این مدل می‌تواند مشکلات را به‌علاوه یک متخصص انسانی تشخیص دهد، و به داده‌های آموزشی پرکار زیادی نیاز ندارد.
پس از بررسی هزاران عکس از قفسه سینه و گزارش‌های بالینی همراه با آن، یک هوش مصنوعی آموخته است که بیماری‌ها را در این اسکن‌ها به همان دقتی که یک رادیولوژیست انسانی تشخیص می‌دهد، تشخیص دهد.
اکثر مدل‌های تشخیصی هوش مصنوعی فعلی بر روی اسکن‌های برچسب‌گذاری شده توسط انسان آموزش داده می‌شوند، اما این برچسب‌گذاری فرآیندی زمان‌بر است. مدل جدید که CheXzero نام دارد، می تواند به تنهایی از گزارش های پزشکی موجود که متخصصان به زبان طبیعی نوشته اند، «یاد بگیرد».
یافته ها نشان می دهد که برچسب زدن اشعه ایکس به منظور آموزش مدل های هوش مصنوعی برای تفسیر تصاویر پزشکی ضروری نیست، که می تواند در زمان و هزینه صرفه جویی کند.
تیمی از محققان دانشکده پزشکی هاروارد مدل CheXzero را بر روی یک مجموعه داده در دسترس عموم شامل بیش از 377000 عکس اشعه ایکس قفسه سینه و بیش از 227000 گزارش بالینی مربوطه آموزش دادند. این به آن آموزش داد که به جای یادگیری از داده های ساختاری که به صورت دستی برای کار برچسب گذاری شده بودند، انواع خاصی از تصاویر را با یادداشت های موجود خود مرتبط کند.
سپس عملکرد CheXzero بر روی مجموعه داده‌های جداگانه از دو موسسه مختلف، یکی در کشوری دیگر، آزمایش شد تا بررسی شود که آیا می‌تواند تصاویر را با یادداشت‌های مربوطه تطبیق دهد، حتی اگر گزارش‌ها حاوی اصطلاحات متفاوتی باشند.
یک مطالعه جدید نشان می دهد که هوش مصنوعی همچنین می تواند بیش از نیمی از اسکن ها را به طور خودکار انجام دهد و به طور چشمگیری بار کاری رادیولوژیست ها را کاهش دهد.
این تحقیق که در Nature Biomedical Engineering توضیح داده شد، نشان داد که این مدل در شناسایی مسائلی مانند ذات‌الریه، فروپاشی ریه‌ها و ضایعات مؤثرتر از سایر مدل‌های هوش مصنوعی است. در واقع، از نظر دقت مشابه رادیولوژیست های انسانی بود.
در حالی که دیگران سعی کرده‌اند از داده‌های پزشکی بدون ساختار به این روش استفاده کنند، این اولین بار است که مدل هوش مصنوعی یک تیم از متن بدون ساختار و عملکرد رادیولوژیست‌های منطبق درس می‌گیرد و توانایی پیش‌بینی چندین بیماری را از یک عکس اشعه ایکس نشان می‌دهد. اکین تیو، یک دانشجوی مقطع کارشناسی در استنفورد و یک محقق مدعو که این گزارش را تهیه کرده است، می گوید: درجه بالایی از دقت.
او می‌گوید: «ما اولین کسی هستیم که این کار را انجام می‌دهیم و آن را به طور مؤثر در این زمینه نشان می‌دهیم.
پراناو راجپورکار، استادیار بیومدیکال، می گوید: کد این مدل به صورت عمومی در دسترس سایر محققان قرار گرفته است، به این امید که بتواند در سی تی اسکن، ام آر آی و اکوکاردیوگرام برای کمک به تشخیص طیف وسیع تری از بیماری ها در سایر قسمت های بدن استفاده شود. انفورماتیک در مؤسسه بلاواتنیک در دانشکده پزشکی هاروارد، که این پروژه را رهبری کرد.
او می‌گوید: «امید ما این است که مردم بتوانند این را خارج از جعبه برای سایر مجموعه‌های داده اشعه ایکس قفسه سینه و بیماری‌هایی که به آنها اهمیت می‌دهند، اعمال کنند.
راجپورکار همچنین خوش بین است که مدل های تشخیصی هوش مصنوعی که نیاز به نظارت حداقلی دارند می تواند به افزایش دسترسی به مراقبت های بهداشتی در کشورها و جوامعی که متخصصان کمیاب هستند کمک کند.
کریستین لیبیگ، مدیر یادگیری ماشین در استارت آپ آلمانی Vara کهاز هوش مصنوعی برای تشخیص سرطان سینه استفاده می کند ، می گوید: «استفاده از سیگنال آموزشی غنی تر از گزارش ها بسیار منطقی است. رسیدن به چنین سطحی از عملکرد، یک موفقیت است.»
مدل‌های زبان بزرگ بر روی مجموعه‌ای از داده‌های شخصی که از اینترنت جمع‌آوری شده‌اند، آموزش داده می‌شوند. بنابراین می خواستم بدانم: چه چیزی روی من دارد؟
آنچه Gran Turismo Sophy در پیست مسابقه یاد گرفت می تواند به شکل گیری آینده ماشین هایی کمک کند که می توانند در کنار انسان ها کار کنند یا به ما در جاده ها بپیوندند.
و داده ها را به صورت رایگان ارائه می کند، که می تواند باعث اکتشافات علمی جدید شود.
اما این شرکت برای انجام این کار مجبور به رفع عجله بدترین نقص های مدل تصویرسازی شده است.
پیشنهادهای ویژه، داستان های برتر، رویدادهای آینده و موارد دیگر را کشف کنید.
از اینکه ایمیل خود را ثبت کردید، متشکریم!
به نظر می رسد مشکلی پیش آمده است.
ما در ذخیره تنظیمات برگزیده شما با مشکل روبرو هستیم. سعی کنید این صفحه را بازخوانی کنید و یک بار دیگر آنها را به روز کنید. اگر همچنان این پیام را دریافت می‌کنید، با فهرستی از خبرنامه‌هایی که می‌خواهید دریافت کنید، از طریق customer-service@technologyreview.com با ما تماس بگیرید.
گزارش‌های عمیق ما نشان می‌دهد که در حال حاضر چه خبر است تا شما را برای اتفاقات بعدی آماده کند.
اشتراک در برای حمایت از روزنامه نگاری ما
© 2022 بررسی فناوری MIT

source

توسط techkhabari