[ad_1]

مطالعه موردی جدید نشان می‌دهد که رادیولوژیست‌ها، سیستم‌های هوش مصنوعی تفاوت‌هایی را در غربالگری سرطان پستان نشان می‌دهند

در این سه نمونه از ضایعات بافت نرم، تصاویر در ستون سمت چپ بدون اختلال و در ستون سمت راست تار هستند. سیستم هوش مصنوعی به تاری حساس بود، در حالی که رادیولوژیست ها حساس نبودند. این نشان داد که سیستم هوش مصنوعی بر جزئیات ضایعات بافت نرم تکیه می کند که توسط رادیولوژیست ها بی ربط در نظر گرفته می شود. اعتبار: تارو ماکینو، مرکز علوم داده دانشگاه نیویورک

تیمی از محققان دریافته اند که رادیولوژیست ها و سیستم های هوش مصنوعی تفاوت های قابل توجهی در غربالگری سرطان سینه دارند. کار آن، که در مجله ظاهر می شود گزارش های علمی، ارزش بالقوه استفاده از روش های انسانی و هوش مصنوعی را در تشخیص های پزشکی نشان می دهد.

تارو ماکینو، کاندیدای دکترا در مرکز علوم داده دانشگاه نیویورک و نویسنده اصلی مقاله توضیح می‌دهد: «در حالی که هوش مصنوعی ممکن است مزایایی در مراقبت‌های بهداشتی ارائه دهد، تصمیم‌گیری آن هنوز به درستی درک نشده است. «یافته‌های ما گام مهمی در درک بهتر اینکه چگونه هوش مصنوعی ارزیابی‌های پزشکی را ارائه می‌دهد و همراه با آن، راهی به جلو در افزایش تشخیص سرطان ارائه می‌کند، برداشته است.»

تجزیه و تحلیل بر روی یک ابزار هوش مصنوعی خاص متمرکز شد: شبکه‌های عصبی عمیق (DNN)، که لایه‌هایی از عناصر محاسباتی – “نورون‌ها” – شبیه‌سازی شده روی یک کامپیوتر هستند. شبکه‌ای از چنین نورون‌هایی را می‌توان با ساختن لایه‌های متعدد و پیکربندی نحوه انجام محاسبات بر اساس داده‌های ورودی – فرآیندی به نام «یادگیری عمیق» برای «یادگیری» آموزش داد.

در گزارش های علمی دانشمندان غربالگری‌های سرطان سینه را که توسط رادیولوژیست‌ها خوانده شده بود، با مواردی که توسط DNN تجزیه و تحلیل می‌شد، مقایسه کردند.

محققان، که شامل کریستوف گرااس، دکترا، لورا هیکوک، دکتر و لیندا موی، MD، هیئت علمی در بخش رادیولوژی دانشکده پزشکی NYU گروسمن بودند، دریافتند که DNN ها و رادیولوژیست ها به طور قابل توجهی در نحوه تشخیص دسته ای از بیماری ها با هم تفاوت دارند. سرطان پستان بدخیم به نام ضایعات بافت نرم.

گراس توضیح می‌دهد: «در این غربالگری‌های سرطان سینه، سیستم‌های هوش مصنوعی جزئیات کوچکی را در ماموگرافی‌ها در نظر می‌گیرند که توسط رادیولوژیست‌ها بی‌ربط به نظر می‌رسد. قبل از اینکه بتوانیم به سیستم‌های هوش مصنوعی برای کمک به تصمیم‌گیری‌های پزشکی حیاتی کمک کنیم، این اختلاف در قرائت‌ها باید درک و اصلاح شود.

به طور خاص، در حالی که رادیولوژیست ها عمدتاً به روشنایی و شکل تکیه می کردند، DNN ها از جزئیات بسیار کوچکی که در سراسر تصاویر پراکنده شده بودند استفاده می کردند. این جزئیات همچنین در خارج از مناطقی که توسط رادیولوژیست‌ها مهم‌تر می‌دانستند، متمرکز شده‌اند.

با آشکار کردن چنین تفاوت‌هایی بین ادراک انسان و ماشین در تشخیص پزشکی، محققان تلاش کردند تا شکاف بین مطالعه دانشگاهی و عملکرد بالینی را کاهش دهند.

موی می‌گوید: «ایجاد اعتماد به DNN برای تشخیص پزشکی بر درک اینکه آیا و چگونه ادراک آن‌ها با انسان‌ها متفاوت است یا خیر، متمرکز است. “با بینش بیشتر در مورد نحوه عملکرد آنها، هم می توانیم محدودیت های DNN را بهتر بشناسیم و هم خرابی آنها را پیش بینی کنیم.”

Makino می‌افزاید: «گلوگاه اصلی در انتقال سیستم‌های هوش مصنوعی به جریان کار بالینی، درک تصمیم‌گیری و قوی‌تر کردن آن‌ها است. ما تحقیقات خود را به‌عنوان ارتقای دقت قابلیت‌های هوش مصنوعی در ارزیابی‌های مرتبط با سلامت با روشن کردن و سپس رسیدگی به محدودیت‌های فعلی آن می‌دانیم.»


هوش مصنوعی طبقه بندی دقیق تراکم سینه را ارائه می دهد


اطلاعات بیشتر:
تارو ماکینو و همکاران، تفاوت بین ادراک انسان و ماشین در تشخیص پزشکی، گزارش های علمی (2022). DOI: 10.1038/s41598-022-10526-z

ارائه شده توسط دانشگاه نیویورک

نقل قول: رادیولوژیست‌ها، سیستم‌های هوش مصنوعی تفاوت‌هایی را در غربالگری سرطان پستان نشان می‌دهند، یافته‌های مطالعه موردی جدید (2022، 28 آوریل) که در 29 آوریل 2022 از https://medicalxpress.com/news/2022-04-radiologists-ai-differences-breast- بازیابی شده است. سرطان-غربالگری.html

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.



[ad_2]