به گزارش پایگاه خبری تحلیلی «دیار آفتاب» حسین معافی مدرس دانشگاه و پژوهشگر هوش مصنوعی در یادداشتی نوشت: روزگاری تشخیص یک بیماری نادر، ماه‌ها انتظار و ده‌ها آزمایش می‌طلبید و کشف یک داروی تازه، 10 تا 12 سال از عمر یک پژوهشگر را می‌گرفت. امروز اما داستان به‌آرامی در حال دگرگونی است. هوش مصنوعی، نه به‌عنوان یک ابزار جانبی، بلکه به‌مثابه همکاری خستگی‌ناپذیر، وارد آزمایشگاه‌ها، اتاق‌های اورژانس و خطوط تولید دارو شده است. الگوریتم‌هایی که تصاویر بافت را می‌خوانند، مولکول‌ها را می‌سازند و حتی در کنار پزشکان، بر سر تشخیص یک بیمار مشورت می‌کنند. این یادداشت نگاهی کوتاه دارد به تازه‌ترین نشانه‌های این تحول؛ از آزمایشگاه‌های داروسازی گرفته تا تخت بیمار.

شرکت اینسیلیکو مدیسین با داروی رنتوسرتیب که هم هدف دارویی‌اش و هم ساختار مولکولی‌اش را هوش مصنوعی کشف و طراحی کرده، نخستین گواه بالینیِ داوری‌شده در این حوزه را رقم زد؛ نتیجه مثبت فاز دو-آ آن برای بیماری فیبروز ریوی، در نشریه Nature Medicine منتشر شد.

در همین مسیر، آیزومورفیک‌لبز (شرکت زیرمجموعه گوگل دیپ‌مایند) پس از همکاری‌های میلیارد دلاری با شرکت‌های الی‌لیلی و نوارتیس، اکنون جانسون‌اند‌جانسون را نیز به فهرست شرکای دارویی خود افزوده است. الی‌لیلی نیز با سرمایه‌گذاری تا سقف یک میلیارد دلار در کنار انویدیا، ابرکامپیوتری اختصاصی برای پژوهش‌های دارویی مبتنی بر هوش مصنوعی می‌سازد؛ نشانه‌ای از این‌که صنعت دارو دیگر صرفاً محصول هوش مصنوعی را نمی‌خرد، بلکه در حال ساخت زیرساخت آن است.

در کنار این کاربردهای دارویی، پژوهشگران دانشگاه چالمرز سوئد نیز مدلی هوش مصنوعی معرفی کرده‌اند که می‌تواند حرکت مولکول‌ها را در طول زمان شبیه‌سازی کند؛ فناوری‌ای که به‌گفته این پژوهش منتشرشده در Science Advances، می‌تواند شناسایی داروهای نویدبخش را سریع‌تر و دقیق‌تر کند.

در یکی از قابل‌توجه‌ترین پژوهش‌های اخیر، دانشگاه هاروارد و مرکز پزشکی  دیکانس بوستون، مدل استدلال‌گر o1-preview شرکت اوپن‌ای‌آی را در تشخیص اورژانسی بیماران با دو پزشک متخصص انسانی مقایسه کردند. طبق گزارشی که در نشریه Science منتشر شد، این مدل در حدود ۶۷ درصد از پرونده‌های واقعی، تشخیص درست یا نزدیک به درست ارائه داد؛ در حالی که دو پزشک متخصص به ترتیب حدود ۵۵ و ۵۰ درصد دقت داشتند.

در حوزه سرطان، ابزار تازه‌ای به نام Path2Space معرفی شده که تنها با تحلیل تصاویر دیجیتال بافت تومور، الگوی فعالیت ژن‌ها را پیش‌بینی می‌کند؛ کاری که پیش‌تر به آزمایش‌های پرهزینه و هفته‌ها زمان نیاز داشت. همچنین یک مطالعه جهانی نشان داد مدل‌های هوش مصنوعی مبتنی بر تصویربرداری پزشکی می‌توانند بیماری نادر و خطرناک التهاب مجاری صفراوی نوزادان را با حساسیت تشخیصی نزدیک به ۹۴ درصد شناسایی کنند؛ بیماری‌ای که تشخیص دیرهنگام آن می‌تواند به نارسایی کبدی بینجامد.

بر اساس گزارش زیست‌فناوری هوش مصنوعی سال ۲۰۲۶، صنعت داروسازی از مرحله «آزمایش و کنجکاوی» عبور کرده و وارد فاز «ساخت» شده است؛ یعنی جای‌گیری هوش مصنوعی در قلب فرایندهای تحقیق و توسعه، نه یک پروژه آزمایشی جدا از آن. نیمی از شرکت‌های زیست‌فناوری که هوش مصنوعی را به کار گرفته‌اند، از کاهش زمان شناسایی هدف دارویی خبر می‌دهند و ۴۲ درصد نیز افزایش دقت مدل‌های علمی خود را گزارش کرده‌اند. با این حال، تحلیل‌گران هشدار می‌دهند که نتایج فاز سوم بالینی در سال ۲۰۲۶ تعیین‌کننده خواهد بود؛ چرا که برخی پژوهش‌ها نشان می‌دهند داروهای کشف‌شده با هوش مصنوعی، هرچند سریع‌تر ساخته می‌شوند، اما لزوماً نرخ موفقیت بالینی بالاتری ندارند.

قانون هوش مصنوعی اتحادیه اروپا از دوم اوت ۲۰۲۶ برخی کاربردهای هوش مصنوعی در توسعه دارو را «پرریسک» طبقه‌بندی خواهد کرد و سازمان غذا و داروی آمریکا نیز در حال نهایی‌کردن دستورالعمل‌هایی است که شرکت‌ها را ملزم می‌کند شفافیت بیشتری درباره معماری مدل‌ها و داده‌های آموزشی ارائه دهند. این یعنی مسیر پیش رو، مسیری از هیجان صرف به‌سوی مسئولیت‌پذیری است؛ جایی که فناوری باید در کنار دقت علمی، اعتماد بیماران و ناظران را نیز به دست آورد.

آنچه روشن است این‌که هوش مصنوعی دیگر مهمانی موقت در دنیای پزشکی نیست؛ همکاری دائمی است که تشخیص را دقیق‌تر، کشف دارو را سریع‌تر و آینده درمان را نویدبخش‌تر می‌کند — به‌شرط آن‌که با احتیاط، شفافیت و همراهی انسان به کار گرفته شود.