تحول در تشخیص و پیش آگهی بالینی با مدل های هوش مصنوعی چندوجهی: مروری جامع بر دستاوردها، چالش های داده و ابعاد اخلاق زیستی

زمینه و هدف: پزشکی دقیق و مراقبت های سلامت نوین، مستلزم ارزیابی یکپارچه و هم زمان منابع داده ای ناهمگون از جمله متن های بالینی و پرونده الکترونیک سلامت، تصویربرداری های تشخیصی، داده های چندامیکس (ژنومیک و پروتئومیک) و سیگنال های زیستی پیوسته است. اگرچه مدل های هوش مصنوعی تک وجهی در تحلیل داده های منفرد به موفقیت هایی دست یافته اند، اما ناتوانی آن ها در تلفیق زمینه بالینی جامع بیمار، مانع از ارزیابی های دقیق چندبعدی می شود. هوش مصنوعی چندوجهی با بهره گیری از معماری های پیشرفته یادگیری عمیق، به عنوان پارادایمی تحول آفرین در این عرصه ظهور کرده است. هدف این مطالعه مروری جامع، سنتز شواهد بالینی پیرامون کاربرد مدل های چندوجهی در بهبود دقت تشخیص و پیش آگهی بیماری ها، تحلیل موانع زیرساختی و داده ای، و موشکافی چالش های اخلاق زیستی مرتبط با پیاده سازی بالینی آن هاست. روش شناسی و دامنه مرور: این مرور جامع از طریق جستجوی نظام مند و انتقادی در پایگاه های داده معتبر علمی شامل PubMed.MEDLINE، Scopus، Web of Science و IEEE Xplore صورت گرفته است. مقالات مرتبط با مدل سازی های چندوجهی بالینی در پنج سال اخیر بر اساس محورهای کلیدی استخراج و تحلیل شدند: ۱) الگوهای تلفیق داده (پیش تلفیق، تلفیق میانی و پس تلفیق) و ترنسفورمرهای چندوجهی مبتنی بر توجه متقاطع، ۲) خروجی های بالینی در انکولوژی، نورولوژی، قلب و عروق و مراقبت های ویژه، ۳) کیفیت و حاکمیت داده ها، و ۴) انطباق با چارچوب های اخلاق زیستی و پزشکی مبتنی بر ارزش.

کلیدواژه ها:

Multimodal Artificial Intelligence ، Deep Learning ، Clinical Diagnosis ، Disease Prognosis ، Multimodal Data Fusion ، Explainable Artificial Intelligence (XAI) ، Bioethics ، Algorithmic Bias ، Data Privacy ، Electronic Health Records