اخبار تکنولوژی
مهندسان کامپیوتر و رادیولوژیستهای دانشگاه دوک یک پلتفرم هوش مصنوعی (AI) ایجاد کردهاند که میتواند غدههای سرطانی بالقوه را در اسکن ماموگرافی تجزیه و تحلیل کند تا تشخیص دهد که آیا بیمار باید بیوپسی تهاجمی را دریافت کند یا خیر.
با این حال، برخلاف سایر پلتفرمهای هوش مصنوعی، این الگوریتم قابل تفسیر است، به این معنی که دقیقاً به پزشکان نشان میدهد که چگونه به نتیجهگیری رسیده است.
محققان الگوریتم هوش مصنوعی قابل تفسیر خود را برای غدههای پستان (IAIA-BL) طراحی کردند تا غده را دقیقاً همانطور که یک رادیولوژیست واقعی آموزش میبیند، مکانیابی و ارزیابی کند (نه اینکه به آنها اجازه دهند آزادانه روشهای خود را اعمال کند).
آنها معتقدند که این پلتفرم جدید چندین مزیت نسبت به همتایان خود دارد و میتواند یک پلتفرم آموزشی مفید برای آموزش خواندن تصاویر ماموگرافی به دانشجویان ارائه دهد. همچنین این پلتفرم میتواند به پزشکان مناطق کم جمعیت در سراسر جهان که به طور منظم مطالب اسکن ماموگرافی را مطالعه نمیکنند کمک کند تا تصمیمات پزشکی بهتری بگیرند.
جوزف لو(Joseph Lo) ، دکترای رادیولوژی در دانشگاه دوک، گفت: «اگر قرار است رایانهای به تصمیمگیریهای مهم پزشکی کمک کند، پزشکان باید اعتماد کنند که هوش مصنوعی نتیجهگیریهای خود را بر اساس دلایلی منطقی ارائه میکند. ما به الگوریتمهایی نیاز داریم که نه تنها کار کنند، بلکه خودشان را توضیح دهند و نشان دهند که نتیجهگیریهایشان بر چه چیزی استوار است. به این ترتیب، چه یک پزشک با نتیجه موافق باشد یا نه، هوش مصنوعی به تصمیم گیری بهتر کمک میکند.
مهندسی هوش مصنوعی که تصاویر پزشکی را میخواند صنعت بزرگی است. هزاران الگوریتم مستقل در حال حاضر وجود دارد و FDA بیش از 100 الگوریتم را برای استفاده بالینی تایید کرده است. همانطور که محققان خاطر نشان کردند، “هوش مصنوعی در حال متحول کردن رادیولوژی است.”
با این حال، آنها هشدار دادند، پزشکان چه در خواندن MRI، چه خواندن سیتی اسکن یا خواندن اسکن ماموگرافی، الگوریتمهای بسیار کمی از مجموعه دادههایی با بیش از 1000 تصویر یا حاوی اطلاعات جمعیت شناختی استفاده میکنند.
همچنین اخبار علمی بیشتری را مطالعه فرمایید:
هوش مصنوعی میتواند عود مجدد بیماری کرون را با موفقیت پیشبینی کند!
فناوری هوش مصنوعی برای بهبود سلامت روان
الگوریتم هوش مصنوعی جنایات آینده را یک هفته قبل از حادثه با دقت 90 درصد پیش بینی میکند!
آنها همچنین خاطرنشان کردند: «… مجموعه دادههای ماموگرافی در دسترس عمومِ کمی وجود دارد، بنابراین بسیاری از مدلها بر روی موارد نسبتاً کمی آموزش داده میشوند و جامعه فاقد مجموعه دادههایی برای تأیید خارجی این مدلها است». این کمبود اطلاعات، همراه با شکستهای اخیر چندین نمونه قابلتوجه، بسیاری از پزشکان را وادار کرده است که استفاده از هوش مصنوعی در تصمیمگیریهای حیاتی پزشکی را زیر سؤال ببرند.
در یک نمونه، یک مدل هوش مصنوعی حتی زمانی که محققان آن را با تصاویر گرفته شده از امکانات مختلف با استفاده از تجهیزات مختلف آموزش دادند، شکست خورد. به جای تمرکز انحصاری بر روی غدههای مورد نظر، هوش مصنوعی یاد گرفت که از تفاوتهای ظریف تعریف شده توسط خود تجهیزات برای تشخیص تصاویری که از بخش سرطانزده میآید استفاده کند و احتمال سرطانی بودن آن غدهها را تشخیص دهد.
همانطور که انتظار میرفت، ابزار آلات هوش مصنوعی با استفاده از تجهیزات مختلف به خوبی به بیمارستانهای دیگر منتقل نشد. اما از آنجایی که هیچ کس نمیدانست الگوریتمهای مربوط به هوش مصنوعی به هنگام تصمیمگیری چه چیزی را بررسی میکند، کسی نمیدانست که این الگوریتم در برنامههای دنیای واقعی شکست خواهد خورد.
همانطور که محققان اشاره کردند، “علیرغم امید به رادیولوژی به کمک کامپیوتر برای ماموگرافی، روشهای فعلی با نگرانیهای جدی مثل خطای محاسباتی مرتبط هستند.
همچنین محققان افزودند: خطا کردن زمانی رخ میدهد که کامپیوتر یا هوش مصنوعی از اطلاعات یا استدلالهای نادرست برای تصمیم گیری استفاده میکند (حتی اگر تصمیم درست باشد). در مطالعات قبلی، محققان مدلهایی را ایجاد کردند که به نظر میرسید در مجموعههای آزمایشی خود عملکرد خوبی داشتند، اما بر اساس بازرسیهای بیشتر، تصمیمات خود را بر اساس اطلاعات غیر معتبر به جای اطلاعات پزشکی گرفته بودند.»
تفسیرپذیری در مدلهای یادگیری هوش مصنوعی در مواردی که محققان به آن اشاره کردهاند «تصمیمات پرمخاطره» است، مانند اینکه آیا باید نمونهبرداری بر اساس اسکن ماموگرافی تجویز شود یا خیر، مهم است.
محققان اشاره کردند: «ماموگرافی چالشهای مهمی را ایجاد میکند که در سایر وظایف هوش مصنوعی وجود ندارد: مجموعه دادهها کوچک است، اطلاعات خارج از برنامهی کامپیوتر وجود دارد و حتی برای یک رادیولوژیست ممکن است تصمیمگیری بین مراقبت و بیوپسی تنها بر اساس ماموگرافی دشوار باشد.»
آلینا بارنت، دکترای علوم کامپیوتر در دوک و اولین محقق این مقاله، گفت:«ایده ما این بود که سیستمی بسازیم که بگوییم این بخش خاص از یک غده سرطانی بالقوه بسیار شبیه به غده دیگری است که قبلا دیدهایم.»
همانطور که محققان توضیح دادند، برای اطمینان از معاینات بالینی، یک ابزار هوش مصنوعی باید فرآیند استدلال خود را در اختیار همکاران رادیولوژیست انسانی خود قرار دهد تا کمک مفیدی در این فرآیندهای تصمیم گیری دشوار و پرمخاطره باشد. فرآیند استدلال هر مدلی در حالت ایدهآل شبیه به یک رادیولوژیست واقعی است که بر اساس فیزیولوژی نحوه ایجاد تومورها در بافت پستان، به جنبههای خاصی از تصاویری که مهم هستند، نگاه میکند.
محققان محیط هوش مصنوعی جدید را با 1136 تصویر گرفته شده از 484 بیمار در سیستم بهداشت دانشگاه دوک تعریف کردند. آنها ابتدا به هوش مصنوعی آموزش دادند که غدههای مشکوک مورد نظر را پیدا کند و تمام بافتهای سالم و سایر دادههای نامربوط را نادیده بگیرد. سپس آنها رادیولوژیستهایی را استخدام کردند تا به دقت تصاویر را برچسبگذاری کنند تا به هوش مصنوعی یاد دهند که روی کناره فدهها، جایی که تومورهای بالقوه با بافت سالم اطراف برخورد میکنند، تمرکز کند و آن لبهها را با لبههای تصاویر با نتایج سرطانی و خوشخیم شناخته شده مقایسه کنند.
خطوط تابشی یا لبههای غدهها که از نظر پزشکی به عنوان حاشیه جرم (mass margin) شناخته میشوند، بهترین پیش بینی کننده تومورهای سرطانی پستان و اولین چیزی هستند که رادیولوژیستها به دنبال آن هستند. این اتفاق به این دلیل است که سلولهای سرطانی آنقدر سریع تکثیر میشوند که تمام لبههای تومورهای در حال رشد در ماموگرافی به راحتی قابل مشاهده نیستند.
محققان در گزارش خود در مقاله اظهار داشتند: «علاوه بر پیشبینی بدخیم یا خوشخیم بودن تومور، هدف کار ما دنبال کردن فرآیندهای استدلال رادیولوژیستها در تشخیص ویژگیهای معنایی مرتبط بالینی هر تصویر، مانند ویژگیهای حاشیه توده است.این چارچوب شامل یک الگوریتم شبکه عصبی قابل تفسیر جدید است که از استدلال مبتنی بر شواهد برای ماموگرافی استفاده میکند.
دکتر بارنت گفت: “این یک روش منحصر به فرد برای آموزش توسط یک هوش مصنوعی است که چگونه به تصاویر پزشکی نگاه کند.” «سایر مکانیزمهای هوش مصنوعی قصد ندارند از رادیولوژیستها تقلید کنند. آنها روشهای خود را برای پاسخ دادن به مواردی ارائه میکنند که اغلب مفید نیستند یا در برخی موارد استدلال معیوب دارند.
پس از تکمیل آموزش، محققان هوش مصنوعی را مورد آزمایش قرار دادند. در حالی که این مدل از رادیولوژیستهای انسانی برتری نداشت، اما بهتر از سایر مدلهای کامپیوتری (به صورت کارآمد) عمل کرد. نکته مهم این است که وقتی اطلاعات هوش مصنوعی اشتباه باشد، افرادی که با آن کار میکنند میتوانند اشتباه بودن و چرایی این اشتباه را تشخیص دهند.
محققان خاطرنشان کردند: «مدلهای ما کمککننده برای تصمیمگیری هستند (نه به جای تصمیمگیرندگان) و هدف آنها همکاری کلی انسان و ماشین است. بنابراین، بر خلاف سیستمهای کامپیوتری موجود که هدفشان جایگزینی پزشک است، هدف ما ایجاد یک IAIA-BL است که استدلال صریح آن توسط یک پزشک قابل درک و تأیید باشد….
با حرکت رو به جلو، تیم در تلاش است تا ویژگیهای فیزیکی دیگری را برای هوش مصنوعی اضافه کند تا در هنگام تصمیمگیری از آن کمک بگیرد، مانند شکل غده، که دومین ویژگی است که رادیولوژیستها یاد میگیرند که به آن نگاه کنند. رودین و لو همچنین اخیراً جایزه MEDx-Risk High-Impact Award را دریافت کردند تا به توسعه این الگوریتم ادامه دهند و یک مطالعه خواننده رادیولوژیست انجام دهند تا ببینند آیا به عملکرد بالینی و/یا اعتماد به نفس کمک می کند یا خیر.
فیدس شوارتز(Fides Schwartz)، یکی از نویسندگان، دارای PHD و پژوهشگر، گفت: زمانی که محققان برای اولین بار استفاده از هوش مصنوعی را در تصاویر پزشکی آغاز کردند، هیجان زیادی وجود داشت که شاید کامپیوتر بتواند چیزی را ببیند یا چیزی را بفهمد که مردم قادر به دیدن آن نیستند.
همانطور که تیم در گزارش خود نتیجه گیری کرد، “کار آینده با این مدل ممکن است شامل مطالعاتی باشد که در آن ما هرگونه پیشرفت در دقت را اندازه گیری میکنیم و رادیولوژیستها اعتماد خود را به سیستم ما گزارش میکنند. با توجه به افزایش مزیت سایر کمکهای هوش مصنوعی برای خوانندگان کمتجربه، ممکن است مقایسه مزایای این سیستم با متخصصان فرعی و رادیولوژیستهای محلی که ممکن است فقط گاهی اوقات برای انجام این کار فراخوانده شوند، ارزشمند باشد.
مترجم :محمدمعین باشی