Süni intellekt hansı sahədə HƏKİMLƏRDƏN DAHA YAXŞI oldu?

1 yanvar 2020-ci ildə Nature jurnalında Google Health, DeepMind və Imperial College London tərəfindən hazırlanmış, 31 tədqiqatçının adı olan bir iş dərc edildi. Döş xərçənginin erkən diaqnozu üzrə aparılan tədqiqat sosial mediada və xəbər kanallarında çox danışılan xəbərlər arasında yer aldı. Başlıqlar adətən “Google-un hazırladığı yeni dərin öyrənmə alqoritmi radioloqları əvəz edir” və ya bu metodun həkimlərdən necə daha yaxşı olduğu şəklində idi.

Süni intellekt

Süni intellektin radioloqlardan daha yaxşı ola və onları əvəz edə biləcəyini düşündürən amillər nələrdir?

Verilən 10 sualdan maşınların səkkizini düzgün cavablandırıb ikisində səhv etməsi, radioloqların isə eyni suallardan üçündə səhv etməsi maşınları radioloqlardan daha yaxşı edirmi? İnsanın qərarvermə mexanizmi və beynin koqnitiv funksiyaları çox mürəkkəbdir, hələ kəşf edilməyən təfərrüatları var. Radioloqun mammoqrafiya görüntüləri ilə şəxsdə xərçəng olub-olmadığına qərar verməsi və şübhələndiyi, amma əmin olmadığı hallarda müraciət edə biləcəyi biopsiya kimi əlavə klinik müayinələr mövcuddur və radioloq bu qərarları verə bilmək üçün bütün həyatını bunun təhsilinə sərf edir.

- Əlaqəli mövzu: Mammoqrafiya nəticəsi mənfi olsa da döş xərçəngi riski varmı?

Bununla yanaşı, səhiyyədə tez-tez eşitdiyimiz dərin öyrənmə alqoritmləri ilə hazırlanan kompüter görüntü emalı texnologiyasında şəkillərin piksellərindən mənalı məlumat əldə etməyə çalışılır. Təlim keçmiş alqoritm əvvəllər heç göstərilməmiş test görüntüləri ilə qiymətləndirilir.

Alqoritm bir problemin həllinə çatmaq üçün yaradılan həll yoludur. Bunu “Problem + Alqoritm = Həll” kimi düşünmək olar. Tibbə xas deyil, amma alqoritmlər ən çox tibb və mühəndislikdə istifadə edilir. Səhiyyəyə xidmət edəcək süni intellektlər, minlərlə, hətta məhdudiyyətsiz sayda alqoritmi biləcək şəkildə hazırlanır.

Süni intellekt texnologiyaları qiymətləndirilərkən yalnız dəqiqlik faizinə baxılmır

% 95 dəqiqliklə proqnoz verən dərin öyrənmə alqoritminin %5-lik səhv payında çox mühüm məlumat ola bilər. Buna görə alqoritmlər qiymətləndirilərkən səhv matrislərinə də mütləq əhəmiyyət verilir. Səhv matrisi dörd müxtəlif kombinasiyalı cədvəldir. Bu cədvəl müvafiq olaraq doğru müsbət, doğru mənfi, yalançı müsbət və yalançı mənfi nəticələri ehtiva edir.

Doğru dəyərlər adından göründüyü kimi modelin düzgün proqnozlaşdırdığı nəticələrdir. Yanlış dəyərlər isə modelin səhv etdiyi nəticələrdir. Məsələn, hamiləlik testi üçün hazırlanmış alqoritmlə izah edə bilərik. Yalançı müsbət modelin şəxsi hamilə kimi proqnozlaşdırması, əslində isə onun hamilə olmamasıdır; yalançı mənfi isə bunun əksi kimi, şəxsin hamilə olmamasına baxmayaraq hamilə kimi proqnozlaşdırılması şəklində ifadə edilir.

Göründüyü kimi, yüksək həssaslıqlı dərin öyrənmə alqoritmlərinin səhvləri çox mühüm məlumatlar ehtiva edə bilər. Əslində xərçəng olmayan birinə müsbət xərçəng nəticəsi vermək həmin şəxs üçün ciddi psixoloji çətinliklər yaradacaq.

Çoxsaylı tədqiqatçının iştirak etdiyi son araşdırma da məhz bu nəticələr əsasında maşınlarla radioloqları müqayisə edir.

Nature tədqiqatının təfərrüatları

Dərin öyrənmə modelinin təlimi üçün İngiltərənin müxtəlif xəstəxanalarında 2012 və 2015-ci illər arasında döş xərçəngi üçün yoxlanmış təxminən 25 min qadının mammoqrafiya görüntüləri, sınaq üçün isə ABŞ-dan təxminən 3 min qadının görüntüləri istifadə olunub. Modelin arxitekturasında üç müxtəlif süni neyron şəbəkə tətbiq edilib: Facebook-un RetinaNet, Google-un MobileNetV2 və Microsoft-un ResNet V-1 50 şəbəkələri. Model toxumaların xərçəngli olub-olmadığına müəyyən hədd əsasında qərar verir. Buna görə modelin təlimində hədd müəyyən edilərkən yalançı müsbət və yalançı mənfi dəyərlərin azaldılması hədəflənib.

Model təlimdən sonra radioloqlarla müqayisə üçün 500 müxtəlif mammoqrafiya görüntüsü üzərində sınaqdan keçirilib və xüsusilə Amerikadakı radioloqlara nisbətən daha az yalançı müsbət (%9.4 az) və yalançı mənfi (%5.4 az) nəticə verib. Bu nəticələr süni intellekt modellərinin hər dəfə bir radioloqun qərarı ilə müqayisəsindən əldə edilib. İki fərqli radioloqun qarşılıqlı fikir mübadiləsi ilə verdiyi qərarlarla müqayisədə süni intellekt mühüm uğur göstərməyib.

Bu tədqiqat süni intellektin xüsusilə Birləşmiş Krallıqda tətbiq edilən iki radioloqlu yoxlama tələbini aradan qaldıraraq həm vaxta, həm xərclərə qənaət edə biləcəyini düşündürür. Beləliklə radioloq süni intellektin dəstəyi ilə daha düzgün və sürətli qərar verə bilər. Lakin hələ radioloqları əvəz edə biləcəyini söyləmək hazırda çox real deyil. MIT Technology Review jurnalının süni intellekt üzrə mütəxəssis redaktoru Will Knight heç kimin ən inkişaf etmiş alqoritmlərin etdiklərini necə etdiyini tam bilməməsinin problem ola biləcəyini bildirir.

Süni neyron şəbəkələr qara qutu modelləri kimi tanınır və proqnozların necə alındığını çox aydın izah etmək olmur. Radioloqlar əmin olmadıqda əlavə testlərlə daha düzgün qərar verməyə çalışır, hazırda hazırlanan süni intellekt həlləri isə yalnız görüntü əsasında proqnoz verir.

Milli Səhiyyə Xidmətində çalışan professor Ken Young bu tədqiqatın real həyat ssenarilərinə uyğun olduğunu, əvvəlki işlərdə isə adətən daha hazırlanmış məlumat dəstlərindən istifadə edildiyini və bunun həmin tədqiqatların qərəzli (biased) olma ehtimalını yaratdığını söyləyir.

Nəticə Akademik və texnoloji infrastrukturu çox güclü olan bu tədqiqatın nəticələri səhiyyədə süni intellekt istifadəsinə yol açacaq. Ancaq xəbər başlıqlarında görüldüyü kimi hələ radioloqları əvəz edəcək səviyyəyə çatmayıblar. Bununla yanaşı yaxın gələcəkdə diaqnostika sahəsində maşınların insan mütəxəssislərə ehtiyacı əhəmiyyətli dərəcədə azaldacağı görünür. Müalicə qərarlarında isə süni intellektin keçməli olduğu daha uzun yol var.

*

Aşağıdakı şəkildə, çox işlənən və bir-birinə yaxın 3 yeni informatika anlayışının – süni intellekt, maşın öyrənməsi və dərin öyrənmənin təriflərini və fərqlərini görə bilərsiniz.