش مصنوعی و پژوهش را تامین کنند.
این تمرکز بر داده، سؤالات مهمی را در زمینهٔ رضایت آگاهانه (informed consent)، مالکیت داده، حقوق استفاده و خطرات مربوط به بازشناسایی مجدد مطرح میکند. پروژه‌های معتبر باید چارچوب‌های اخلاقی و حقوقی محکمی را پیاده‌سازی کنند، شامل حفظ سازوکارهای رد یا انصراف مشارکت‌کنندگان، مدیریت مجوزهای استفاده از داده، و استفاده از تکنیک‌های پیشرفتهٔ ناشناس‌سازی و ارزیابی ریسک بازشناسایی.
پیامدها برای بلاکچین، هوش مصنوعی پزشکی و پرونده‌های الکترونیک سلامت
همکاری میان سامسونگ و گیلئون نشان‌دهنده همگرایی رو به رشد میان بلاکچین، علم غیرمتمرکز و هوش مصنوعی پزشکی است. با ترکیب سخت‌افزار تصویربرداری سامسونگ با EHR و حاکمیت DeSci گیلئون، این همکاری مدلی را برای آموزش هوش مصنوعی با رعایت حریم خصوصی و حفظ کنترل مؤسسه‌ای بر دادههای بیماران ارائه میدهد؛ هم‌زمان امکان توسعه مدلهای مقیاس‌پذیر و قابل حسابرسی را فراهم می‌آورد. برای پزشکان، پژوهشگران و سرمایه‌گذاران کریپتو، این رویکرد یک مسیر عملی برای ادغام شفافیت زنجیرهای با جریان‌های کاری پزشکی واقعی نشان میدهد.
در سطح عملی، تحقق این چشم‌انداز نیازمند استانداردسازی قالب‌های دادهٔ تصویربرداری (مانند DICOM)، تطابق با استانداردهای سلامت الکترونیک (مثلاً FHIR و HL7)، و ایجاد رابط‌های برنامه‌نویسی امن و سازگار میان تجهیزات تصویربرداری و سامانه‌های EHR است. علاوه بر این، پایش کیفیت داده، مدیریت یکپارچگی متادیتا و ایجاد شاخص‌های عملکرد کلیدی (KPIs) برای ارزیابی اثربخشی مدلها از جنبه‌های ضروری راهبری پروژه هستند.
با ادامهٔ کاوش سازمان‌های سلامت و ابتکارات DeSci در تلاقی بلاکچین و هوش مصنوعی، می‌توان انتظار داشت که مشارکت‌های بیشتری بر محور به‌اشتراک‌گذاری امن داده، یادگیری فدرال، و حاکمیت مدلهای قابل راستیآزمایی میان بیمارستانها و مؤسسات پژوهشی شکل بگیرد. این نوع همکاری‌ها می‌تواند به افزایش دسترسی به مدلهای پیشرفته تشخیصی کمک کند، در عین حال که حفظ حاکمیت دادهها و انطباق با مقررات را تضمین میکند.
با این همه، چالشهایی مانند هزینهٔ اجرای تراکنشهای روی زنجیره، مسئلهٔ تعامل‌پذیری میان سیستم‌ها، همگنی یا نبود همگنی دادهها در مراکز مختلف، و ریسکهای مربوط به سوگیری مدل باید به‌دقت مدیریت شوند. راهکارهای فناورانه و حکمرانی قوی میتوانند این موانع را کاهش دهند، اما موفقیت بلندمدت نیازمند همکاری نزدیک میان تولیدکنندگان تجهیزات، ارائه‌دهندگان سلامت، پژوهشگران داده و قانون‌گذار است.
منبع: cointelegraph
نظرات