به گزارش ایسنا و به نقل از ساینس‌دیلی، این الگوریتم برخلاف الگوریتم‌های پیشین،  قابل تفسیر است یعنی روشی که با آن به نتیجه نهایی رسیده است را به پزشکان نشان می‌دهد.  

این پلتفرم توسط مهندسان رایانه و رادیولوژیست‌های دانشگاه دوک(Duke) ساخته شده است.

محققان هوش مصنوعی را آموزش داده‌اند 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. همچنین می‌تواند به پزشکان مناطق کم جمعیت در سراسر جهان که به طور منظم اسکن ماموگرافی را بررسی نمی‌کنند کمک کند تا تصمیمات بهتری در زمینه مراقب‌های بهداشتی بگیرند.

"جوزف لو"(Joseph Lo)، استاد رادیولوژی در دانشگاه دوک می‌گوید: اگر قرار است که رایانه به ما در گرفتن تصمیمات مهم کمک کند، پزشکان باید اطمینان حاصل کنند که هوش مصنوعی براساس موارد منطقی به نتیجه نهایی رسیده است.

ما نیازمند الگوریتم‌هایی هستیم که نه تنها کار می‌کنند بلکه روند کار را توضیح می‌دهند و نمونه‌هایی نشان می‌دهند که مشخص می‌کند چگونه به نتیجه نهایی رسیده‌اند. به این ترتیب چه پزشک با نتیجه موافق باشد چه نباشد، هوش مصنوعی به تصمیم گیری بهتر کمک می‌کند.

هوش مصنوعی مهندسی که به بررسی تصاویر پزشکی می‌پردازد 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 تایید کرده است. با این حال فرقی نمی‌کند از هوش مصنوعی برای بررسی نتایج MRI، سی‌تی اسکن یا ماموگرافی استفاده کنید، تعداد کمی از آن‌ها از مجموعه داده‌های اعتبارسنجی با بیش از ۱۰۰۰ تصویر استفاده می‌کنند. این کمبود داده و شکست‌های قابل توجه چندین مورد اخیر بسیاری از پزشکان را بر آن داشته تا استفاده از هوش مصنوعی در تصمیمات پزشکی پر خطر را زیر سوال ببرند.

برای مثال در یک مورد، هوش مصنوعی حتی با وجود آن که محققان آن را با تصاویر ثبت شده توسط تجهیزات مختلف آموزش دادند، با شکست مواجه شد.

این هوش مصنوعی یاد گرفت که از تفاوت‌های ظریفی که توسط خود تجهیزات برای تشخیص تصاویر سرطانی معرفی می‌شود استفاده کند و احتمال سرطانی بودن این ضایعات را در بالاترین حالت بداند به جای آن که منحصرا بر ضایعات قابل توجه تمرکز کند.  

همانطور که انتظار می‌رود، این هوش مصنوعی نتوانست با بیمارستان‌های دیگری که تجهیزات متفاوتی داشتند منطبق شود. اما از آن جا که هیچ کس نمی‌دانست الگوریتم‌ها 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 می‌گوید: ایده ما این بود که سیستمی بسازیم که بگوید این بخش خاص از ضایعه بالقوه سرطانی شباهت زیادی به مورد دیگری است که قبلا دیده‌ام. اگر 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 می‌دهند.

محققان این هوش مصنوعی جدید را با استفاده از هزار و ۱۳۶ تصویر گرفته شده از ۴۸۴ بیمار در سیستم بهداشت دانشگاه دوک آموزش دادند.

آن‌ها ابتدا هوش مصنوعی را به نحوی آموزش دادند که ضایعات مشکوک مورد نظر را پیدا کند و تمام بافت‌های سالم داده‌های غیر مربوط را نادیده بگیرد. آن‌ها سپس از چندین رادیولوژیست‌ کمک گرفتند تا به دقت تصاویر را برچسب‌گذاری کنند تا به هوش مصنوعی آموزش دهند که بر لبه‌های ضایعات یعنی مکان‌هایی که تومورهای بالقوه با بافت سالم برخورد می‌کنند تمرکز کنند و آن‌ها را با لبه‌های تصاویری که حاوی غدد سرطانی خوش‌خیم بودند مقایسه کنند.

خطوط تابشی یا لبه‌های مبهم که از نظر پزشکی حاشیه‌های توده‌ای(mass margins) نامیده می‌شوند بهترین مشخصه‌ی تومورهای سرطانی پستان و اولین موردی هستند که رادیولوژیست‌ها به آن توجه می‌کنند زیرا رشد و تکثیر سلول‌های سرطانی به قدری سریع است که همه‌ی آن‌ها لبه ایجاد نمی‌کنند و نمی‌توان آن‌ها را به آسانی در ماموگرافی مشاهده کرد.

بارنت می‌گوید: این روشی منحصربه‌فرد برای آموزش هوش مصنوعی است. سایر هوش‌های مصنوعی تلاش نمی‌کنند که از رادیولوژیست‌ها تقلید کنند. آن‌ها روش‌های خود را استفاده می‌کنند که اغلب یا مفید نیستند یا در برخی موارد وابسته به فرآیندهای استدلالی معیوب هستند.

محققان پس از اتمام آموزش هوش مصنوعی را مورد آزمایش قرار دادند. اگرچه که این هوش مصنوعی برتر از رادیولوژیست‌ها عمل نمی‌کرد اما عملکرد آن به خوبی مدل‌های رایانه‌ای "جعبه سیاه" بود.

جعبه سیاه(Black Box) به ابزار، سامانه یا جسمی گفته می‌شود که فقط ورودی و خروجی‌هایش قابل مشاهده‌ است و هیچ گونه اطلاعی از عملکرد و درون آن در اختیار کاربر نیست.  

زمانی که این هوش مصنوعی جدید خطایی مرتکب می‌شود، افرادی که با آن کار می‌کنند می‌توانند تشخیص دهند که عملکرد آن اشتباه است و علت این اشتباه را نیز دریابند.

این تیم در تلاش است تا ویژگی‌های فیزیکی دیگری به هوش مصنوعی بیافزاید تا آن‌ها را هنگام تصمیم‌گیری در نظر بگیرد. برای مثال ظاهر ضایعه که دومین موردی است که رادیولوژیست‌ها می‌آموزند به آن توجه کنند.

نتایج این مقاله در مجله‌ی "Nature Machine Intelligence" در روز ۱۵ دسامبر به چاپ رسیده است.

انتهای پیام