گوگل برای تشخیص زودهنگام سرطان ریه، هوش مصنوعی مبتنی بر یادگیری عمیق ساخت

توموگرافی کامپیوتری با دوز پایین برای غربالگری سرطان ریه شناخته شده است که مرگ‌ومیر (نرخ مرگ) را در افرادی که به دلیل مصرف زیاد سیگار در معرض خطر بالا قرار دارند، به‌طور قابل‌توجهی کاهش می‌دهد. با این حال، توموگرافی کامپیوتری ریه با دوز پایین نیز معایبی دارد: قرار گرفتن سالانه در معرض پرتو، حتی با دوز پایین؛ تشخیص بیش‌ازحد و نتایج مثبت کاذب (سرطانی پنداشتن تومورهای غیرسرطانی و انجام نمونه‌برداری) و مواردی مانند جراحی.

هوش مصنوعی زیرمجموعه‌ای به نام یادگیری عمیق (deep learning) دارد که بر اساس پژوهشی در Nature می‌تواند به کاهش این خطرها کمک کند.

یادگیری عمیق در سامانه‌های آن، الگوریتم‌های ساخته‌شده به دست انسان مسئول جمع‌آوری، مرتب‌سازی و تحلیل حجم بزرگی از داده‌ها هستند. حجم زیاد داده‌ها (big data)، یک شبکه عصبی مصنوعی (مجموعه‌ای از الگوریتم‌ها که با الگوبرداری از مغز انسان طراحی شده‌اند) را تغذیه می‌کند و سپس تفسیر می‌شود. برنامه‌نویسان به ماشین نمی‌گویند با داده‌ها چه کند؛ در عوض، ماشین داده‌ها را تحلیل می‌کند و بر اساس آموخته‌هایش تصمیم می‌گیرد. در بیشتر موارد هرچه داده بیشتری دریافت کند، تصمیم‌هایش دقیق‌تر می‌شوند.

پژوهشگران گوگل یک شبکه عصبی مصنوعی با چندین لایه پردازش ساختند. آن‌ها این شبکه عصبی مصنوعی چندلایه را با داده‌های غربالگری توموگرافی کامپیوتری (BT) ریه افراد تغذیه کردند: بعضی از این افراد سرطان ریه داشتند، بعضی نداشتند و برخی نیز دارای ندول‌هایی بودند که به سرطان تبدیل شدند.

این فناوری توانایی فوق‌العاده‌ای در شناسایی سرطان ریه نشان داد. هنگامی که در برابر 6 رادیولوژیست به کار گرفته شد، سامانه در موارد مثبت کاذب (تفسیر به‌صورت سرطانی با وجود نبود سرطان) % 11، موارد منفی کاذب (تفسیر به‌صورت خوش‌خیم با وجود سرطان) % 5 کاهش داشت و عملکرد بسیار خوبی نشان داد. وقتی امکان مشاهده اسکن‌های BT قبلی فراهم شد، الگوریتم نتیجه‌ای هم‌سطح رادیولوژیست‌های متخصص ارائه داد. در مجموع، این مدل هوش مصنوعی % 94.4 دقت داشت.

هرچند سامانه یادگیری عمیق گوگل برای استفاده گسترده آماده نیست، نتایج تصویری از نقش بالقوه هوش مصنوعی در پزشکی ارائه می‌کنند. در نتیجه، این کاربرد فرصتی ایجاد می‌کند تا فرایند غربالگری با BT برای تشخیص زودهنگام سرطان ریه، با کمک رایانه و خودکارسازی بهینه شود. اینکه ماشین‌ها هر روز در آزمایش‌های پزشکی نتایج بهتری ارائه می‌دهند و از تصمیم‌های بالینی پشتیبانی می‌کنند، پیشرفتی بسیار مثبت است؛ با این حال، آگاهی اندک بیشتر افراد سیگاری درباره غربالگری سرطان ریه و ادامه باقی ماندن نیاز به محافظت از آن‌ها، مسئله‌ای جداگانه است. خودکارسازی غربالگری‌ها با سامانه‌های پشتیبان تصمیم بالینی مانند مدل یادگیری عمیق گوگل، ظرفیت افزایش دقت، ثبات و پذیرش غربالگری سرطان ریه را دارد.