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

محققان این هوش مصنوعی جدید را با استفاده از هزار و ۱۳۶ تصویر گرفته شده از ۴۸۴ بیمار در سیستم بهداشت دانشگاه دوک آموزش داده اند.

آن‌ها ابتدا هوش مصنوعی را به نحوی آموزش دادند که ضایعات مشکوک مورد نظر را پیدا کند و تمام بافت‌های سالم داده‌های غیر مربوط را نادیده بگیرد. آن‌ها سپس از چندین رادیولوژیست‌ کمک گرفتند تا به دقت تصاویر را برچسب‌گذاری کنند تا به هوش مصنوعی آموزش دهند که بر لبه‌های ضایعات یعنی مکان‌هایی که تومورهای بالقوه با بافت سالم برخورد می‌کنند، تمرکز کنند و آن‌ها را با لبه‌های تصاویری که حاوی غدد سرطانی خوش‌خیم بودند مقایسه کنند.

خطوط تابشی یا لبه‌های مبهم که از نظر پزشکی حاشیه‌های توده‌ای(mass margins) نامیده می‌شوند، بهترین مشخصه‌ تومورهای سرطانی سینه و اولین موردی هستند که رادیولوژیست‌ها به آن توجه می‌کنند؛ زیرا رشد و تکثیر سلول‌های سرطانی به قدری سریع است که همه‌ی آن‌ها لبه ایجاد نمی‌کنند و نمی‌توان آن‌ها را به آسانی در ماموگرافی مشاهده کرد.

بارنت گفت: این روشی منحصربه‌فرد برای آموزش هوش مصنوعی است. سایر هوش‌های مصنوعی تلاش نمی‌کنند که از رادیولوژیست‌ها تقلید کنند. آن‌ها روش‌های خود را استفاده می‌کنند که اغلب یا مفید نیستند یا در برخی موارد وابسته به فرآیندهای استدلالی معیوب هستند.

محققان پس از اتمام آموزش، هوش مصنوعی را آزمایش کردند. اگرچه که این هوش مصنوعی برتر از رادیولوژیست‌ها عمل نمی‌کرد، اما عملکرد آن به خوبی مدل‌های رایانه‌ای "جعبه سیاه" بود.

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

زمانی که این هوش مصنوعی جدید خطایی مرتکب می‌شود، افرادی که با آن کار می‌کنند می‌توانند تشخیص دهند که عملکرد آن اشتباه است و علت این اشتباه را نیز دریابند.

این تیم در تلاش است تا ویژگی‌های فیزیکی دیگری به هوش مصنوعی بیفزاید تا آن‌ها را هنگام تصمیم‌گیری در نظر بگیرد. 

نتایج این مقاله در مجله‌ی "Nature Machine Intelligence" در روز ۱۵ دسامبر به چاپ رسیده است.

انتهای پیام/