دانشمندان دانشکده پزشکی هاروارد موفق به اختراع یک ابزار جدید که بر یک مانع قابل توجه در طراحی هوش مصنوعی بالینی غلبه می‌کند، شدند.
آنهایک ابزار تشخیصی با استفاده از هوش مصنوعی ایجاد کرده‌اند که می‌تواند بیماری‌ها را در اشعه ایکس قفسه سینه بر اساس توضیحات زبان طبیعی ارائه شده در گزارش‌های بالینی همراه تشخیص دهد.
از آنجایی که بیشتر مدل‌های هوش مصنوعی موجود، قبل از اینکه داده‌های برچسب‌گذاری‌شده به مدل داده شود تا آنها را آموزش دهند، نیاز به حاشیه‌نویسی سخت انسانی از مقادیر عظیمی از داده‌ها دارند، این مرحله پیشرفت بزرگی در طراحی هوش مصنوعی بالینی محسوب می‌شود.
این مدل که CheXzero نام دارد، با توجه به مقاله ای که کار آنها را در Nature Biomedical Engineering منتشر کرده است، در توانایی خود در شناسایی آسیب شناسی در اشعه ایکس قفسه سینه با رادیولوژیست های انسانی عمل می کند. این گروه همچنین کد مدل را به صورت آشکار در دسترس سایر محققان قرار داده است.
اکثر الگوریتم‌های هوش مصنوعی برای تشخیص صحیح آسیب‌شناسی‌ها در طول آموزش، نیاز به مجموعه داده‌های برچسب‌گذاری شده دارند. از آنجایی که این روش مستلزم حاشیه نویسی گسترده، اغلب پرهزینه و وقت گیر توسط پزشکان انسانی است، به ویژه برای کارهایی که شامل تفسیر تصاویر پزشکی می شود دشوار است.
به عنوان مثال، برای برچسب گذاری مجموعه داده های اشعه ایکس قفسه سینه، رادیولوژیست های متخصص باید صدها هزار تصویر اشعه ایکس را یک به یک نگاه کنند و به صراحت هر کدام را با شرایط شناسایی شده حاشیه نویسی کنند. در حالی که مدل‌های جدید هوش مصنوعی سعی کرده‌اند با یادگیری از داده‌های بدون برچسب در مرحله «پیش‌آموزشی»، این گلوگاه برچسب‌گذاری را برطرف کنند، در نهایت برای دستیابی به عملکرد بالا نیاز به تنظیم دقیق داده‌های برچسب‌گذاری شده دارند.
در مقابل، مدل جدید خود نظارت است، به این معنا که به طور مستقل بیشتر یاد می‌گیرد، بدون نیاز به داده‌های برچسب‌گذاری شده دستی قبل یا بعد از آموزش. این مدل تنها به عکس‌برداری از قفسه سینه و یادداشت‌های انگلیسی زبان موجود در گزارش‌های همراه با اشعه ایکس متکی است.
پراناو راجپورکار، محقق ارشد این مطالعه گفت: «ما در روزهای اولیه نسل بعدی مدل‌های هوش مصنوعی پزشکی زندگی می‌کنیم که می‌توانند وظایف انعطاف‌پذیری را با یادگیری مستقیم از متن انجام دهند. تا به حال، بیشتر مدل‌های هوش مصنوعی برای دستیابی به عملکرد بالا، بر حاشیه‌نویسی دستی حجم عظیمی از داده‌ها – به میزان ۱۰۰۰۰۰ تصویر – تکیه می‌کردند. روش ما به چنین حاشیه نویسی مخصوص بیماری نیاز ندارد.
با CheXzero، می‌توان به سادگی یک عکس رادیولوژی قفسه سینه و گزارش رادیولوژی مربوطه را به مدل داد و یاد می‌گیرد که تصویر و متن در گزارش باید مشابه در نظر گرفته شوند – به عبارت دیگر، می‌آموزد که با X قفسه سینه مطابقت داشته باشد. راجپورکار افزود: اشعه با گزارش همراه خود این مدل می‌تواند در نهایت یاد بگیرد که چگونه مفاهیم موجود در متن بدون ساختار با الگو‌های بصری در تصویر مطابقت دارند.
این مدل بر روی یک مجموعه داده در دسترس عموم شامل بیش از ۳۷۷۰۰۰ عکس با اشعه ایکس قفسه سینه و بیش از ۲۲۷۰۰۰ یادداشت بالینی مربوطه “آموزش داده شد”. سپس عملکرد آن روی دو مجموعه داده جداگانه از اشعه ایکس قفسه سینه و یادداشت‌های مربوطه جمع‌آوری‌شده از دو مؤسسه مختلف، که یکی از آنها در کشور دیگری بود، آزمایش شد. این تنوع مجموعه داده‌ها برای اطمینان از این بود که مدل در مواجهه با یادداشت‌های بالینی که ممکن است از اصطلاحات متفاوتی برای توصیف همان یافته استفاده کند، به همان اندازه خوب عمل می‌کند.
پس از آزمایش، CheXzero با موفقیت آسیب شناسی هایی را شناسایی کرد که به صراحت توسط پزشکان انسانی شرح داده نشده بودند. این ابزار بهتر از سایر ابزارهای هوش مصنوعی تحت نظارت خود عمل کرد و با دقتی مشابه رادیولوژیست های انسانی عمل کرد.
به گفته محققان، این رویکرد در نهایت می تواند برای روش های تصویربرداری بسیار فراتر از اشعه ایکس، از جمله سی تی اسکن، MRI و اکوکاردیوگرام به کار رود.
اکین تیوگفت: «CheXzero نشان می‌دهد که دقت تفسیر تصویر پزشکی پیچیده دیگر نیازی به تحت الشعاع قرار دادن مجموعه داده‌های بزرگ برچسب‌گذاری شده ندارد. ما از اشعه ایکس قفسه سینه به عنوان نمونه رانندگی استفاده می کنیم، اما در واقعیت، قابلیت CheXzero به مجموعه وسیعی از تنظیمات پزشکی قابل تعمیم است که در آن داده های بدون ساختار معمول هستند و دقیقاً وعده دور زدن گلوگاه برچسب گذاری در مقیاس بزرگ را نشان می دهد.»
آنهایک ابزار تشخیصی با استفاده از هوش مصنوعی ایجاد کرده‌اند که می‌تواند بیماری‌ها را در اشعه ایکس قفسه سینه بر اساس توضیحات زبان طبیعی ارائه شده در گزارش‌های بالینی همراه تشخیص دهد.
از آنجایی که بیشتر مدل‌های هوش مصنوعی موجود، قبل از اینکه داده‌های برچسب‌گذاری‌شده به مدل داده شود تا آنها را آموزش دهند، نیاز به حاشیه‌نویسی سخت انسانی از مقادیر عظیمی از داده‌ها دارند، این مرحله پیشرفت بزرگی در طراحی هوش مصنوعی بالینی محسوب می‌شود.
این مدل که CheXzero نام دارد، با توجه به مقاله ای که کار آنها را در Nature Biomedical Engineering منتشر کرده است، در توانایی خود در شناسایی آسیب شناسی در اشعه ایکس قفسه سینه با رادیولوژیست های انسانی عمل می کند. این گروه همچنین کد مدل را به صورت آشکار در دسترس سایر محققان قرار داده است.
اکثر الگوریتم‌های هوش مصنوعی برای تشخیص صحیح آسیب‌شناسی‌ها در طول آموزش، نیاز به مجموعه داده‌های برچسب‌گذاری شده دارند. از آنجایی که این روش مستلزم حاشیه نویسی گسترده، اغلب پرهزینه و وقت گیر توسط پزشکان انسانی است، به ویژه برای کارهایی که شامل تفسیر تصاویر پزشکی می شود دشوار است.
به عنوان مثال، برای برچسب گذاری مجموعه داده های اشعه ایکس قفسه سینه، رادیولوژیست های متخصص باید صدها هزار تصویر اشعه ایکس را یک به یک نگاه کنند و به صراحت هر کدام را با شرایط شناسایی شده حاشیه نویسی کنند. در حالی که مدل‌های جدید هوش مصنوعی سعی کرده‌اند با یادگیری از داده‌های بدون برچسب در مرحله «پیش‌آموزشی»، این گلوگاه برچسب‌گذاری را برطرف کنند، در نهایت برای دستیابی به عملکرد بالا نیاز به تنظیم دقیق داده‌های برچسب‌گذاری شده دارند.
در مقابل، مدل جدید خود نظارت است، به این معنا که به طور مستقل بیشتر یاد می‌گیرد، بدون نیاز به داده‌های برچسب‌گذاری شده دستی قبل یا بعد از آموزش. این مدل تنها به عکس‌برداری از قفسه سینه و یادداشت‌های انگلیسی زبان موجود در گزارش‌های همراه با اشعه ایکس متکی است.
پراناو راجپورکار، محقق ارشد این مطالعه گفت: «ما در روزهای اولیه نسل بعدی مدل‌های هوش مصنوعی پزشکی زندگی می‌کنیم که می‌توانند وظایف انعطاف‌پذیری را با یادگیری مستقیم از متن انجام دهند. تا به حال، بیشتر مدل‌های هوش مصنوعی برای دستیابی به عملکرد بالا، بر حاشیه‌نویسی دستی حجم عظیمی از داده‌ها – به میزان ۱۰۰۰۰۰ تصویر – تکیه می‌کردند. روش ما به چنین حاشیه نویسی مخصوص بیماری نیاز ندارد.
با CheXzero، می‌توان به سادگی یک عکس رادیولوژی قفسه سینه و گزارش رادیولوژی مربوطه را به مدل داد و یاد می‌گیرد که تصویر و متن در گزارش باید مشابه در نظر گرفته شوند – به عبارت دیگر، می‌آموزد که با X قفسه سینه مطابقت داشته باشد. راجپورکار افزود: اشعه با گزارش همراه خود این مدل می‌تواند در نهایت یاد بگیرد که چگونه مفاهیم موجود در متن بدون ساختار با الگو‌های بصری در تصویر مطابقت دارند.
این مدل بر روی یک مجموعه داده در دسترس عموم شامل بیش از ۳۷۷۰۰۰ عکس با اشعه ایکس قفسه سینه و بیش از ۲۲۷۰۰۰ یادداشت بالینی مربوطه “آموزش داده شد”. سپس عملکرد آن روی دو مجموعه داده جداگانه از اشعه ایکس قفسه سینه و یادداشت‌های مربوطه جمع‌آوری‌شده از دو مؤسسه مختلف، که یکی از آنها در کشور دیگری بود، آزمایش شد. این تنوع مجموعه داده‌ها برای اطمینان از این بود که مدل در مواجهه با یادداشت‌های بالینی که ممکن است از اصطلاحات متفاوتی برای توصیف همان یافته استفاده کند، به همان اندازه خوب عمل می‌کند.
پس از آزمایش، CheXzero با موفقیت آسیب شناسی هایی را شناسایی کرد که به صراحت توسط پزشکان انسانی شرح داده نشده بودند. این ابزار بهتر از سایر ابزارهای هوش مصنوعی تحت نظارت خود عمل کرد و با دقتی مشابه رادیولوژیست های انسانی عمل کرد.
به گفته محققان، این رویکرد در نهایت می تواند برای روش های تصویربرداری بسیار فراتر از اشعه ایکس، از جمله سی تی اسکن، MRI و اکوکاردیوگرام به کار رود.
اکین تیوگفت: «CheXzero نشان می‌دهد که دقت تفسیر تصویر پزشکی پیچیده دیگر نیازی به تحت الشعاع قرار دادن مجموعه داده‌های بزرگ برچسب‌گذاری شده ندارد. ما از اشعه ایکس قفسه سینه به عنوان نمونه رانندگی استفاده می کنیم، اما در واقعیت، قابلیت CheXzero به مجموعه وسیعی از تنظیمات پزشکی قابل تعمیم است که در آن داده های بدون ساختار معمول هستند و دقیقاً وعده دور زدن گلوگاه برچسب گذاری در مقیاس بزرگ را نشان می دهد.»
کد خبر ۲۰۱۰۱۰۸۱۸.۰۰۴
