تعداد فزاینده‌‌ای از مطالعات در سال‌‌های اخیر نشان می‌‌دهد که الگوریتم‌‌های یادگیری ماشین در شناخت و تشخیص بیماری‌‌ها با نیروی انسانی برابر هستند و در برخی موارد، از نظر عملکرد از متخصصان انسانی پیشی می‌‌گیرند. به عنوان مثال، در سال ۲۰۱۶، محققان گزارش دادند که یک برنامه تشخیصی مجهز به هوش مصنوعی در ۹۲ درصد اسلایدهای آسیب‌شناسی به درستی سرطان را شناسایی کرده است. این درحالی است که فقط ۹۶ درصد از آسیب‌شناسان آموزش دیده توانسته بودند این بیماری را از اسلایدها تشخیص دهند. ترکیب این دو روش (تشخیص انسانی و هوش مصنوعی) منجر به دقت ۹۹.۵ درصدی شده است.
اخیراً، در دسامبر ۲۰۱۸، محققان بیمارستان عمومی ماساچوست (MGH) و مرکز SEAS هاروارد سیستمی را گزارش دادند که به همان دقت رادیولوژیست‌‌های آموزش دیده می‌‌تواند خونریزی داخل جمجمه را که منجر به سکته مغزی می‌‌شود، تشخیص دهد. در ماه مه سال ۲۰۱۹، محققان گوگل و چندین مرکز پزشکی دانشگاهی گزارش دادند که یک هوش مصنوعی طراحی شده برای تشخیص سرطان ریه با ۹۴ درصد دقت توانسته بهتر از شش رادیولوژیست انسانی سرطان را تشخیص دهد.
طبق گفته کوهان و بیتس، یکی از حوزه‌‌های اخیر که وعده هوش مصنوعی تا حدود زیادی عملی نشده است، پاسخ جهانی به COVID-19 است. بیتس، که در ماه آگوست در اجلاس جهانی دیجیتال جهانی ریاض تحت عنوان «استفاده از هوش مصنوعی در غلبه بر طوفان COVID» سخنرانی کرد. او در این سخنرانی گفت اگرچه موفقیت‌‌هایی حاصل شد، اما بیشتر پاسخ‌‌های نتیجه بخش به ابزارهای اپیدمیولوژیک و پزشکی سنتی متکی بود.
به گفته وی، یک استثنای قابل توجه وجود دارد و آن هم تشخیص زود هنگام موارد ذات‌الریه غیرمعمول در اطراف بازار در ووهان چین در اواخر ماه دسامبر ۲۰۱۹ بود. این تشخیص توسط یک سیستم هوش مصنوعی انجام شده بود که آن را شرکت BlueDot مستقر در کانادا ایجاد کرده بود. این کشف که به نظر می‌‌رسید SARS-CoV-2 باشد، بیش از یک هفته قبل از آن بود که سازمان بهداشت جهانی اعلامیه عمومی ویروس جدید را صادر کند.
بیتس در این کنفرانس که به دلیل کرونا به صورت آنلاین برگزار می‌‌شد، به مخاطبان گفت: «ما در این همه‌گیری برخی از کارها را با هوش مصنوعی انجام دادیم، اما کارهای بیشتری وجود دارد که می‌‌توانیم انجام دهیم.»
بزرگ‌ترین مانع در استفاده بیشتر از هوش مصنوعی در تنظیم پاسخ مناسب به همه‌گیری کووید ۱۹، فقدان داده‌‌های قابل اطمینان و در زمان واقعی بوده است. به گفته بیتس، روند جمع‌آوری و به‌اشتراک‌گذاری داده‌‌ها با زیرساخت‌‌های قدیمی‌تر کند شده است. با تأخیر در جمع‌آوری داده‌‌ها و نگرانی‌‌های مربوط به حفظ حریم خصوصی در مورد اشتراک داده‌‌ها، برخی از گزارش‌‌های ایالات متحده هنوز به مراکز بهداشت عمومی ارسال می‌‌شود.
کوهان می‌‌گوید: «کووید به ما نشان داده است که ما در سطح ملی و بین‌المللی مشکل دسترسی به داده‌‌ها را داریم که از پرداختن به مشکلات بزرگ در موارد اضطراری بهداشت ملی جلوگیری می‌‌کند.»

منبع: hooshino