هوش مصنوعی را می توان برای تشخیص اینکه آیا تصویر بافت حاوی تومور است یا خیر آموزش داد. تیمی از مرکز تحقیقاتی روهر-دانشگاه بوخوم برای تشخیص پروتئین (PRODI) روی رویکرد جدیدی کار می‌کند که قضاوت هوش مصنوعی را واضح و در نتیجه قابل اعتماد می‌سازد.
برای این مطالعه، اکسل موسیگ، دانشمند بیوانفورماتیک با پروفسور آندریا تاناپفل، رئیس انستیتوی آسیب شناسی، پروفسور آنک ریناچر-شیک متخصص سرطان از بیمارستان سنت جوزف دانشگاه روهر، و پروفسور کلاوس گرورت، بیوفیزیکدان و مدیر مؤسس PRODI، همکاری کرد. این گروه یک شبکه عصبی، یعنی یک هوش مصنوعی، ایجاد کردند که می تواند طبقه بندی کند که آیا نمونه بافتی حاوی تومور است یا خیر. برای این منظور، آنها تعداد زیادی تصویر بافت میکروسکوپی را به هوش مصنوعی دادند که برخی از آنها حاوی تومور بودند، در حالی که برخی دیگر بدون تومور بودند.
اکسل موسیگ توضیح می‌دهد: «شبکه‌های عصبی در ابتدا یک جعبه سیاه هستند: مشخص نیست که شبکه کدام ویژگی‌های شناسایی را از داده‌های آموزشی می‌آموزد. برخلاف متخصصان انسانی، آنها توانایی توضیح تصمیمات خود را ندارند. با این حال، برای کاربردهای پزشکی ، مهم است که هوش مصنوعی قادر به توضیح و در نتیجه قابل اعتماد باشد».
هوش مصنوعی معمولاً از اصل استدلال استقرایی پیروی می کند: هوش مصنوعی با استفاده از مشاهدات عینی، یعنی داده های آموزشی، یک مدل کلی ایجاد می کند که بر اساس آن تمام مشاهدات بعدی را ارزیابی می کند.
نقشه فعال سازی محل شناسایی تومور را نشان می دهد.
استفانی شرنر می گوید: «در نگاه اول، هوش مصنوعی استقرایی و روش علمی قیاسی تقریباً ناسازگار به نظر می رسند. اما محققان راهی پیدا کردند. شبکه عصبی جدید آنها نه تنها طبقه‌بندی می‌کند که آیا نمونه بافت حاوی تومور است یا بدون تومور، بلکه نقشه فعال‌سازی تصویر بافت میکروسکوپی را نیز ایجاد می‌کند.
نقشه فعال سازی بر اساس یک فرضیه قابل ابطال است، یعنی اینکه فعال سازی به دست آمده از شبکه عصبی دقیقاً با مناطق تومور در نمونه مطابقت دارد. برای آزمایش این فرضیه می توان از روش های مولکولی خاص سایت استفاده کرد.»
اکسل نتیجه می گیرد:« به لطف ساختارهای بین رشته ای در PRODI، ما بهترین پیش نیازها را برای ترکیب رویکرد مبتنی بر فرضیه در توسعه هوش مصنوعی بیومارکر قابل اعتماد در آینده داریم، به عنوان مثال قادر به تمایز بین برخی زیرگروه های تومور مرتبط با درمان هستیم.»
برای این مطالعه، اکسل موسیگ، دانشمند بیوانفورماتیک با پروفسور آندریا تاناپفل، رئیس انستیتوی آسیب شناسی، پروفسور آنک ریناچر-شیک متخصص سرطان از بیمارستان سنت جوزف دانشگاه روهر، و پروفسور کلاوس گرورت، بیوفیزیکدان و مدیر مؤسس PRODI، همکاری کرد. این گروه یک شبکه عصبی، یعنی یک هوش مصنوعی، ایجاد کردند که می تواند طبقه بندی کند که آیا نمونه بافتی حاوی تومور است یا خیر. برای این منظور، آنها تعداد زیادی تصویر بافت میکروسکوپی را به هوش مصنوعی دادند که برخی از آنها حاوی تومور بودند، در حالی که برخی دیگر بدون تومور بودند.
اکسل موسیگ توضیح می‌دهد: «شبکه‌های عصبی در ابتدا یک جعبه سیاه هستند: مشخص نیست که شبکه کدام ویژگی‌های شناسایی را از داده‌های آموزشی می‌آموزد. برخلاف متخصصان انسانی، آنها توانایی توضیح تصمیمات خود را ندارند. با این حال، برای کاربردهای پزشکی ، مهم است که هوش مصنوعی قادر به توضیح و در نتیجه قابل اعتماد باشد».
هوش مصنوعی معمولاً از اصل استدلال استقرایی پیروی می کند: هوش مصنوعی با استفاده از مشاهدات عینی، یعنی داده های آموزشی، یک مدل کلی ایجاد می کند که بر اساس آن تمام مشاهدات بعدی را ارزیابی می کند.
نقشه فعال سازی محل شناسایی تومور را نشان می دهد.
استفانی شرنر می گوید: «در نگاه اول، هوش مصنوعی استقرایی و روش علمی قیاسی تقریباً ناسازگار به نظر می رسند. اما محققان راهی پیدا کردند. شبکه عصبی جدید آنها نه تنها طبقه‌بندی می‌کند که آیا نمونه بافت حاوی تومور است یا بدون تومور، بلکه نقشه فعال‌سازی تصویر بافت میکروسکوپی را نیز ایجاد می‌کند.
نقشه فعال سازی بر اساس یک فرضیه قابل ابطال است، یعنی اینکه فعال سازی به دست آمده از شبکه عصبی دقیقاً با مناطق تومور در نمونه مطابقت دارد. برای آزمایش این فرضیه می توان از روش های مولکولی خاص سایت استفاده کرد.»
اکسل نتیجه می گیرد:« به لطف ساختارهای بین رشته ای در PRODI، ما بهترین پیش نیازها را برای ترکیب رویکرد مبتنی بر فرضیه در توسعه هوش مصنوعی بیومارکر قابل اعتماد در آینده داریم، به عنوان مثال قادر به تمایز بین برخی زیرگروه های تومور مرتبط با درمان هستیم.»
کد خبر ۲۰۱۰۱۰۶۱۳.۱۷۲
