ابزار هوش مصنوعی گوگل بهتر از پزشکان سرطان سینه را تشخیص می‌دهد

براساس نتایج مطالعه‌ای جدید، پژوهشگران گوگل با همکاری کارشناسان دانشگاه نورث وسترن و سه مؤسسه‌ی پزشکی بریتانیا، مدل هوش مصنوعی ایجاد کرده‌اند که به‌نظر می‌رسد نسبت‌به متخصصان انسانی با دقت بیشتری سرطان پستان را از روی ماموگرام‌ها (تصویر اشعه ایکس سینه) تشخیص می‌دهد. طبق نتایج این مطالعه که روز سال نو در مجله‌ی Nature منتشر شد، مدل هوش مصنوعی هم با نرخ بالاتری نسبت‌به رادیولوژیست‌ها، موارد سرطان سینه را تشخیص می‌دهد و هم موارد مثبت‌ کاذب (تشخیص فرد سالم به‌عنوان بیمار) کمتری گزارش می‌کند. زمانی‌که این الگوریتم در سطح بین‌المللی مورد آزمایش قرار گرفت نیز همین نتایج حاصل شد؛ مانعی که باتوجه به تناقض موجود بین مجموعه داده‌های مناطق مختلف جهان، تنها تعداد معدودی از ابزارهای هوش مصنوعی قادر به غلبه بر آن بوده‌اند. دکتر اریک توپول، مدیر مؤسسه‌ی پژوهشی اسکریپس گفت:

این سیستم هنوز عملکرد مورد انتظار را ندارد اما راه رسیدن به هدف را هموار می‌کند.

تفسیر علائم سرطان سینه می‌تواند تلفیقی از هنر و علم باشد: تنها یک رادیولوژیست باتجربه می‌تواند به مجموعه‌ای از ماموگرام‌های تار و سیاه و سفید نگاه کند و توده‌های سرطانی را از تجمع بافت‌های سالم تمایز دهد. بااین‌حال، حتی یک چشم باتجربه نیز ممکن است دچار اشتباه شود. براساس گزارش انجمن سرطان آمریکا، پزشکان در تشخیص ۲۰ درصد از تمام موارد سرطان سینه ناموفق عمل می‌کنند. در همین حین، درحدود نیمی از تمام زنان آمریکایی که هرساله ماموگرافی انجام می‌دهند، طی یک دوره‌ی ده ساله به اشتباه به آن‌ها گفته می‌شود که ممکن است سرطان سینه داشته باشند، درحالی‌که از این نظر سالم‌اند. در همین حین، خستگی مفرط و کمبودهای منطقه‌ای فشار بیشتری بر رادیولوژیست‌ها در سرتاسر جهان وارد می‌کند.

من انتظار ندارم تا زمانی‌که هنوز نیاز به تفکر خلاقانه باشد، الگوریتم هوش مصنوعی بتواند جایگزین یک رادیولوژیست یا پزشکان دیگر شود.

ابزار جدید هوش مصنوعی به‌وسیله‌ی پژوهشگران گوگل هلث و شرکت تابعه‌ی آن، دیپ‌مایند توسعه پیدا کرده است. پژوهشگران برای آموزش الگوریتم خود از داده‌های بالینی که شامل اسکن سرطان سینه از حدود ۹۱ هزار زن در آمریکا و بریتانیا بود، استفاده کردند. تمامی اسکن‌ها بدون نام بیمار بوده و تشخیص سرطان به‌وسیله‌ی نمونه‌برداری از بافت سینه تأیید شده بود. پژوهشگران سپس الگوریتم را روی مجموعه‌ی جدیدی از اسکن‌های سینه‌ی چندین هزار زن از هر دو کشور مورد آزمایش قرار دادند. درمقایسه‌با روش استاندارد بالینی در آمریکا که در آن زنان هر سال مورد غربال‌گری قرار می‌گیرند، الگوریتم مذکور منجر به ۶ درصد هشدار اشتباه کمتر و ۹ درصد گزارش مثبت کاذب کمتر شد. در بریتانیا، جایی که در آن زنان فقط هر سه سال یک‌بار مورد غربال‌گری قرار می‌گیرند، الگوریتم منجر به ۱ درصد هشدار اشتباه کمتر و ۳ درصد گزارش مثبت کاذب کمتر شد.

الگوریتم هوش مصنوعی در بخش جداگانه‌ای از مطالعه که در آن پژوهشگران ابزار را به کمک اسکن‌های کشور بریتانیا آموزش داده و آن را روی نمونه‌ای از اسکن‌های زنان آمریکایی مورد آزمایش قرار دادند، نسبت‌به روش بالینی استاندارد، عملکرد بهتری داشت. سرانجام، وقتی عملکرد این الگوریتم مستقیما با عملکرد ۶ فرد رادیولوژیست که وظیفه‌ی تفسیر ۵۰۰ مورد از مجموعه‌های آزمایشی آمریکا را برعهده داشتند، مورد مقایسه قرار گرفت، الگوریتم هوش مصنوعی بود که پیروز شد. دانیل تسه، یکی از پژوهشگران گوگل گفت:

ما معتقدیم که این شروع کار است.

دقیقا همان‌طور که در این مطالعه مواردی وجود داشت که در آن هوش مصنوعی سرطان‌هایی را تشخیص می‌داد که متخصصان انسانی نتوانسته بودند تشخیص دهند، مواردی نیز وجود داشت که در آن متخصصان انسانی سرطان‌هایی را تشخیص می‌دادند که به‌وسیله‌ی هوش مصنوعی تشخیص داده نمی‌شد. پژوهشگران درمورد علت این اتفاق اطمینان ندارند، اما از این موضوع چندان هم تعجب نکردند. تسه گفت:

مواردی وجود دارد که این مدل‌ها و فناوری در آن بسیار خوب عمل می‌کند و مواردی نیز وجود دارد که عملکرد رادیولوژیست‌ها که عمری است به این کار مشغول‌اند، در آن‌ها بهتر است.

به‌نظر می‌رسد نتایج این مطالعه نشان می‌دهد که هوش مصنوعی در تشخیص سرطان‌های تهاجمی که دیدن آن‌ها به‌وسیله‌ی چشم انسان دشوار است، برتری دارد. هیچ الگوی مشخصی در میان مواردی که در آن تنها متخصصان انسانی متوجه بیماری می‌شدند، کشف نشد. البته نه پژوهشگران گوگل و نه کارشناسان دیگر معتقد نیستند که ابزارهای هوش مصنوعی مانند این درحال حاضر دارای چنین قابلیتی باشند که به‌تنهایی مورد استفاده قرار گیرند، اما این بدان معنا نیست که نمی‌توانند هیچ نقشی داشته باشند. توپول گفت:

کدام بیمار به یک الگوریتم اطمینان می‌کند و نظر پزشک یا متخصص رادیولوژی را نمی‌پرسد؟ تصور من این است که با ترکیب هر دو روش به بهترین پاسخ ممکن می‌توان رسید.