في أي مجال أصبح الذكاء الاصطناعي أفضل من الأطباء؟

في 1 يناير 2020، Nature نشرت دراسة أعدتها Google Health وDeepMind وImperial College London، وتضمنت أسماء 31 باحثًا. التشخيص المبكر لسرطان الثدي كانت الدراسة عنه، وأصبحت من الأخبار كثيرة النقاش في وسائل التواصل والقنوات الإخبارية. وكانت العناوين عمومًا «خوارزمية التعلم العميق الجديدة التي طورتها Google تحل محل اختصاصيي الأشعة» أو تتحدث عن تفوق هذه الطريقة على الأطباء.

الذكاء الاصطناعي

ما العوامل التي توحي بأن الذكاء الاصطناعي قد يتفوق على اختصاصيي الأشعة ويحل محلهم؟

من 10 أسئلة معطاة، تجيب الآلات عن ثمانية بصورة صحيحة وتخطئ في اثنين، بينما يخطئ اختصاصيو الأشعة في ثلاثة من الأسئلة نفسها؛ فهل يجعل ذلك الآلات أفضل منهم؟ آلية القرار البشري / الوظائف الإدراكية للدماغ بنية معقدة جدًا، ولا تزال فيها تفاصيل مجهولة. ولاختصاصي الأشعة، عبر صور التصوير الشعاعي للثدي ، قرار إصابة الشخص بالسرطان أو عدمها، وعند الاشتباه دون يقين، اختبارات سريرية إضافية يمكنه اللجوء إليها مثل الخزعة وهذه من الفحوص المتاحة، ويقضي اختصاصي الأشعة حياته كلها في التدريب لاتخاذ هذه القرارات.

- موضوع ذو صلة: هل يوجد خطر سرطان ثدي رغم سلبية التصوير الشعاعي للثدي؟

وفي تقنية معالجة الصور الحاسوبية المطورة بخوارزميات التعلم العميق التي نسمع عنها كثيرًا في الصحة، تُستخدم البكسلات لمحاولة استخراج بيانات ذات معنى. وتُقيَّم الخوارزمية المدربة بصور اختبار لم تُعرض عليها سابقًا.

الخوارزمية مسار حل مُنشأ للوصول إلى حل مشكلة. ويمكن تصورها «المشكلة + الخوارزمية = الحل». وليست خاصة بالطب، لكن الخوارزميات تُستخدم بأكثر كثافة في الطب والهندسة. وما سيخدم الصحة من الذكاءات الاصطناعية، يُصمم لمعرفة آلاف الخوارزميات – بل عدد غير محدود منها.

عند تقييم تقنيات الذكاء الاصطناعي، لا تُفحص نسب الصحة وحدها

قد تتضمن خوارزمية تعلم عميق تتنبأ بصحة % 95 معلومات حاسمة جدًا ضمن هامش خطئها %5. لذلك، يُهتم حتمًا بمصفوفات الخطأ عند تقييمها. ومصفوفة الخطأ جدول ذو أربع توليفات، يتضمن على الترتيب نتائج الإيجابي الصحيح والسلبي الصحيح والإيجابي الكاذب و السلبي الكاذب وهذه هي النتائج.

القيم الصحيحة، كما يدل اسمها، نتائج تنبأ بها النموذج بصورة صحيحة. أما الخاطئة فنتائج أخطأ فيها. وللتوضيح، يمكن استخدام خوارزمية لاختبار الحمل. الإيجابي الكاذب يعني توقع النموذج أن الشخص حامل بينما ليس كذلك؛ والسلبي الكاذب، على العكس تمامًا، يُعبَّر عنه بتوقع الحمل رغم أن الشخص غير حامل.

كما نرى، قد تتضمن أخطاء خوارزميات التعلم العميق عالية الحساسية معلومات مهمة جدًا. أي إعطاء نتيجة إيجابية للسرطان لشخص ليس مصابًا فعلًا سيسبب له ضيقًا نفسيًا شديدًا.

والبحث الأخير الذي شارك فيه باحثون كثيرون يقارن الآلات واختصاصيي الأشعة عبر هذه النتائج.

تفاصيل دراسة Nature

أثناء الدراسة، لتدريب نموذج التعلم العميق، استُخدمت من مستشفيات بريطانية مختلفة، بين 2012 و2015، صور ماموغرافيا لنحو 25 ألف امرأة فُحصن لسرطان الثدي؛ وللاختبار صور نحو 3 آلاف امرأة من الولايات المتحدة. واستُخدمت في بنية النموذج ثلاث شبكات عصبية مختلفة: RetinaNet المطورة من Facebook، وMobileNetV2 من Google، وResNet V-1 50 من Microsoft. ويقرر النموذج سرطانية الأنسجة وفق عتبة معينة. ولذلك، استُهدف تقليل الإيجابيات والسلبيات الكاذبة عند تحديد العتبة أثناء التدريب.

بعد التدريب، اختُبر النموذج على 500 صورة ماموغرافيا للمقارنة باختصاصيي الأشعة، ووصل إلى إيجابيات كاذبة أقل خصوصًا من الأمريكيين (%9.4 أقل)، وسلبيات كاذبة أقل (%5.4 أقل). واستُخلصت هذه النتائج بمقارنة النماذج كل مرة بقرار اختصاصي واحد. لم يُظهر الذكاء الاصطناعي نجاحًا مهمًا أمام قرارات اختصاصيَي أشعة يتبادلان الآراء.

قد توحي الدراسة بأن التقنية تتيح إلغاء ضرورة التحقق بواسطة اختصاصيَي أشعة المطبقة خصوصًا في المملكة المتحدة، وتقليل الوقت والتكلفة. وبذلك، يستطيع اختصاصي الأشعة اتخاذ قرار أسلم وأسرع بدعم الذكاء الاصطناعي. لكن، كما نرى، ليس واقعيًا جدًا الآن القول إنه يستطيع الحلول محلهم. ويقول Will Knight، المحرر المختص بالذكاء الاصطناعي في MIT Technology Review، إن عدم معرفة أحد تمامًا كيف تفعل الخوارزميات الأكثر تقدمًا ما تفعله قد يكون مشكلة.

تُعرف الشبكات العصبية الاصطناعية بنماذج الصندوق الأسود، ولا يمكن تقديم تفسيرات واضحة جدًا لكيفية استخراج تنبؤاتها. لذلك، عند عدم اليقين، يحاول اختصاصيو الأشعة اتخاذ قرارات أسلم باختبارات إضافية، بينما تعطي حلول الذكاء الاصطناعي المطورة حاليًا تنبؤات من الصورة فقط.

يقول البروفيسور Ken Young، العامل في الخدمة الصحية الوطنية، إن هذه الدراسة متوافقة مع سيناريوهات الحياة الفعلية، وإن الدراسات السابقة في المجال استخدمت عادةً مجموعات بيانات أكثر تجهيزًا، مما قد يجعلها منحازة (biased).

الخلاصة ستفتح نتائج هذه الدراسة، القوية جدًا أكاديميًا وتقنيًا، الطريق لاستخدام الذكاء الاصطناعي في الصحة. لكنها لم تبلغ بعد مستوى الحلول محل اختصاصيي الأشعة كما توحي عناوين الأخبار. ومع ذلك، في المستقبل القريب، في مجال التشخيص يبدو أن الآلات ستقلل الحاجة إلى الخبراء البشر بدرجة واضحة. أما قرارات العلاج، فلا يزال أمام الذكاء الاصطناعي طريق أطول فيها.

*

في الشكل أدناه، يمكن رؤية تعريفات وفروق 3 مصطلحات معلوماتية جديدة شائعة ومتقاربة: الذكاء الاصطناعي وتعلم الآلة والتعلم العميق.