مطالعه‌ای علم‌سنجی، رشد سریع و تمرکز جغرافیایی پژوهش‌های هوش مصنوعی در پزشکی سنتی شرق آسیا را ترسیم می‌کند

bioengineer.org

انتشار در منبع: انتشار در سایت ما:

مقاله اصلی · English

تصویر تولیدشده با هوش مصنوعی

یک مطالعه جامع علم‌سنجی درباره پژوهش‌های جهانی در زمینه پیوند پزشکی سنتی شرق آسیا و هوش مصنوعی، از افزایش چشمگیر تولیدات علمی در این حوزه خبر می‌دهد؛ به‌طوری‌که شمار مقالات از تنها یک مقاله در سال ۱۹۹۴ به اوج ۲۵۳ مقاله در سال ۲۰۲۴ رسیده است. این پژوهش را چان-یونگ کوون انجام داده و نتایج آن در نشریه Innovations in Acupuncture and Medicine منتشر شده است. این مطالعه با استفاده از شاخص‌های استنادی پایگاه مجموعه اصلی وب آو ساینس، روند تحول این حوزه میان‌رشته‌ای را بررسی می‌کند. پژوهشگر با تحلیل روند انتشار مقالات، همکاری میان نویسندگان و مؤسسات و ساختار هم‌استنادی منابع، تصویری کمّی و دقیق از نحوه به‌کارگیری یادگیری ماشین و ابزارهای محاسباتی مدرن در سنت‌های پزشکی تاریخی ارائه می‌دهد و در عین حال، موانع جغرافیایی و نهادی مؤثر بر شکل‌گیری پژوهش‌های این حوزه را شناسایی می‌کند.

پزشکی سنتی شرق آسیا مجموعه‌ای از شیوه‌های درمانی دیرینه منطقه، از جمله طب سنتی چین، طب کره‌ای و طب کامپو در ژاپن را در بر می‌گیرد. این نظام‌های پزشکی بر تشخیص کل‌نگر و انتخاب روش‌های درمانی متناسب با ویژگی‌های هر فرد تکیه دارند و اغلب از چارچوب‌های نظری مانند یین و یانگ، پنج عنصر و مسیرهای نصف‌النهاری استفاده می‌کنند. با وجود پیشینه تاریخی این روش‌ها، شیوه‌های تشخیصی آن‌ها همواره با انتقادهایی درباره وابستگی به تفسیرهای ذهنی درمانگران، دشواری تکرارپذیری نتایج و محدودیت در ادغام با چارچوب‌های زیست‌پزشکی مدرن روبه‌رو بوده‌اند. فناوری‌های هوش مصنوعی، از جمله بینایی ماشین، یادگیری عمیق و پردازش زبان طبیعی، به‌عنوان ابزارهایی محاسباتی برای رفع این چالش‌های استانداردسازی مطرح شده‌اند. این فناوری‌ها می‌توانند الگوهای پیچیده را در داده‌های تشخیصی و ترکیبات چندگیاهی شناسایی کنند.

برای ارزیابی نظام‌مند ادبیات علمی این حوزه، نویسنده اطلاعات منتشرشده در پایگاه مجموعه اصلی وب آو ساینس را از آغاز فعالیت این پایگاه تا ۱۸ ژوئن ۲۰۲۵ استخراج کرد. راهبرد جست‌وجو ترکیبی از اصطلاحات مربوط به رشته‌های پزشکی سنتی و واژه‌های مرتبط با هوش مصنوعی، یادگیری ماشین، شبکه‌های عصبی، مدل‌سازی پیش‌بینانه و داده‌کاوی بود. این جست‌وجو سه نمایه اصلی استنادی را پوشش می‌داد: نمایه استنادی علوم گسترش‌یافته، نمایه استنادی علوم اجتماعی و نمایه منابع نوظهور استنادی. در مرحله نخست، ۱۶۲۸ رکورد به دست آمد که با استفاده از نرم‌افزار EndNote 20 و طی چند مرحله غربالگری بررسی شدند تا موارد تکراری و مطالعات نامرتبط با پزشکی سنتی یا هوش مصنوعی حذف شوند. برای رفع ناسازگاری قالب داده‌ها میان خروجی‌های غربالگری با فرمت RIS و الزامات فایل متنی ساده در نرم‌افزارهای ترسیم شبکه، یک فرایند پردازش اختصاصی با زبان پایتون طراحی شد. این فرایند با استفاده از کتابخانه‌های metaknowledge و fuzz، رکوردهای پاک‌سازی‌شده را پردازش کرد، تطبیق شناسه‌ها و عناوین مقالات را در دو مرحله و با روش تطبیق تقریبی انجام داد و در نهایت مجموعه‌ای شامل ۱۲۵۳ مقاله مرتبط را برای مصورسازی در نرم‌افزار VOSviewer آماده کرد.

روند کمّی انتشار مقالات نشان می‌دهد این حوزه ابتدا دوره‌ای طولانی از فعالیت محدود را پشت سر گذاشته و سپس با رشد سریعی مواجه شده است. از سال ۱۹۹۴ تا اواخر دهه ۲۰۱۰، حجم پژوهش‌ها نسبتاً اندک بود؛ اما از سال ۲۰۲۰ روند افزایشی شدیدی آغاز شد و در همان سال ۹۸ مقاله منتشر شد. این رشد ادامه یافت تا شمار مقالات در سال ۲۰۲۴ به رکورد ۲۵۳ مقاله رسید. تحلیل هم‌رخدادی کلیدواژه‌ها نیز با بررسی ۲۸۶ اصطلاحی که دست‌کم ۱۰ بار از مجموع ۴۹۱۶ کلیدواژه ظاهر شده بودند، ساختار فکری این حوزه را در قالب سه خوشه موضوعی اصلی مشخص کرد. این خوشه‌ها سه هدف کاربردی متفاوت را بازتاب می‌دهند: شناخت سازوکارهای زیستی داروهای سنتی با کمک داروشناسی محاسباتی، استانداردسازی ارزیابی‌های ذهنی بیماران از طریق هوش مصنوعی تشخیصی و بررسی ثبات ترکیبات شیمیایی محصولات گیاهی با استفاده از کنترل کیفیت خودکار.

خوشه نخست بر داروشناسی محاسباتی و شناسایی سازوکارهای اثرگذاری داروها تمرکز دارد. در این حوزه از روش‌هایی مانند داروشناسی شبکه‌ای، اتصال مولکولی و داده‌کاوی برای بررسی داروهای گیاهی و روشن‌کردن سازوکارهای زیستی آن‌ها، از جمله در زمینه التهاب، استفاده می‌شود. خوشه دوم که بزرگ‌ترین بخش پژوهش‌ها را تشکیل می‌دهد، به تشخیص مبتنی بر هوش مصنوعی و بینایی ماشین اختصاص دارد. هدف اصلی این مطالعات، ثبت عینی شاخص‌های تشخیصی از طریق تحلیل دیجیتال زبان، طبقه‌بندی شکل موج نبض و افتراق سندرم‌های پزشکی است. خوشه سوم نیز بر تحلیل طیف‌سنجی و کنترل کیفیت متمرکز است. در این بخش، الگوریتم‌هایی مانند ماشین بردار پشتیبان بر داده‌های طیف‌سنجی فروسرخ نزدیک و طیف‌سنجی جرمی اعمال می‌شوند تا هویت گیاهان دارویی تأیید و یکنواختی ترکیبات در نوبت‌های مختلف تولید فرآورده‌های گیاهی تضمین شود.

نقشه‌برداری زمانی پژوهش‌ها، تغییر آشکاری را در فناوری‌های مورد استفاده طی سال‌های مختلف نشان می‌دهد. مطالعات اولیه عمدتاً بر روش‌های کلاسیک یادگیری ماشین، مانند ماشین بردار پشتیبان، متکی بودند. به‌تدریج، روش‌های اصلی تحلیل حول محور داده‌کاوی، داروشناسی شبکه‌ای و تصویربرداری از زبان توسعه یافتند. در جدیدترین پژوهش‌ها، تمرکز فناوری به سمت یادگیری عمیق پیشرفته، شبکه‌های عصبی کانولوشنی و مدل‌های زبانی بزرگ تغییر کرده است. این تحول فنی با تخصصی‌تر شدن موضوعات پژوهشی نیز همراه بوده است؛ به‌گونه‌ای که کاربرد چارچوب‌های محاسباتی از ارزیابی‌های عمومی و اکتشافی به سمت حوزه‌های مشخص بیماری، از جمله کووید-۱۹ و بیماری آلزایمر، و همچنین تحلیل سیگنال‌های فیزیولوژیک پیچیده‌تری مانند تشخیص پویای نبض حرکت کرده است.

با وجود تنوع سریع فناوری‌ها، نقشه همکاری‌های علمی در سطح کشورها نشان می‌دهد که تولیدات پژوهشی این حوزه به‌شدت در یک کشور متمرکز است. چین با ۱۱۰۸ مقاله از مجموع ۱۲۵۳ مقاله بررسی‌شده، ۸۸٫۴ درصد از تولیدات علمی جهان را به خود اختصاص داده و در مجموع ۱۲۵۰۳ استناد دریافت کرده است. ایالات متحده با انتشار ۶۶ مقاله، دومین کشور از نظر حجم تولیدات علمی بوده است. همکاری دوجانبه میان چین و آمریکا نیز قوی‌ترین پیوند مشارکتی در شبکه بین‌المللی پژوهش‌ها را تشکیل می‌دهد. تحلیل جهانی، ۱۲ کشور دارای دست‌کم پنج مقاله را در بر می‌گرفت. نتایج آن گروه‌های همکاری مشخصی را نشان داد که در یک گروه، چین را به کشورهای اروپایی مانند آلمان و انگلستان و همچنین کانادا و ژاپن مرتبط می‌کنند و در گروهی دیگر، ایالات متحده، کره جنوبی و هند با یکدیگر همکاری دارند.

شبکه‌های همکاری میان مؤسسات و نویسندگان نیز الگوی تمرکز جغرافیایی را منعکس می‌کنند. از میان ۱۲۵ سازمانی که دست‌کم پنج مقاله منتشر کرده بودند، ساختار نهادی به شکل شبکه‌ای متراکم و به‌هم‌پیوسته در داخل چین شکل گرفته است. دانشگاه پزشکی سنتی پکن و آکادمی علوم پزشکی سنتی چین، به‌عنوان مراکز اصلی این شبکه، بیشترین میزان تولید علمی و تأثیر استنادی را داشته‌اند. در مقابل، همکاری میان نویسندگان پراکنده‌تر است. از مجموع ۶۴۲۸ نویسنده شناسایی‌شده در مجموعه مقالات، تنها ۱۰۱ نفر دست‌کم پنج مقاله منتشر کرده بودند. نقشه همکاری نویسندگان به‌جای نمایش یک جامعه علمی بین‌المللی منسجم، از خوشه‌های پژوهشی جدا از یکدیگر تشکیل شده است. از نظر تعداد استنادها، پژوهشگران برجسته این حوزه شامل Xu Q با ۵۰۹ استناد، Zhou XZ با ۴۴۳ استناد و Chen, Calvin YC با ۳۵۱ استناد هستند.

تحلیل هم‌استنادی ۵۳ منبعی که هرکدام دست‌کم ۲۰ بار مورد استناد قرار گرفته بودند، وابستگی چشمگیر این حوزه را به پلتفرم‌های تخصصی زیست‌اطلاعاتی چین و در کنار آن، منابع بنیادی علوم رایانه نشان داد. پراستنادترین منبع، مقاله منتشرشده در سال ۲۰۱۴ درباره معرفی پایگاه داده فارماکولوژی سامانه‌ای طب سنتی چین (TCMSP) بود. پایگاه‌های اطلاعاتی SymMap و ETCM نیز از جمله منابعی بودند که به دفعات مورد استناد قرار گرفته‌اند. همچنین ابزارهای عمومی زیست‌اطلاعاتی مانند STRING و Cytoscape در این پژوهش‌ها جایگاه مهمی داشتند. نکته قابل توجه آن است که دومین مقاله پراستناد در تحلیل هم‌استنادی، پژوهش بنیادی منتشرشده در سال ۲۰۱۶ درباره شبکه‌های باقیمانده عمیق (ResNet) در حوزه بینایی ماشین، نوشته هه و همکارانش، بود. این موضوع نشان می‌دهد معماری‌های آماده یادگیری عمیق مستقیماً در کاربردهای پزشکی سنتی، از جمله تحلیل تصاویر زبان، مورد استفاده قرار گرفته‌اند. شبکه هم‌استنادی مجلات نیز ارتباط میان نشریات تخصصی پزشکی سنتی، مانند Journal of Ethnopharmacology و Phytomedicine، با مجلات عمومی چندرشته‌ای، نشریات زیست‌شناسی محاسباتی مانند Nucleic Acids Research و مخزن پیش‌چاپ arXiv را نشان می‌دهد.

این مطالعه محدودیت‌های ساختاری و مرزهای تفسیری مهمی را نیز مشخص می‌کند. از آنجا که تحلیل فقط به منابع انگلیسی‌زبان موجود در پایگاه مجموعه اصلی وب آو ساینس محدود بوده است، مخازن بزرگ علمی چینی‌زبان مانند CNKI، Wanfang و VIP را پوشش نمی‌دهد. این محدودیت می‌تواند موجب سوگیری در انتخاب منابع شود و در نتیجه، کاربردهای بالینی داخلی، روش‌های نوظهور محلی و تفاوت‌های منطقه‌ای در نظام‌های پزشکی سنتی شرق آسیا را کمتر از میزان واقعی نشان دهد. این تفاوت‌ها از جمله شامل پزشکی ساسانگ کره‌ای و شیوه‌های اقتباس‌یافته طب کامپو در ژاپن هستند. افزون بر این، تمرکز شدید بر پایگاه‌های داده و مؤسسات چینی، پرسش‌هایی را درباره اعتبارسنجی میان‌فرهنگی، قابلیت انتقال الگوریتم‌ها به جمعیت‌هایی با تنوع ژنتیکی و الگوهای متفاوت آنزیم‌های متابولیزه‌کننده دارو و ضرورت ایجاد سازوکارهای حکمرانی چندملیتی برای کاربرد بالینی این فناوری‌ها مطرح می‌کند.

در بررسی مسیر آینده استفاده از این ابزارها، پژوهش تأکید می‌کند که امکان‌پذیری فنی به‌تنهایی جایگزین ارزیابی بالینی دقیق و سخت‌گیرانه نمی‌شود. کوون معتقد است جامعه پژوهشی باید از الگوی مبتنی بر افزایش تعداد مقالات عبور کند و به سمت اعتبارسنجی جامع از طریق کارآزمایی‌های تصادفی‌سازی‌شده و کنترل‌شده و مطالعات اثربخشی در شرایط واقعی حرکت کند. انجام چنین مطالعاتی ضروری است تا مشخص شود آیا توصیه‌های الگوریتمی واقعاً به بهبود قابل‌اندازه‌گیری نتایج درمانی بیماران منجر می‌شوند یا خیر. همچنین، از آنجا که شیوه‌های پزشکی سنتی در فرهنگ‌های مختلف شرق آسیا تفاوت‌های قابل توجهی دارند، مدل‌های تشخیصی و تجویز درمان که عمدتاً با داده‌های جمعیت چین آموزش دیده‌اند، ممکن است بدون چارچوب‌های مشخص برای آزمون میان‌فرهنگی در کشورهای دیگر عملکرد قابل اعتمادی نداشته باشند. این تفاوت‌ها شامل تیپ‌های بدنی ویژه در پزشکی ساسانگ کره، نسخه‌های استانداردشده طب کامپو در ژاپن و تجویزهای پیچیده چندگیاهی در طب سنتی چین است.

تفاوت‌های زیستی میان جمعیت‌های مختلف نیز چالش‌های انتقال این فناوری‌ها به کاربرد بالینی را پیچیده‌تر می‌کند. مقاله توضیح می‌دهد که تفاوت‌های ژنتیکی مختص هر جمعیت، به‌ویژه چندشکلی‌های ژنتیکی مؤثر بر آنزیم‌های متابولیزه‌کننده دارو مانند گونه‌های ژنتیکی CYP2D6، می‌توانند فرایند متابولیسم را تغییر دهند و بر تداخلات میان داروهای شیمیایی و ترکیبات گیاهی تأثیر بگذارند. تفاوت‌های رژیم غذایی و الگوهای منطقه‌ای بیماری‌ها در کشورهای شرق آسیا نیز ممکن است کاربرد مستقیم مدل‌های تشخیصی و درمانی متمرکز را محدود کنند. برای رفع این نابرابری‌ها، ایجاد زیرساخت‌های پژوهشی توزیع‌شده و مخازن اطلاعاتی جایگزین تحت مدیریت مشارکت‌های چندملیتی ضروری است. در این زمینه، مشارکت مؤسسات ژاپنی و کره جنوبی اهمیت ویژه‌ای دارد تا از شکل‌گیری گلوگاه‌هایی جلوگیری شود که در صورت محدود ماندن نگهداری داده‌ها، توسعه پلتفرم‌ها و به‌روزرسانی ویژگی‌ها به مؤسسات چینی به وجود می‌آیند.

در نهایت، مقاله به چند محدودیت روش‌شناختی رویکرد علم‌سنجی اشاره می‌کند. علاوه بر حذف منابع به دلیل محدودیت زبانی پایگاه‌های اطلاعاتی، افزایش چشمگیر تعداد مقالات پس از سال ۲۰۲۰ ممکن است تا حدی تحت تأثیر عوامل گسترده‌تری مانند افزایش جهانی بودجه‌های مرتبط با هوش مصنوعی و رشد علاقه پژوهشگران در پی همه‌گیری کووید-۱۹ بوده باشد؛ بنابراین، نمی‌توان تمام این افزایش را صرفاً به تحولات ویژه پزشکی سنتی نسبت داد. افزون بر این، تحلیل بر تعداد استنادها تکیه دارد؛ شاخصی که میزان دیده‌شدن علمی یک پژوهش را نشان می‌دهد، نه لزوماً کیفیت یا ارتباط بالینی آن را. همچنین، آستانه‌های تعیین‌شده برای تعداد مقالات و میزان هم‌رخدادی کلیدواژه‌ها که برای ترسیم نقشه‌های بصری ضروری بودند، ممکن است برخی حوزه‌های پژوهشی نوظهور را که هنوز به تعداد قابل توجهی مقاله دست نیافته‌اند، از تحلیل کنار گذاشته باشند. نویسنده برای فراهم‌کردن زمینه کاربرد ایمن این فناوری‌ها، خواستار تدوین استانداردهای اخلاقی تخصصی و سازوکارهای نظارتی و قانونی است که بتوانند استانداردسازی الگوریتمی را با مبانی فردمحور و کل‌نگر پزشکی سنتی هماهنگ کنند.

موضوع پژوهش: تحلیل علم‌سنجی روندهای جهانی پژوهش و ساختار فکری حوزه کاربرد هوش مصنوعی در پزشکی سنتی شرق آسیا.

عنوان مقاله: هوش مصنوعی پزشکی سنتی شرق آسیا را متحول می‌کند: مطالعه‌ای علم‌سنجی درباره روندهای پژوهشی.

منبع مقاله: Kwon, C.-Y. (2025). Artificial Intelligence Transforms East Asian Traditional Medicine: A Bibliometric Study of Research Trends. Innovations in Acupuncture and Medicine, 18(1), Article 24. https://doi.org/10.1186/s44424-025-00025-z

اعتبار تصویر: تولیدشده با هوش مصنوعی.

شناسه دیجیتال مقاله (DOI): 10.1186/s44424-025-00025-z

کلیدواژه‌ها: هوش مصنوعی، پزشکی سنتی شرق آسیا، تحلیل علم‌سنجی، طب سنتی چین، داروشناسی محاسباتی، داروشناسی شبکه‌ای، بینایی ماشین، تشخیص زبان، تشخیص نبض، طیف‌سنجی، یادگیری عمیق، یادگیری ماشین، VOSviewer، پایگاه داده TCMSP، داروهای گیاهی، همکاری‌های پژوهشی، نقشه‌برداری علمی.