باشگاه خبرنگاران جوان- این الگوریتم جدید خلاف الگوریتم های پیشین، قابل تفسیر است؛ یعنی روشی که با آن به نتیجه نهایی رسیده است را به پزشکان نشان می دهد.

این پلتفرم توسط 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 آن ها را ارزیابی کند.

این روش می تواند یک پلتفرم آموزشی کارآمد برای آموزش نحوه تفسیر تصاویر ماموگرافی به دانشجویان باشد و می تواند به پزشکان مناطق کم جمعیت در سراسر جهان که به طور منظم اسکن ماموگرافی را بررسی نمی کنند، کمک کند تا تصمیمات بهتری در زمینه مراقب های بهداشتی بگیرند.

جوزف لو (Joseph Lo)، استاد رادیولوژی در دانشگاه دوک گفت: اگر قرار است که رایانه به ما در گرفتن تصمیمات مهم کمک کند، پزشکان باید اطمینان حاصل کنند که هوش مصنوعی بر اساس موارد منطقی به نتیجه نهایی رسیده است.

ما نیازمند الگوریتم هایی هستیم که نه تنها کار می کنند؛ بلکه روند کار را توضیح می دهند و نمونه هایی نشان می دهند که مشخص می کند چگونه به نتیجه نهایی رسیده اند. به این ترتیب چه پزشک با نتیجه موافق باشد، چه نباشد؛ هوش مصنوعی به تصمیم گیری بهتر کمک می کند.

هوش مصنوعی مهندسی که به بررسی تصاویر پزشکی می پردازد، صنعت بزرگی است. هزاران الگوریتم مستقل در حال حاضر وجود دارند و سازمان غذا و داروی آمریکا بیش از ۱۰۰ مورد از آن ها را برای استفاده بالینی تایید کرده است.

با این حال فرقی نمی کند از هوش مصنوعی برای بررسی نتایج MRI، سی تی اسکن یا ماموگرافی استفاده کنید؛ تعداد کمی از آن ها از مجموعه داده های اعتبارسنجی با بیش از ۱۰۰۰ تصویر استفاده می کنند. 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 توسط تجهیزات مختلف آموزش داده اند، با شکست مواجه شد.

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

همان طور که انتظار می رود، این هوش مصنوعی نتوانست با بیمارستان های دیگری که تجهیزات متفاوتی داشتند، منطبق شود؛ اما از آن جا که هیچ کس نمی دانست الگوریتم ها چه چیزی را مورد بررسی قرار می دهند، هیچ کس متوجه نشد که این الگوریتم در واقعیت با شکست مواجه خواهند شد.