شفقنا – یک مطالعه جدید منتشر شده به بررسی این موضوع می‌پردازد که چگونه هوش مصنوعی (AI) می‌تواند به پزشکان در تجزیه و تحلیل کارآمدتر تصاویر و اسکن‌های پزشکی کمک کند.
به گزارش سرویس ترجمه شفقنا، محققان دانشکده‌های مهندسی و فناوری اطلاعات دانشگاه موناش در ملبورن رویکرد جدیدی در هوش مصنوعی ایجاد کرده‌اند که نحوه برچسب‌گذاری تصاویر پزشکی را بهبود می‌بخشد و نیاز به کار دستی زمان‌بر توسط پزشکان را کاهش می‌دهد.
تصویربرداری پزشکی، مانند اشعه ایکس، MRI و سی تی اسکن نقش کلیدی در تشخیص بیماری‌ها دارد. رادیولوژیست‌ها و سایر متخصصان پزشکی این تصاویر را برای تشخیص مشکلاتی مانند تومورها، عفونت‌ها یا شکستگی استخوان بررسی می‌کنند. برای آموزش سیستم‌های هوش مصنوعی برای استفاده پزشکی، محققان معمولاً به مجموعه‌های بزرگی از تصاویر نیاز دارند که توسط متخصصان به صورت دستی برچسب‌گذاری شده باشند.
این برچسب‌ها مناطق مورد توجه را برجسته می‌کنند و یادگیری و تشخیص الگوهای مشابه در اسکن‌های جدید را برای هوش مصنوعی آسان‌تر می‌کنند. با این حال، ایجاد این مجموعه داده‌های برچسب‌گذاری شده فرآیندی کند و دشوار است.
این کار به متخصصان بسیار ماهر نیاز دارد و تکمیل آن می‌تواند هفته‌ها یا ماه‌ها طول بکشد. در نتیجه اغلب کمبود تصاویر پزشکی برچسب‌گذاری شده وجود دارد که اثربخشی هوش مصنوعی را در تشخیص پزشکی محدود می‌کند.
برای غلبه بر این چالش، تیم دانشگاه موناش یک سیستم هوش مصنوعی طراحی کردند که از تصاویر برچسب‌گذاری شده و بدون برچسب یاد می‌گیرد.
هیماشی پیریس، یکی از محققان این مطالعه در توضبح نحوه عملکرد این سیستم میگوید، هوش مصنوعی دارای دو بخش است که مانند یک بازی با یکدیگر رقابت می‌کنند. یک بخش سعی می‌کند تصاویر پزشکی را درست مانند یک رادیولوژیست انسانی برچسب‌گذاری کند، در حالی که بخش دیگر کیفیت آن برچسب‌ها را با مقایسه آنها با تصاویر محدود برچسب‌گذاری شده توسط متخصص بررسی می‌کند.
از طریق این فرآیند، هوش مصنوعی دقت خود را با گذشت زمان بهبود می‌بخشد، حتی زمانی که تعداد کمی از تصاویر برچسب‌گذاری شده برای یادگیری داشته باشد.
به طور سنتی، مدل‌های هوش مصنوعی برای عملکرد خوب به هزاران تصویر با دقت برچسب‌گذاری شده نیاز دارند. با این حال، محققان الگوریتمی را توسعه داده‌اند که به هوش مصنوعی اجازه می‌دهد از داده‌های برچسب‌گذاری شده و بدون برچسب یاد بگیرد و به آن کمک می‌کند تا با ورودی انسانی بسیار کمتر، پیش‌بینی‌های بهتری انجام دهد.
این رویکرد به عنوان «یادگیری نیمه نظارتی» شده شناخته می‌شود؛ به این معنی که هوش مصنوعی کاملاً به نظارت انسان متکی نیست، اما همچنان عملکرد خود را از طریق ترکیبی از داده‌های برچسب‌گذاری شده توسط متخصص و داده‌های بدون برچسب بهبود می‌بخشد.
این تیم روش خود را با استفاده از سه مجموعه داده تصویر پزشکی در دسترس عموم آزمایش کردند. حتی زمانی که تنها ۱۰ درصد از تصاویر برچسب‌گذاری شده بودند، مدل هوش مصنوعی آنها دقت را به طور متوسط ۳ درصد در مقایسه با جدیدترین تکنیک‌های هوش مصنوعی که در شرایط مشابه استفاده می‌شد، بهبود بخشید.
این بهبود ممکن است کوچک به نظر برسد، اما در تشخیص پزشکی، حتی افزایش اندک دقت می‌تواند منجر به نتایج بهتر بیمار و تصمیمات پزشکی قابل اعتمادتر شود.
پیریس این تحقیق را گامی بزرگ در هوش مصنوعی پزشکی توصیف کرد. «روش ما با دستیابی به دقت بالا با تصاویر برچسب‌گذاری شده کمتر، از رویکردهای قبلی پیشی می‌گیرد. این بدان معناست که هوش مصنوعی می‌تواند پشتیبانی بهتری را برای پزشکان فراهم کند و به آنها کمک کند تا تشخیص‌های مطمئن‌تر و دقیق‌تری انجام دهند.»
محققان قصد دارند کار خود را با آزمایش هوش مصنوعی خود بر روی انواع مختلف تصاویر پزشکی و توسعه یک سیستم کامل که رادیولوژیست‌ها می‌توانند در بیمارستان‌ها و درمانگاه‌ها استفاده کنند، ادامه دهند. هدف نهایی ایجاد ابزاری مبتنی بر هوش مصنوعی است که بتواند به پزشکان در تجزیه و تحلیل سریع و دقیق اسکن‌ها کمک کند، حجم کار را کاهش دهد و مراقبت از بیمار را بهبود ببخشد.
این تحقیق با کاهش اتکا به تصاویر برچسب‌گذاری شده توسط متخصص، پیشرفت مهمی را در هوش مصنوعی پزشکی برجسته کرده است. یافته‌ها نشان می‌دهد که هوش مصنوعی همچنان می‌تواند حتی با داده‌های محدود به دقت بالایی دست یابد، که می‌تواند هوش مصنوعی پزشکی را کاربردی‌تر و پرکاربردتر کند.
این خبر را اینجا ببینید.
source