هوش مصنوعی · مقاله
چگونه هوش مصنوعی تشخیص، کشف دارو و مراقبت بیماران را در سال 2026 تغییر می‌دهد
انتشار:
به‌طور خلاصه
هوش مصنوعی از قبل بیش از 1,600 دستگاه پزشکی مجاز FDA را پشتیبانی میکند، بیشتر آنها برای خواندن تصاویر پزشکی، و اکنون نیز طراحی داروهای تجربی را انجام می‌دهد. rentosertib شرکت Insilico Medicine، که هدف بیولوژیکی و مولکول آن هر دو توسط هوش مصنوعی تولید شدند، در 7 ژوئیه 2026 وارد آزمایش بالینی فاز سوم با 320 بیمار در چین شد، در حالی که تنظیم‌کنندگان جهانی هنوز در حال تدوین قواعد برای کنترل خطرات این فناوری هستند.
این نسخه ترجمهٔ ماشینی متن اصلی (English) است. خواندن متن اصلی
هوش مصنوعی اکنون در بیش از 1,600 دستگاه پزشکی مجاز برای بازار آمریکا تعبیه شده است، و نقش آن از خواندن اسکن‌ها به طراحی کاملاً مولکول‌های دارویی جدید گسترش یافته است. در ژوئیه 2026، شرکت Insilico Medicine، rentosertib را — یک ترکیب که هدف بیولوژیکی و ساختار شیمیایی آن هر دو توسط نرم‌افزار هوش مصنوعی تولید شدند — به آزمایش فاز سوم برای 320 بیمار مبتلا به فیبروز ریوی ایدیوپاتیک، یک بیماری ریوی با گزینه‌های درمانی محدود، ارتقا داد. در همین حال، نهادهای بهداشتی جهانی هنوز در حال کار بر روی نحوه تنظیم سیستم‌هایی هستند که به طور فزاینده‌ای تصمیمات تشخیصی و درمانی را شکل می‌دهند.
جایی که هوش مصنوعی از قبل کار میکند: خواندن تصاویر
اداره غذا و داروی آمریکا (FDA) بیان میکند که بیش از 1,600 دستگاه پزشکی تقویتشده با هوش مصنوعی برای بازاریابی در ایالات متحده مجاز داده است، طبق صفحه ردیابی خود سازمان، آخرین بهروزرسانی در 22 سپتامبر 2026. نمونه‌هایی که FDA ذکر میکند شامل نرم‌افزاری برای غربالگری زخم‌های پوستی برای سرطان، تشخیص رتینوپاتی دیابتی از عکس‌های شبکیه، برآورد احتمال حمله قلبی از دادههای حسگر، و خودکارسازی دوز انسولین بر اساس خوانش‌های مانیتور گلوکز است.
تحلیلی از صدور FDA 510(k) در سال 2025 توسط مشاور نظارتی Innolitics نشان داد که رادیولوژی بخش بزرگی از تصاریح دستگاه هوش مصنوعی/یادگیری ماشین آن سال را تشکیل داده است، با 295 صدور کل برای 221 سازنده مختلف و میانگین زمان بررسی 142 روز. رایج‌ترین دسته نرم‌افزار تشخیص رادیولوژی به کمک رایانه بود، که به تنهایی بیش از یک چهارم همه صدورهای سال 2025 را تشکیل داد، طبق تحلیل.
| تخصص | صدورهای 2025 | سهم کل |
|---|---|---|
| رادیولوژی | 211 | 71.5% |
| قلب و عروق | 26 | 8.8% |
| نورولوژی | 14 | 4.7% |
| ارتوپدی | 10 | 3.4% |
| گوارش‌شناسی/اورولوژی | 7 | 2.4% |
| شیمی بالینی | 6 | 2.0% |
| بیهوشی | 5 | 1.7% |
| سایر تخصص‌های ترکیبی | 16 | 5.5% |
قلب و عروق، نورولوژی و ارتوپدی در سال 2025 بسیار عقب‌تر از رادیولوژی بودند، و تخصص‌هایی مثل بیهوشی و شیمی بالینی هر کدام کمتر از 2 درصد صدورها را تشکیل دادند، طبق همان تحلیل.
هوش مصنوعی داروها را طراحی میکند، نه فقط آنها را غربالگری میکند
فراتر از تشخیص، نرم‌افزار هوش مصنوعی اکنون برای پیشنهاد اهداف دارویی جدید و طراحی مولکول‌هایی برای دستیابی به آنها استفاده میشود، گام فراتر از استفاده‌های قبلی محاسبات برای صرفاً غربالگری سریع‌تر کتابخانه‌های ترکیب موجود. Insilico Medicine، یک شرکت بیوتکنولوژی مستقر در هنگ‌کنگ، میگوید که پلتفرم PandaOmics خود پروتئینی به نام TNIK را بهعنوان هدف بیماری شناسایی کرد و پلتفرم Chemistry42 یک مولکول نامزد، اکنون rentosertib نام‌گذاری شده، برای فیبروز ریوی ایدیوپاتیک ایجاد کرد. شرکت میگوید که مسیر کشف در مقاله‌ای در Nature Biotechnology توصیف شده است.
در آزمایش بالینی تصادفی و کنترل‌شده با دارونما فاز IIa، بیماران تحت درمان با بالاترین دوز تست‌شده rentosertib (60 میلی‌گرم یک بار در روز) بهبود عملکرد ریه را دیدند، که بهعنوان ظرفیت حیوی اجباری اندازه‌گیری شد، به میانگین 98.4 میلی‌لیتر در طی 12 هفته، در مقابل کاهش میانگین 20.3 میلی‌لیتر در گروه دارونما، طبق اعلام نتایج خود Insilico Medicine، که شرکت میگوید در Nature Medicine نیز منتشر شده است.
در 7 ژوئیه 2026، Insilico گفت که آزمایش فاز سوم rentosertib را آغاز کرده است: مطالعه تصادفی، دونکور، کنترل‌شده با دارونما شامل 320 بیمار در 47 مرکز در چین در طی 52 هفته. نقطه پایانی اولیه میزان سالانه کاهش ظرفیت حیوی اجباری است، با زمان اولین رویداد پیشرفت بیماری بهعنوان معیار دوم کلیدی، طبق گفته شرکت.
این برنامج با این فرض آغاز شد که زیست‌شناسی پیری می‌تواند برای شناسایی اهداف قدرتمند برای بیماری‌های بزرگ کمک کند.
هیچ دارویی طراحیشده توسط هوش مصنوعی هنوز تایید FDA یا هیچ تنظیمکننده دیگری را دریافت نکرده است، و بهبود‌های rentosertib در عملکرد ریه در آزمایش فاز IIa بهعنوان نقاط پایانی ثانویه اکتشافی و نه هدف ایمنی اولیه مطالعه ذکر شدند، طبق توصیف شرکت. دنبال‌کنندگان صنعت که توسط سایت IntuitionLabs نقل شدند بیش از 170 برنامج دارویی کشف‌شده توسط هوش مصنوعی را در توسعه بالینی در اوایل سال 2026 شمردند، بالا از حدود دو دوجین در اواخر سال 2023، اگرچه IntuitionLabs اشاره کرد که ارقام بین دنبال‌کنندگان متفاوت است زیرا هیچ یک ثبت مرجع موثق از دولت برای چنین داروهایی وجود ندارد و هر دنبال‌کننده معیارهای طبقه‌بندی خود را اعمال میکند.
تنظیم‌کنندگان هنوز در حال نوشتن قواعد هستند
سازمان جهانی بهداشت (WHO) راهنمای اخلاق و حاکمیت برای مدل‌های هوش مصنوعی بزرگ چندماده در بهداشت در 18 ژانویه 2024 صادر کرد، و بیش از 40 توصیه برای دولت‌ها، توسعه‌دهندگان و کارکنان بهداشتی ارائه داد. راهنما بیان میکند که دادههای آموزشی کمکیفیت یا سوگیریشده می‌توانند اطلاعات بهداشتی نادقیق یا ناقص تولید کنند، و پزشکان خطر افتادن در آنچه این سازمان 'تحیز خودکار' نامیده میشود را داشتند، با اعتماد بیش از حد به نتایج هوش مصنوعی یا تفویض نامناسب تصمیمات به آن.
- دادههای آموزشی سوگیریشده یا کمکیفیت می‌توانند نتایج را بر حسب نژاد، قومیت، جنسیت، هویت جنسی یا سن انحراف دهند
- تحیز خودکار: کارکنان بهداشتی ممکن است از اشتباهات هوش مصنوعی غافل‌گیری کنند یا تصمیمات را نامناسب تفویض کنند
- شکاف‌های سایبری ممکن است دادههای بیمار را افشا کنند یا اعتماد به سیستمهای هوش مصنوعی را کاهش دهند
- ابزار هوش مصنوعی کارایی بالا ممکن است عمدتاً برای سیستمهای بهداشتی ثروتمند قابل دسترسی بماند، شکاف‌های جهانی در مراقبت را گسترش دهد
جرمی فارار، دانشمند رئیس WHO، در زمان انتشار راهنما گفت که فناوری‌های هوش مصنوعی تولیدی می‌توانند مراقبت بهداشتی را فقط اگر توسعه‌دهندگان، تنظیم‌کنندگان و کاربران خطرات مرتبط را شناسایی و به‌طور کامل برای آنها حساب کنند بهبود ببخشند.
آنچه هنوز اتفاق نیفتاده است
چندین سنگ‌فرش گاهی مرتبط با هوش مصنوعی در پزشکی رخ ندادند. هیچ دارویی طراحیشده کاملاً توسط هوش مصنوعی تایید نظارتی را در جایی دریافت نکرده است، و راهنمای WHO به‌طور واضح هشدار می‌دهد که دسترسی نابرابر به سیستمهای هوش مصنوعی توانمندتر می‌توانست فاصله‌ها را نه تضیق بلکه توسعه دهند، بین سیستمهای بهداشتی خوب‌منابع و نامنابع. در حال حاضر، دریچه روشن‌ترین هوش مصنوعی در پزشکی در تصویرسازی تشخیصی باقی می‌ماند، جایی که تنظیم‌کنندگان طولانی‌ترین سابقه تصریح را دارند، در حالی که نقش آن در ایجاد مواد دارویی جدید از اثبات مفهوم در آزمایشگاه به سوی آزمایش‌های بالینی بزرگ‌تر حرکت میکند.
پرسش‌ها
- آیا FDA دارویی را تایید کرد که توسط هوش مصنوعی طراحی شده باشد؟
- خیر. در حالی که آزمایش فاز سوم در 7 ژوئیه 2026 آغاز شد، هیچ دارویی طراحیشده توسط هوش مصنوعی تایید FDA یا تنظیمکننده دیگری را دریافت نکرده است؛ rentosertib از Insilico Medicine پیشرفتهترین است، اکنون در آزمایش فاز سوم با 320 بیمار در چین تست میشود، طبق شرکت.
- FDA چند دستگاه پزشکی تقویتشده با هوش مصنوعی مجاز داده است؟
- FDA بیان میکند که بیش از 1,600 دستگاه پزشکی تقویتشده با هوش مصنوعی برای بازار آمریکا مجاز داده است، طبق صفحه ردیابی خود، آخرین بهروزرسانی در 22 سپتامبر 2026.
- کدام تخصص پزشکی بیشتری ابزار هوش مصنوعی تاییدشده توسط FDA استفاده میکند؟
- رادیولوژی، که 211 از 295 صدور دستگاه هوش مصنوعی و یادگیری ماشین در سال 2025 را تشکیل داد — حدود 71.5 درصد — طبق تحلیل مشاور نظارتی Innolitics.
- WHO کدام خطرات را برای هوش مصنوعی در مراقبت بهداشتی شناسایی کرده است؟
- راهنمای WHO در ژانویه 2024 دادههای آموزشی سوگیریشده یا کمکیفیت، 'تحیز خودکار' در بین پزشکان، آسیبپذیری سایبری، و دسترسی نابرابر به سیستمهای هوش مصنوعی توانمند بین سیستمهای بهداشتی ثروتمند و کممنابع را برجسته میکند.
- دارویی rentosertib طراحیشده توسط هوش مصنوعی چگونه کشف شد؟
- Insilico Medicine میگوید که پلتفرم PandaOmics خود پروتئین TNIK را بهعنوان هدف دارویی شناسایی کرد و پلتفرم Chemistry42 مولکول نامزد را ایجاد کرد، با توصیف مسیر کشف در Nature Biotechnology و نتایج فاز IIa منتشر شده در Nature Medicine، طبق شرکت.
منابع
- FDA — Artificial Intelligence-Enabled Medical Devices
- PR Newswire (Insilico Medicine) — Insilico Initiates Phase III Clinical Trial for Rentosertib
- World Health Organization — WHO releases AI ethics and governance guidance for large multi-modal models
- Innolitics — 2025 Year in Review: AI/ML Medical Device 510(k) Clearances
- IntuitionLabs — AI-Discovered Drugs in Clinical Trials 2026: Full Pipeline
این مطلب با هوش مصنوعی آماده شده و پیش از انتشار از بررسی خودکار منابع گذشته است. اگر خطایی دیدید، درخواست اصلاح کنید. درخواست اصلاح یا حق پاسخ · چگونه کار می‌کنیم
مطالب مرتبط
هوش مصنوعیمقاله
نحوه توسعه سوگیری در الگوریتم‌های هوش مصنوعی و حفاظتی که برای متوقف کردن آن وجود دارد
سیستمهای هوش مصنوعی زمانی سوگیری پیدا می‌کنند که از دادههای آموزشی نمایندگی نکننده یاد بگیرند یا فرضیات انسانی و نهادی را که در طراحی آنها کدگذاری شده‌اند، در خود بپذیرند. موارد مستند شده - ابزار استخدام آمازون و مطالعه "سایه‌های جنسیتی" سال 2018 برای شناسایی چهره - نشان می‌دهد که این می‌تواند زنان و افراد دارای پوست تیره‌تر را در معرض نقصان قرار دهد. مقررات‌گذاران در اتحادیه اروپا و بدنه‌های استانداردی مانند NIST اکنون آزمایش سوگیری را برای سیستمهای پرخطر الزامی می‌کنند.
هوش مصنوعیمقایسه
ChatGPT در مقابل Claude در مقابل Gemini در اکتبر 2026: مقایسه مدل‌ها، قیمت‌ها و معیارها
تا اکتبر 2026، ChatGPT بر روی خانواده GPT-6 OpenAI (Astra برای استدلال، Sol/Luna برای چت روزمره) کار میکند، پرچمدار Anthropic Claude Opus 5 است، و بالاترین مدل‌های عمومی Google Gemini 3.1 Pro است در حالی که Gemini 4 Argon جدیدتر هنوز در راه‌اندازی محدود است. نقشه‌های پرداخت سطح ورودی حول 20 دلار در ماه جمع می‌شوند، اما این سه به طور تیز بر روی پنجره متن، هزینه API و معیارهایی که هر شرکت برجسته میکند متفاوت می‌شوند.
هوش مصنوعیمقاله
نحوه یادگیری هوش مصنوعی از داده‌ها: توضیح آموزش در میان مناقشه بند تکنید Meta
مدل‌های هوش مصنوعی با پردازش حجم‌های عظیمی از متن، تصویر و سایر داده‌ها و تنظیم پارامترهای داخلی یاد می‌گیرند تا پیش‌بینی‌های آنها با پاسخ‌های صحیح مطابقت داشته باشد، این فرایند در میلیارد‌ها مثال تکرار میشود. منشأ این داده‌ها در اکتبر 2026 نقطه تنازع شد، زمانی که شرایط تجاری جدید Meta به نظر می‌رسید که این شرکت را قادر می‌سازد تا وب‌سایت‌های عملاء تجاری خود را برای آموزش هوش مصنوعی تکنید کند، که انتقاد ناشرین و صاحبان نظر حقوقی را برانگیخت، پیش از آن‌که Meta تدوین را محدود کند.
هوش مصنوعیمقاله
نحوه کار تولید تصویر با هوش مصنوعی: مدل‌های انتشار توضیح داده شده
ابزارهایی مانند DALL-E، Midjourney و Stable Diffusion از مدل‌های انتشار برای ایجاد تصاویر استفاده می‌کنند: شبکه‌های عصبی آموزش‌دیده برای تبدیل یک تصویر به نویز تصادفی و سپس معکوس کردن این فرآیند. برای تولید یک تصویر جدید، شبکه از نویز خالص شروع میکند و نویز را قدم به قدم حذف میکند، هدایت شده توسط یک درخواست متنی، تا زمانی که یک تصویر منسجم ظاهر شود.