پژوهشگران مؤسسه فناوری ماساچوست (MIT) روش جدیدی ارائه داده‌اند که می‌تواند اعتماد به مدل‌های هوش مصنوعی را در شرایط حساس، به‌ویژه در حوزه پزشکی، افزایش دهد. این روش با کاهش اندازه مجموعه‌های پیش‌بینی‌شده تا ۳۰ درصد، اطلاعات دقیق‌تری در اختیار پزشکان قرار می‌دهد و می‌تواند به تشخیص سریع‌تر و مؤثرتر بیماری‌ها منجر شود.
در تصویربرداری پزشکی مانند عکس‌های رادیولوژی، شباهت ظاهری برخی بیماری‌ها مانند تجمع مایعات در ریه (پلورال افیوژن) و نفوذهای ریوی (مانند عفونت یا خون‌ریزی) تشخیص را برای پزشکان دشوار می‌سازد. استفاده از مدل‌های هوش مصنوعی می‌تواند به شناسایی دقیق‌تر جزئیات تصویر کمک کند، اما وجود چندین احتمال برای یک تصویر باعث می‌شود تنها یک پاسخ قطعی از مدل کفایت نکند.
روش موسوم به “طبقه‌بندی کانفورمال” یکی از شیوه‌هایی است که می‌تواند مجموعه‌ای از پیش‌بینی‌های معتبر را ارائه دهد. با این حال، این مجموعه‌ها معمولاً بیش از حد گسترده‌اند و در عمل کارایی بالایی ندارند. در همین راستا، تیم پژوهشی MIT با به‌کارگیری تکنیکی به نام “تقویت زمان آزمایش” (Test-Time Augmentation) موفق شده‌اند این مجموعه‌ها را کوچک‌تر و در عین حال دقیق‌تر سازند.
این تکنیک با ایجاد نسخه‌های متفاوتی از یک تصویر از طریق برش، چرخش یا بزرگ‌نمایی، و ترکیب نتایج پیش‌بینی مدل، دقت و پایداری نتایج را افزایش می‌دهد. ترکیب این رویکرد با طبقه‌بندی کانفورمال نه‌تنها منجر به مجموعه‌ای فشرده‌تر از گزینه‌های محتمل می‌شود، بلکه همچنان تضمین می‌کند که تشخیص درست در میان آن‌ها وجود دارد.
دکتر دیویا شانموگام، پژوهشگر پسادکتری در دانشگاه کرنل و نویسنده اصلی این مطالعه می‌گوید: «با کمتر شدن تعداد گزینه‌ها، تصمیم‌گیری برای پزشک آسان‌تر می‌شود، بدون آن‌که دقت مدل کاهش یابد.»
این پژوهش در کنفرانس بین‌المللی بینایی کامپیوتری و شناسایی الگو (CVPR) در ماه ژوئن ارائه خواهد شد. پژوهشگران در ادامه قصد دارند این روش را در حوزه‌هایی فراتر از تصویر، مانند متن، نیز بررسی کرده و راه‌هایی برای کاهش هزینه محاسباتی آن بیابند.
کد خبر ۲۰۱۰۴۰۲۱۵.۰۰۲
منبع:ام آی تی
