به گزارش ایسنا، این الگوریتم برخلاف الگوریتم های پیشین، قابل تفسیر است یعنی روشی که با آن به نتیجه نهایی رسیده است را به پزشکان نشان می دهد.
این پلتفرم توسط مهندسان رایانه و رادیولوژیست های دانشگاه دوک( Duke) ساخته شده است.
پژوهشگران هوش مصنوعی را آموزش داده اند تا درست مانند یک رادیولوژیست آموزش دیده محل ضایعات را تعیین و آنها را ارزیابی کند.
این میتواند یک پلتفرم آموزشی کارآمد برای آموزش نحوه تفسیر تصاویر ماموگرافی به دانشجویان باشد. همینطور میتواند به پزشکان مناطق کم جمعیت در سراسر جهان که به صورت منظم اسکن ماموگرافی را بررسی نمی کنند کمک کند تا تصمیمات بهتری در زمینه مراقب های بهداشتی بگیرند.
" جوزف لو"( Joseph Lo)، استاد رادیولوژی در دانشگاه دوک می گوید:در صورتیکه قرار است که رایانه به ما در گرفتن تصمیمات مهم کمک کند، پزشکان باید اطمینان حاصل کنند که هوش مصنوعی طبق موضوعات منطقی به نتیجه نهایی رسیده است.
ما نیازمند الگوریتم هایی هستیم که نه تنها کار می کنند بلکه روند کار را توضیح میدهند و نمونه هایی نشان میدهند که مشخص می کند چگونه به نتیجه نهایی رسیده اند. به این ترتیب چه پزشک با نتیجه موافق باشد چه نباشد، هوش مصنوعی به تصمیم گیری بهتر کمک می کند.
هوش مصنوعی مهندسی که به بررسی تصاویر پزشکی می پردازد صنعت بزرگی است. هزاران الگوریتم مستقل در حال حاضر وجود دارد و سازمان غذا و داروی آمریکا بیش از ۱۰۰ مورد از آنها را برای استفاده بالینی تائید نموده است. با این حال فرقی نمی کند از هوش مصنوعی برای بررسی نتایج MRI، سی تی اسکن یا ماموگرافی استفاده کنید، تعداد کمی از آن ها از مجموعه داده های اعتبارسنجی با بیش از ۱۰۰۰ تصویر استفاده می کنند. این کمبود داده و شکست های قابل توجه چندین مورد اخیر بسیاری از پزشکان را بر آن داشته تا استفاده از هوش مصنوعی در تصمیمات پزشکی پر خطر را زیر سؤال ببرند.
برای مثال در یک مورد، هوش مصنوعی حتی با وجود آن که پژوهشگران آنرا با تصاویر ثبت شده توسط تجهیزات مختلف آموزش دادند، با شکست مواجه شد.
این هوش مصنوعی یاد گرفت که از تفاوت های ظریفی که توسط خود تجهیزات برای تشخیص تصاویر سرطانی معرفی می شود استفاده کند و احتمال سرطانی بودن این ضایعات را در بالاترین حالت بداند به جای آن که منحصرا بر ضایعات قابل توجه تمرکز کند.
همان طور که انتظار میرود ، این هوش مصنوعی نتوانست با بیمارستان های دیگری که تجهیزات متفاوتی داشتند منطبق شود. ولی از آن جا که هیچ کس نمی دانست الگوریتم ها چه چیزی را مورد بررسی قرار میدهند ، هیچ کس متوجه نشد که این الگوریتم در واقعیت با شکست مواجه خواهد شد.
" آلینا بارنت"( Alina Barnett)، نویسنده ارشد این مقاله می گوید:ایده ما این بود که سیستمی بسازیم که بگوید این بخش خاص از ضایعه بالقوه سرطانی شباهت زیادی به مورد دیگری است که سابقاً دیده ام. در صورتیکه راهی برای درک علت اشتباه کردن سیستم وجود نداشته باشد و بدون وجود جزئیات واضح، پزشکان زمان و امید خود را به سیستم از دست می دهند.
پژوهشگران این هوش مصنوعی جدید را با استفاده از هزار و ۱۳۶ تصویر گرفته شده از ۴۸۴ بیمار در سیستم بهداشت دانشگاه دوک آموزش دادند.
آن ها ابتدا هوش مصنوعی را به نحوی آموزش دادند که ضایعات مشکوک مورد نظر را پیدا کند و تمام بافت های سالم داده های غیر مربوط را نادیده بگیرد. آن ها سپس از چندین رادیولوژیست کمک گرفتند تا به دقت تصاویر را برچسب گذاری کنند تا به هوش مصنوعی آموزش دهند که بر لبه های ضایعات یعنی مکان هایی که تومورهای بالقوه با بافت سالم برخورد می کنند تمرکز کنند و آن ها را با لبه های تصاویری که حاوی غدد سرطانی خوش خیم بودند مقایسه کنند.
خطوط تابشی یا لبه های مبهم که از نظر پزشکی حاشیه های توده ای( mass margins) نامیده میشوند بهترین مشخصه ی تومورهای سرطانی پستان و نخستین موردی هستند که رادیولوژیست ها به آن توجه می کنند زیرا رشد و تکثیر سلول های سرطانی به قدری سریع است که همه ی آنها لبه ایجاد نمی کنند و نمی توان آن ها را به آسانی در ماموگرافی مشاهده کرد.
بارنت می گوید:این روشی منحصربه فرد برای آموزش هوش مصنوعی است. سایر هوش های مصنوعی تلاش نمی کنند که از رادیولوژیست ها تقلید کنند. آن ها روش های خود را استفاده می کنند که اغلب یا مفید نیستند یا در برخی موارد وابسته به فرآیندهای استدلالی معیوب هستند.
پژوهشگران بعد از اتمام آموزش هوش مصنوعی را مورد آزمایش قرار دادند. هرچند که این هوش مصنوعی برتر از رادیولوژیست ها عمل نمی کرد اما عملکرد آن به خوبی مدل های رایانه ای" جعبه سیاه" بود.
جعبه سیاه( Black Box) به ابزار، سامانه یا جسمی گفته می شود که فقط ورودی و خروجی هایش قابل مشاهده است و هیچ گونه اطلاعی از عملکرد و درون آن در اختیار کاربر نیست.
زمانی که این هوش مصنوعی جدید خطایی مرتکب می شود، افرادی که با آن کار می کنند می توانند تشخیص دهند که عملکرد آن اشتباه است و علت این اشتباه را نیز دریابند.
این تیم در تلاش است تا ویژگی های فیزیکی دیگری به هوش مصنوعی بیافزاید تا آنها را هنگام تصمیم گیری در نظر بگیرد. برای مثال ظاهر ضایعه که دومین موردی است که رادیولوژیست ها می آموزند به آن توجه کنند.
نتایج این مقاله در مجله ی" Nature Machine Intelligence" در روز ۱۵ دسامبر به چاپ رسیده است.
- 9
- 4
