روش جدید توانایی هوش مصنوعی در تشخیص سرطان را افزایش میدهد
به گزارش «لایو ساینس»، یک پژوهش جدید نشان میدهد که آموزش هوش مصنوعی برای شبیهسازی روش کار داکتران آسیبشناس در جستوجوی نشانههای سرطان، میتواند توانایی این فناوری را برای شناسایی مناطق مشکوک در نمونههای بافتی افزایش دهد.
بسیاری از سیستمهای هوش مصنوعی که در بخش آسیبشناسی استفاده میشوند، اسلاید بافت را به بخشهای ثابت تقسیم و سپس هر بخش را بررسی میکنند؛ اما داکتر روش انعطافپذیرتری دارد.
داکتر ابتدا تصویر کلی اسلاید را بررسی میکند، سپس میزان بزرگنمایی را تغییر میدهد و میان بخشهای مختلف حرکت میکند و در نهایت روی قسمتهایی تمرکز میکند که غیرطبیعی به نظر میرسند.
اهمیت این روش در این است که یک اسلاید بافتی ممکن است میلیاردها پیکسل داشته باشد، در حالی که نشانههای وجود سرطان ممکن است تنها در بخش بسیار کوچکی از آن دیده شود.
چی هوانگ، استاد همکار آسیبشناسی و طب آزمایشگاهی در پوهنتون پنسیلوانیا و یکی از محققین این مطالعه، این روند را به هلیکوپتری تشبیه کرده است که به دنبال افراد گمشده میگردد. او توضیح داده است که داکتر جستوجو را از بررسی یک بخش کوچک از زمین آغاز نمیکند، بلکه ابتدا تمام صحنه را بررسی کرده و سپس به سراغ بررسی دقیقتر میرود.
هوانگ و همکارانش روشی را برای آموزش هوش مصنوعی طراحی کردهاند که در آن، به جای آموزش صرف بر اساس نتیجه نهایی داکتران، رفتار آنان هنگام بررسی اسلایدهای بافتی نیز به هوش مصنوعی آموزش داده میشود.
هوش مصنوعی روش کار داکتر را یاد میگیرد
محققین اطلاعات مربوط به هشت متخصص را جمعآوری کردند و حرکات آنان در داخل اسلایدها و میزان بزرگنمایی مورد استفادهشان هنگام جستوجوی مناطق مشکوک را ثبت کردند. سپس حرکات تصادفی را کنار گذاشتند و روی رفتارهایی تمرکز کردند که نشاندهنده توجه واقعی به یک منطقه خاص بود؛ مانند توقف طولانیتر یا بررسی مکرر یک منطقه.
محققین این اطلاعات را با دادههای مربوط به حرکات چشم نیز مقایسه کردند تا مطمئن شوند سیستم، مناطقی را یاد میگیرد که داکتران واقعاً روی آن تمرکز داشتهاند. همچنین از مدل هوش مصنوعی خواستند توضیح کوتاهی درباره دلیل اهمیت هر منطقه ارائه کند و به داکتران نیز امکان داده شد که این توضیح را تأیید، اصلاح یا رد کنند.
محقیین با استفاده از این اطلاعات، سیستمی را با نام «Pathology-o3» ساختند که ابتدا اسلاید را با وضوح پایین بررسی میکند، سپس مناطقی را که نیاز به بررسی دقیقتر دارند مشخص میسازد و تصاویر با وضوح بالا از این مناطق را برای تحلیل به یک مدل هوش مصنوعی میفرستد.
نتایج امیدوارکننده، اما هنوز کافی نیست
محققین «Pathology-o3» را روی اسلایدهایی آزمایش کردند که حاوی بافت گرههای لنفاوی مریضان مبتلا به سرطان روده بزرگ و راستروده بود و عملکرد آن را با مدل «o3» شرکت «OpenAI» مقایسه کردند.
«Pathology-o3» توانست تمام اسلایدهای دارای سرطان را شناسایی کند و در تشخیص موارد مثبت به دقت ۱۰۰ درصد دست یافت. با این حال، ۱۵.۵ درصد از اسلایدهایی که این سیستم مثبت تشخیص داده بود، در واقع فاقد سرطان بودند.
در مقابل، مدل «o3» در شناسایی اسلایدهای دارای سرطان به دقت ۸۷.۵ درصد دست یافت؛ اما ۵۳.۳ درصد از اسلایدهایی که مثبت تشخیص داده بود، در واقع منفی بودند.
هنگامی که این سیستم روی یک مجموعه داده مستقل که پیش از آن با آن روبهرو نشده بود آزمایش شد، دقت آن در شناسایی اسلایدهای دارای سرطان به ۹۷.۶ درصد رسید؛ در حالی که ۳۷.۱ درصد از مواردی که مثبت تشخیص داده بود، در واقع منفی بودند.
محققین معتقدند که افزایش موارد مثبت کاذب ممکن است با طراحی سیستم مرتبط باشد؛ زیرا این سیستم تمایل دارد مناطقی را برای بررسی بیشتر انتخاب کند تا احتمال نادیده گرفتن نشانههای سرطان کاهش یابد.
آیا این سیستم میتواند به داکتران کمک کند؟
هدف این مطالعه اثبات این موضوع نبوده است که «Pathology-o3» میتواند از داکتران آسیبشناس بهتر عمل کند یا بهتنهایی سرطان را تشخیص دهد؛ بلکه هدف این بوده است که بررسی شود آیا آموزش هوش مصنوعی بر اساس روش جستوجوی داکتر میتواند عملکرد آن را بهبود بخشد یا خیر.
هوانگ معتقد است ارزش اصلی این روش در استفاده از اطلاعاتی است که از قبل در شفاخانهها وجود داشته، اما تاکنون به اندازه کافی برای آموزش هوش مصنوعی استفاده نشده است.
محققین قصد دارند در مطالعات بعدی بررسی کنند که آیا استفاده از این سیستم در کنار داکتران آسیبشناس میتواند به آنان در شناسایی موارد بیشتر سرطان و انجام سریعتر کار کمک کند یا خیر.
محمد اسدی، دانشمند داده در پوهنتون استنفورد که در این مطالعه مشارکت نداشته است، میگوید استفاده منطقیتر از این سیستم در حال حاضر میتواند بهعنوان یک ابزار غربالگری اولیه باشد که پزشک را به مناطقی هدایت کند که نیاز به بررسی دقیقتر دارند.
با این حال، او تأکید میکند که برای ارزیابی دقت و سرعت این سیستم، میزان هشدارهای کاذب و میزان کاری که ممکن است به داکتران اضافه کند، باید آزمایشهایی در چندین شفاخانه انجام شود.
این سیستم همچنان در مقایسه با روند کامل تشخیص محدودیتهایی دارد؛ زیرا تشخیص ممکن است به بررسی چندین اسلاید، استفاده از روشهای مختلف رنگآمیزی و همچنین بررسی سابقه طبی مریض نیاز داشته باشد.
به همین دلیل، هوانگ تأکید میکند که هدف این نیست که هوش مصنوعی بهتنهایی تشخیص را انجام دهد و میگوید: «نمیخواهم ادعا کنم که باید بهتنهایی تشخیص را انجام دهد.»
