تشخیص سرطان پستان با یاری هوش مصنوعی نو - آقای ابوالفضلی

به گزارش آقای ابوالفضلی، محققان نوعی پلتفرم هوش مصنوعی برای آنالیز ضایعات سرطانی بالقوه در اسکن ماموگرافی ایجاد نموده اند تا به این وسیله تشخیص دهند که آیا بیمار نیازی به بافت برداری تهاجمی دارد یا خیر.

به گزارش آقای ابوالفضلی و به نقل از ساینس دیلی، این الگوریتم برخلاف الگوریتم های پیشین، قابل تفسیر است یعنی روشی که با آن به نتیجه نهایی رسیده است را به پزشکان نشان می دهد.

این پلتفرم به وسیله مهندسان رایانه و رادیولوژیست های دانشگاه دوک(Duke) ساخته شده است.

محققان هوش مصنوعی را آموزش داده اند تا درست مانند یک رادیولوژیست آموزش دیده محل ضایعات را تعیین و آنها را ارزیابی کند.

این می تواند یک پلتفرم آموزشی کارآمد برای آموزش نحوه تفسیر تصاویر ماموگرافی به دانشجویان باشد. بعلاوه می تواند به پزشکان منطقه ها کم جمعیت در سراسر دنیا که به طور منظم اسکن ماموگرافی را آنالیز نمی نمایند یاری کند تا تصمیمات بهتری در زمینه مراقب های بهداشتی بگیرند.

جوزف لو(Joseph Lo)، استاد رادیولوژی در دانشگاه دوک می گوید: اگر قرار است که رایانه به ما در گرفتن تصمیمات مهم یاری کند، پزشکان باید اطمینان حاصل نمایند که هوش مصنوعی براساس موارد منطقی به نتیجه نهایی رسیده است.

ما نیازمند الگوریتم هایی هستیم که نه تنها کار می نمایند بلکه فرایند کار را شرح می دهند و نمونه هایی نشان می دهند که تعیین می نماید چگونه به نتیجه نهایی رسیده اند. به این ترتیب چه پزشک با نتیجه موافق باشد چه نباشد، هوش مصنوعی به تصمیم گیری بهتر یاری می نماید.

هوش مصنوعی مهندسی که به آنالیز تصاویر پزشکی می پردازد صنعت بزرگی است. هزاران الگوریتم مستقل در حال حاضر وجود دارد و سازمان غذا و داروی آمریکا بیش از 100 مورد از آن ها را برای استفاده بالینی تایید نموده است. با این حال فرقی نمی نماید از هوش مصنوعی برای آنالیز نتایج MRI، سی تی اسکن یا ماموگرافی بهره ببرید، تعداد کمی از آن ها از مجموعه داده های اعتبارسنجی با بیش از 1000 تصویر استفاده می نمایند. این کمبود داده و شکست های قابل توجه چندین مورد اخیر بسیاری از پزشکان را بر آن داشته تا استفاده از هوش مصنوعی در تصمیمات پزشکی پر خطر را زیر سوال ببرند.

برای مثال در یک مورد، هوش مصنوعی حتی با وجود آن که محققان آن را با تصاویر ثبت شده به وسیله تجهیزات مختلف آموزش دادند، با شکست روبرو شد.

این هوش مصنوعی یاد گرفت که از تفاوت های ظریفی که به وسیله خود تجهیزات برای تشخیص تصاویر سرطانی معرفی می گردد استفاده کند و احتمال سرطانی بودن این ضایعات را در بالاترین حالت بداند به جای آن که منحصرا بر ضایعات قابل توجه تمرکز کند.

همانطور که انتظار می رود، این هوش مصنوعی نتوانست با بیمارستان های دیگری که تجهیزات متفاوتی داشتند منطبق گردد. اما از آن جا که هیچ کس نمی دانست الگوریتم ها چه چیزی را مورد آنالیز قرار می دهند، هیچ کس متوجه نشد که این الگوریتم در واقعیت با شکست روبرو خواهد شد.

آلینا بارنت(Alina Barnett)، نویسنده ارشد این مقاله می گوید: ایده ما این بود که سیستمی بسازیم که بگوید این بخش خاص از ضایعه بالقوه سرطانی شباهت زیادی به مورد دیگری است که قبلا دیده ام. اگر راهی برای درک دلیل اشتباه کردن سیستم وجود نداشته باشد و بدون وجود جزئیات واضح، پزشکان زمان و امید خود را به سیستم از دست می دهند.

محققان این هوش مصنوعی تازه را با استفاده از هزار و 136 تصویر گرفته شده از 484 بیمار در سیستم بهداشت دانشگاه دوک آموزش دادند.

آن ها ابتدا هوش مصنوعی را به نحوی آموزش دادند که ضایعات مشکوک مورد نظر را پیدا کند و تمام بافت های سالم داده های غیر مربوط را نادیده بگیرد. آن ها سپس از چندین رادیولوژیست یاری گرفتند تا به دقت تصاویر را برچسب گذاری نمایند تا به هوش مصنوعی آموزش دهند که بر لبه های ضایعات یعنی مکان هایی که تومورهای بالقوه با بافت سالم برخورد می نمایند تمرکز نمایند و آن ها را با لبه های تصاویری که حاوی غدد سرطانی خوش خیم بودند مقایسه نمایند.

خطوط تابشی یا لبه های مبهم که از نظر پزشکی حاشیه های توده ای(mass margins) نامیده می شوند برترین تعیینه تومورهای سرطانی پستان و اولین موردی هستند که رادیولوژیست ها به آن توجه می نمایند زیرا رشد و تکثیر سلول های سرطانی به قدری سریع است که همه آن ها لبه ایجاد نمی نمایند و نمی توان آن ها را به آسانی در ماموگرافی مشاهده کرد.

بارنت می گوید: این روشی منحصربه فرد برای آموزش هوش مصنوعی است. سایر هوش های مصنوعی کوشش نمی نمایند که از رادیولوژیست ها تقلید نمایند. آن ها روش های خود را استفاده می نمایند که اغلب یا مفید نیستند یا در بعضی موارد وابسته به فرآیندهای استدلالی معیوب هستند.

محققان پس از اتمام آموزش هوش مصنوعی را مورد آزمایش قرار دادند. اگرچه که این هوش مصنوعی برتر از رادیولوژیست ها عمل نمی کرد اما عملکرد آن به خوبی مدل های رایانه ای جعبه سیاه بود.

جعبه سیاه(Black Box) به ابزار، سامانه یا جسمی گفته می گردد که فقط ورودی و خروجی هایش قابل مشاهده است و هیچ گونه اطلاعی از عملکرد و درون آن در اختیار کاربر نیست.

زمانی که این هوش مصنوعی تازه خطایی مرتکب می گردد، افرادی که با آن کار می نمایند می توانند تشخیص دهند که عملکرد آن اشتباه است و دلیل این اشتباه را نیز دریابند.

این تیم در کوشش است تا ویژگی های فیزیکی دیگری به هوش مصنوعی بیافزاید تا آن ها را هنگام تصمیم گیری در نظر بگیرد. برای مثال ظاهر ضایعه که دومین موردی است که رادیولوژیست ها می آموزند به آن توجه نمایند.

نتایج این مقاله در مجله Nature Machine Intelligence در روز 15 دسامبر به چاپ رسیده است.