هدف هوش مصنوعی جدید برای اسکن ماموگرافی به جای جایگزینی تصمیم‌گیری انسان است –

محققان هوش مصنوعی را آموزش دادند تا ضایعات را دقیقاً مانند یک رادیولوژیست واقعی که آموزش دیده است، مکان یابی و ارزیابی کند، به جای اینکه به آن اجازه دهند آزادانه روش 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 ظاهر شد هوش ماشین طبیعت

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 از نتیجه‌گیری‌هایشان را نشان دهند. به این ترتیب، چه یک پزشک با نتیجه موافق باشد یا نباشد، هوش مصنوعی به تصمیم‌گیری بهتر کمک می‌کند.»

هوش مصنوعی مهندسی که تصاویر پزشکی را می خواند صنعت بزرگی 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 برای خواندن MRI، CT یا 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 بر آن داشته 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 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 ظریف 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 نمی دانست که الگوریتم هنگام تصمیم گیری به چه چیزی نگاه می کند، هیچ کس نمی دانست که این الگوریتم در برنامه های دنیای واقعی شکست خواهد خورد.

آلینا بارنت، کاندیدای دکترای علوم کامپیوتر در دوک و اولین نویسنده این مقاله گفت: ایده ما این بود که در عوض سیستمی بسازیم که بگوییم این بخش خاص از یک ضایعه سرطانی بالقوه بسیار شبیه به ضایعه دیگری است که قبلاً دیده بودم. مطالعه. “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.”

سینتیا رودین، استاد مهندسی برق و کامپیوتر و علوم کامپیوتر در دوک، فرآیند پلتفرم جدید هوش مصنوعی را با یک ارزیاب املاک مقایسه می‌کند. در مدل‌های جعبه سیاه که در این زمینه غالب هستند، یک ارزیاب قیمت یک خانه را بدون هیچ توضیحی ارائه می‌کند. در مدلی که شامل آنچه به عنوان “نقشه برجستگی” شناخته می شود، ارزیابی کننده ممکن است به این نکته اشاره کند که سقف خانه و حیاط خلوت عوامل کلیدی در تصمیم گیری قیمت گذاری آن بوده است، اما هیچ جزئیاتی فراتر از آن ارائه نمی دهد.

رودین گفت: “روش ما می گوید که شما یک سقف مسی منحصر به فرد و یک استخر حیاط خلوت دارید که شبیه به خانه های دیگر در همسایگی خود است که باعث شده قیمت آنها تا این میزان افزایش یابد.” این همان چیزی است که شفافیت در تصویربرداری پزشکی هوش مصنوعی می تواند به نظر برسد و کسانی که در زمینه پزشکی هستند باید برای هر چالش رادیولوژی خواهان باشند.

محققان هوش مصنوعی جدید را با 1136 تصویر گرفته شده از 484 بیمار در سیستم بهداشت دانشگاه دوک آموزش دادند.

آنها ابتدا به هوش مصنوعی آموزش دادند که ضایعات مشکوک مورد نظر را پیدا کند و تمام بافت های سالم و سایر داده های 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 لبه‌های ضایعات، 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 لبه های فازی که از نظر پزشکی به عنوان حاشیه جرم شناخته می شوند، بهترین پیش بینی کننده تومورهای سرطانی پستان و اولین چیزی است که رادیولوژیست ها به دنبال آن هستند. این به این دلیل است که سلول‌های سرطانی آنقدر سریع تکثیر و منبسط می‌شوند که تمام لبه‌های تومور در حال رشد در ماموگرافی به راحتی قابل مشاهده نیستند.

بارنت گفت: “این یک روش منحصر به فرد برای آموزش یک هوش مصنوعی است که چگونه به تصاویر پزشکی نگاه کند.” “سایر هوش مصنوعی ها سعی نمی کنند از رادیولوژیست ها تقلید کنند، آنها روش های خود را برای پاسخ به این سوال ارائه می دهند که اغلب مفید نیستند یا در برخی موارد به فرآیندهای استدلالی ناقص بستگی دارند.”

پس از اتمام آموزش، تحقیقات هوش مصنوعی را مورد آزمایش قرار دادند. در حالی که این دستگاه از رادیولوژیست های انسانی برتری نداشت، اما به خوبی سایر مدل های کامپیوتر جعبه سیاه عمل کرد. زمانی که هوش مصنوعی جدید اشتباه باشد، افرادی که با آن کار می کنند می توانند اشتباه بودن آن را تشخیص دهند و چرا اشتباه کرده است.

با حرکت رو به جلو، این تیم در تلاش است تا ویژگی‌های فیزیکی دیگری را برای هوش مصنوعی اضافه کند تا در هنگام تصمیم‌گیری در نظر بگیرد، مانند شکل ضایعه، که دومین ویژگی است که رادیولوژیست‌ها یاد می‌گیرند که به آن نگاه کنند. رودین و لو همچنین اخیراً جایزه دوک MEDx High-Risk High-Impact Award را دریافت کردند تا به توسعه الگوریتم ادامه دهند و مطالعه خواننده رادیولوژیست را انجام دهند تا ببینند آیا به عملکرد بالینی و/یا اعتماد به نفس کمک می کند یا خیر.

فیدس شوارتز، محقق در دوک رادیولوژی، می گوید: «هنگامی که محققان برای اولین بار استفاده از هوش مصنوعی را در تصاویر پزشکی آغاز کردند، هیجان زیادی وجود داشت که شاید رایانه بتواند چیزی را ببیند یا چیزی را بفهمد که مردم قادر به دیدن آن نیستند. “در برخی موارد نادر ممکن است چنین باشد، اما احتمالاً در اکثر سناریوها اینطور نیست. بنابراین بهتر است ما به عنوان انسان مطمئن شویم که کامپیوتر از چه اطلاعاتی برای تصمیم گیری خود استفاده کرده است.”

این تحقیق توسط مؤسسه ملی بهداشت/موسسه ملی سرطان (U01-CA214183، U2C-CA233254)، آزمایشگاه MIT لینکلن، دوک TRIPODS (CCF-1934964) و صندوق جوجه کشی دوک پشتیبانی شده است.