هوش مصنوعی ماموگرافی در مهندسان کامپیوتر و رادیولوژیست‌های دانشگاه دوک یک پلتفرم هوش مصنوعی برای تجزیه و تحلیل ضایعات سرطانی بالقوه در اسکن ماموگرافی ایجاد کرده‌اند تا تعیین کنند که آیا بیمار باید بیوپسی تهاجمی دریافت کند یا خیر.
اما برخلاف بسیاری از پیشینیان خود، این الگوریتم قابل تفسیر است، به این معنی که دقیقاً به پزشکان نشان می دهد که چگونه به نتیجه گیری رسیده است.
محققان هوش مصنوعی را آموزش دادند تا ضایعات را دقیقاً مانند یک رادیولوژیست واقعی شناسایی و ارزیابی کند، نه اینکه به آن اجازه دهند آزادانه رویه های خود را توسعه دهد، که به آن چندین مزیت نسبت به همتایان “جعبه سیاه” خود می دهد.
این می تواند یک پلت فرم آموزشی مفید برای آموزش خواندن تصاویر ماموگرافی به دانش آموزان باشد. همچنین می تواند به پزشکان مناطق کم جمعیت در سراسر جهان که به طور منظم اسکن ماموگرافی را مطالعه نمی کنند کمک کند تا تصمیمات مراقبت های بهداشتی بهتری بگیرند.
نتایج به صورت آنلاین در 15 دسامبر در مجله Nature Machine Intelligence منتشر شد.
جوزف لو، استاد رادیولوژی در دوک، می گوید: «اگر قرار است رایانه ای به تصمیم گیری های مهم پزشکی کمک کند، پزشکان باید اعتماد کنند که هوش مصنوعی نتیجه گیری های خود را بر اساس چیزی منطقی استوار می کند. ما به الگوریتم‌هایی نیاز داریم که نه تنها کار کنند،
بلکه خودشان را توضیح دهند و نمونه‌هایی را نشان دهند که نتیجه‌گیری‌هایشان را بر چه چیزی استوار می‌کنند. به این ترتیب، چه یک پزشک با نتیجه موافق باشد یا نه، هوش مصنوعی به تصمیم گیری بهتر کمک می کند.
“بدون این جزئیات صریح، پزشکان وقت و ایمان خود را به سیستم از دست خواهند داد اگر راهی برای درک اینکه چرا گاهی اوقات اشتباه می کند وجود نداشته باشد.
آلینا بارنت
هوش مصنوعی مهندسی که تصاویر پزشکی را می خواند یک صنعت بزرگ است.
هزاران الگوریتم مستقل در حال حاضر وجود دارد و FDA بیش از 100 مورد از آنها را برای استفاده بالینی تایید کرده است.
با این حال، چه در خواندن MRI، CT یا اسکن ماموگرافی، تعداد بسیار کمی از آنها از مجموعه داده های اعتبارسنجی با بیش از 1000 تصویر یا حاوی اطلاعات جمعیت شناختی استفاده می کنند.
این کمبود اطلاعات، همراه با شکست‌های اخیر چندین نمونه قابل‌توجه،
بسیاری از پزشکان را وادار کرده است که استفاده از هوش مصنوعی در تصمیم‌گیری‌های پزشکی پرمخاطره را زیر سوال ببرند.
در یک نمونه، یک مدل هوش مصنوعی حتی زمانی که محققان آن را با تصاویر گرفته شده از امکانات مختلف با شکست خورد.استفاده از تجهیزات مختلف آموزش دادند، شکست خورد.
به جای تمرکز انحصاری بر روی ضایعات مورد نظر، هوش مصنوعی یاد گرفت که از تفاوت های ظر معرفی شده توسط خود تجهیزات برای تشخیص تصاویری که از بخش سرطان می آید استفاده کند و احتمال سرطانی بودن آن ضایعات را افزایش دهد.
همانطور که انتظار می رفت، هوش مصنوعی با استفاده از تجهیزات مختلف به خوبی به بیمارستان های دیگر منتقل نشد. اما از آنجایی که هیچ کس نمی‌دانست الگوریتم هنگام تصمیم‌گیری به چه چیزی نگاه می‌کند، هیچ کس نمی‌دانست که این الگوریتم در برنامه‌های دنیای واقعی شکست خواهد خورد.
No responses yet