طب، حیاتیات اور مشین لرننگ کے تین ماہرین نے مائیکروسافٹ ریسرچ کی پوڈکاسٹ سیریز The Shape of Things to Come کی ایک قسط میں اس پر گفتگو کی کہ مصنوعی ذہانت بیماری کی پیش گوئی اور اس کی روک تھام میں کس طرح مدد کر سکتی ہے۔ اس سیریز کی میزبانی مائیکروسافٹ ریسرچ کے سربراہ ڈوگ برگر نے کی۔ مہمانوں میں مائیکروسافٹ کے چیف سائنٹفک آفیسر ایرک ہوروِٹز؛ اسکرپس ریسرچ کے ایگزیکٹو وائس پریزیڈنٹ ایرک ٹوپول، جنہیں قسط کی تفصیل میں مائیکروسافٹ کے اے آئی ہیلتھ ایڈوائزر کے طور پر متعارف کرایا گیا ہے؛ اور مائیکروسافٹ کی پرنسپل ریسرچ مینیجر آوا امینی شامل تھیں۔
مصنوعی ذہانت کے ذریعے تشخیص
ہوروِٹز نے مائیکروسافٹ کے ایک ایسے منصوبے کا ذکر کیا جس نے مصنوعی ذہانت کی جانچ کو اس سے آگے بڑھایا کہ ماڈل کو مکمل کیس تھما دیا جائے۔ اس کے بجائے نظام کو معالج کی جگہ رکھا گیا: اسے ابتدائی علامات اور تاریخچہ ملی، پھر اسے سوالات اور ٹیسٹ منتخب کرنے تھے، معلومات کی قدر کو لاگت کے مقابل تولنا تھا، اور یہ طے کرنا تھا کہ تشخیص کا فیصلہ کب کیا جائے۔ انہوں نے کہا کہ کئی فرنٹیئر لینگوئج ماڈلز نے اچھی کارکردگی دکھائی، تاہم انہوں نے خبردار کیا کہ انسانی جنرلسٹ معالجین سے موازنوں کی کچھ حدود ہیں۔
ٹوپول نے کہا کہ جریدے Science میں شائع ہونے والا یہ کام پہلا تھا جس میں ایک ایجنٹک نظام نے معالجین اور دیگر فرنٹیئر ماڈلز، دونوں کے مقابلے میں زیادہ درست تشخیص کی۔ ان کے بقول، معالجین کے مقابلے میں درستی تقریباً دوگنی ہو گئی، اور وہ بھی کم لاگت پر۔ انہوں نے جانز ہاپکنز کے اس تخمینے کا بھی حوالہ دیا کہ تشخیصی غلطیوں کے باعث سالانہ 800,000 اموات یا معذوریاں ہوتی ہیں۔
غیر استعمال شدہ امیجنگ شواہد اور پورے مریض کے ماڈلز
ٹوپول نے دلیل دی کہ طب نے ایک ایسے شعبے کو نظرانداز کیا ہے جہاں ڈیپ لرننگ زیادہ ثابت شدہ ہے: طبی تصاویر، جیسے ریٹینا اسکین، سینے کے ایکس رے اور الیکٹروکارڈیوگرام۔ انہوں نے میموگرافی میں ایک لاکھ سے زائد خواتین پر مشتمل ایک بے ترتیب (رینڈمائزڈ) ٹرائل اور کولونوسکوپی میں 44 رینڈمائزڈ ٹرائلز کی طرف اشارہ کیا، اور کہا کہ ان نتائج کو عملی شکل نہیں دی جا رہی۔ ٹوپول کے مطابق، ریاستہائے متحدہ میں تقریباً کسی خاتون کو اپنی میموگرافی کی جدید ترین اے آئی ریڈنگ نہیں ملتی؛ ان کے بقول متبادل یہ ہے کہ اس کی ادائیگی ایک بہت محدود نیٹ ورک کے اندر کی جائے۔
انہوں نے کہا کہ اگلا مرحلہ پورے مریض کے ایسے ماڈلز کا ہوگا جو صحت کے ریکارڈ، تصاویر، جینومکس، پروٹیومکس اور دیگر ڈیٹا کو یکجا کریں، تاکہ یہ پیش گوئی کی جا سکے کہ بیماری کب لاحق ہو سکتی ہے اور فرضی منظرناموں کو آزمایا جا سکے۔ ان کے بقول ایسے ماڈلز پہلے ہی خطرے کے وقت کا کچھ اندازہ دے سکتے ہیں، اور انہیں توقع تھی کہ یہ ورچوئل سیل سے پہلے پختہ ہو جائیں گے۔ انہوں نے مزید کہا کہ ہدف صرف لوگوں کو یہ بتانے سے آگے ہونا چاہیے کہ وہ خطرے میں ہیں، اور اسے روک تھام کی طرف جانا چاہیے۔
رکاوٹیں: اپنانا اور مراعات
ٹوپول نے کہا کہ جس چیز کی کمی ہے وہ عملی نفاذ ہے۔ ان کے بقول، طبی پیشہ تبدیلی اپنانے میں سست ہے، صحت کے نظام مالی پابندیوں کا سامنا کرتے ہیں اور بہت کم منافع پر چلتے ہیں، اور نہ معالجین اور نہ ہی مریض ان پیش رفتوں کا مطالبہ کر رہے ہیں۔ انہوں نے بتائی جانے والی وجوہات کو معقول جواز کے بجائے بہانے قرار دیا۔
برگر نے ایک حالیہ کانفرنس کی یہ دلیل پیش کی کہ ہیلتھ کیئر کا معاشی ماڈل روک تھام سے متصادم ہے۔ ٹوپول نے جواب دیا کہ ریاستہائے متحدہ میں ایک سالہ انشورنس کوریج جیسے ڈھانچوں کی وجہ سے حوصلہ شکنی کرنے والے عوامل موجود ہیں، جبکہ دوسری جگہوں پر آبادی کو صحت مند رکھنے کے لیے مراعات موجود ہیں۔
امینی، جو Project Ex Vivo کی شریک سربراہ ہیں، جو کینسر سیل کی حالتوں پر مائیکروسافٹ اور براڈ انسٹی ٹیوٹ کا مشترکہ منصوبہ ہے، نے کہا کہ حیاتیاتی اے آئی ماڈلز کے لیے جوش و خروش کے ساتھ اب حل طلب واضح مسائل اور تجرباتی سائنس دانوں کی جانب سے اپنانے کا بھی میل ہونا چاہیے۔ انہوں نے کہا کہ حیاتیات کی کثیر سطحی پیچیدگی مالیکیولز سے مریضوں تک ڈیٹا کو یکجا کرنا مشین لرننگ کے لیے ایک مشکل چیلنج بناتی ہے۔ جب پوچھا گیا کہ کیا حیاتیات کو کبھی کمپیوٹر چپ جتنی درستگی سے نقشہ بند کیا جا سکتا ہے، تو ہوروِٹز نے نفی میں جواب دیا اور کہا کہ اس کی اہم تفصیلات کو کبھی عین جوہری سطح پر نہیں سمجھا جا سکے گا۔ امینی زیادہ محتاط تھیں؛ انہوں نے کہا کہ ان کے خیال میں سائنس کبھی مکمل طور پر وہاں نہیں پہنچ پائے گی، مگر دلیل دی کہ مفید دریافتوں کے لیے ایسی درستگی ضروری نہیں۔





