რომელ სფეროში გახდა ხელოვნური ინტელექტი ექიმებზე უკეთესი?

1 იანვარს, 2020 წელს Nature -ში Google Health-ის, DeepMind-ისა და Imperial College London-ის კვლევა 31 მკვლევრის სახელით გამოქვეყნდა. ძუძუს კიბოს ადრეული დიაგნოსტიკის კვლევა მედიაში ფართოდ განიხილეს. სათაურები ჩვეულებრივ ამბობდა: „Google-ის ახალი ღრმა სწავლების ალგორითმი რადიოლოგებს ცვლის“ ან აღწერდა, როგორ სჯობდა ექიმს.

ხელოვნური ინტელექტი

რა ქმნის აზრს, რომ იგი რადიოლოგს აჯობებს და ჩაანაცვლებს?

10 კითხვიდან მანქანა რვას სწორად პასუხობს და ორს ცდება, რადიოლოგი სამს ცდება — ეს უპირატესობაა? ადამიანის გადაწყვეტილება და ტვინის კოგნიტური ფუნქცია რთულია და უცნობ დეტალებს შეიცავს. რადიოლოგის მიერ მამოგრაფიით კიბოს დადგენისას ეჭვისა და გაურკვევლობის შემთხვევაში დამატებითი კლინიკური ტესტები, მაგალითად, ბიოფსია არსებობს; ამ გადაწყვეტილებებისთვის მთელი ცხოვრება სწავლობს.

- დაკავშირებული თემა: უარყოფითი მამოგრაფიის მიუხედავად არის ძუძუს კიბოს რისკი?

ჯანდაცვაში ღრმა სწავლების გამოსახულების დამუშავება პიქსელებიდან აზრიანი მონაცემის მიღებას ცდილობს. გაწვრთნილი ალგორითმი ადრე უნახავი საცდელი სურათებით ფასდება.

ალგორითმი პრობლემის გადაჭრის გზაა: „პრობლემა + ალგორითმი = გადაწყვეტა“. მხოლოდ მედიცინა არ იყენებს, თუმცა მედიცინასა და ინჟინერიაში განსაკუთრებით ხშირია. ჯანდაცვის ხელოვნური ინტელექტი, ათასობით, თუნდაც შეუზღუდავი ალგორითმის ცოდნისთვის იქმნება.

შეფასებისას მარტო სიზუსტის მაჩვენებელს არ უყურებენ

% 95 სიზუსტით პროგნოზირებადი ღრმა სწავლების ალგორითმის %5 შეცდომაში ძალიან მნიშვნელოვანი ინფორმაცია შეიძლება იყოს. ამიტომ შეფასებისას შეცდომათა მატრიცასაც აუცილებლად აქცევენ ყურადღებას. ეს ოთხი განსხვავებული კომბინაციის ცხრილია, რომელიც მოიცავს: ჭეშმარიტად დადებითი, ჭეშმარიტად უარყოფითი, ცრუ დადებითი და ცრუ უარყოფითი შედეგები.

ჭეშმარიტი მნიშვნელობები სწორი პროგნოზია, მცდარი — შეცდომა. მაგალითად, ორსულობის ტესტის ალგორითმში ცრუ დადებითი ნიშნავს ორსულად მიჩნევას, როცა რეალურად არ არის; ცრუ უარყოფითი კი პირიქით, არაორსულის ორსულად პროგნოზირებად არის აღწერილი.

მაღალი მგრძნობელობის ალგორითმის შეცდომებიც მნიშვნელოვან ინფორმაციას შეიცავს. არაკიბოიანისთვის დადებითი პასუხი მძიმე ფსიქოლოგიურ პრობლემას იწვევს.

მრავალი ავტორის ბოლო კვლევაც ამ შედეგებით მანქანასა და რადიოლოგს ადარებს.

Nature კვლევის დეტალები

სწავლისთვის ინგლისის საავადმყოფოების 2012 და 2015 წლებს შორის შემოწმებული დაახლოებით 25 ათასი ქალის მამოგრაფია, ტესტისთვის კი აშშ-ის დაახლოებით 3 ათასის გამოიყენეს. არქიტექტურაში სამი ქსელია: Facebook-ის RetinaNet, Google-ის MobileNetV2 და Microsoft-ის ResNet V-1 50. მოდელი კიბოს კონკრეტული ზღვრით ადგენს და სწავლისას მიზანი ცრუ დადებითისა და უარყოფითის შემცირება იყო.

რადიოლოგთან შედარებისთვის 500 სურათზე შეამოწმეს; განსაკუთრებით ამერიკელებთან ნაკლები ცრუ დადებითი (%9.4-ით) და უარყოფითი (%5.4-ით) მიიღო. შედარება ყოველ ჯერზე ერთ რადიოლოგთან ხდებოდა. ორი რადიოლოგის ურთიერთგანხილვით მიღებულ გადაწყვეტილებასთან მნიშვნელოვანი უპირატესობა არ გამოუჩენია.

შეიძლება განსაკუთრებით ბრიტანეთში ორმაგი კონტროლის მოთხოვნა მოიხსნას და დრო და ხარჯი შემცირდეს: ერთი რადიოლოგი მხარდაჭერით უკეთ და სწრაფად გადაწყვეტს. თუმცა ჩანაცვლებაზე საუბარი ჯერ არარეალისტურია. MIT Technology Review-ის ექსპერტი რედაქტორი Will Knight პრობლემად მიიჩნევს, რომ არავინ იცის ზუსტად, როგორ აკეთებს მოწინავე ალგორითმი თავის საქმეს.

ნერვული ქსელები „შავი ყუთია“ და პროგნოზი მკაფიოდ ვერ აიხსნება. გაურკვევლობისას რადიოლოგი დამატებით ტესტს იყენებს, არსებული ინტელექტი კი მარტო სურათზე პროგნოზირებს.

ეროვნული ჯანმრთელობის სამსახურის პროფესორი Ken Young აღნიშნავს კვლევის რეალურ სცენართან თავსებადობას; წინაში უფრო მომზადებული მონაცემები გამოიყენებოდა და მიკერძოების ალბათობა იყო.

დასკვნა ძლიერი აკადემიური და ტექნოლოგიური კვლევა გამოყენებას გზას გაუხსნის, თუმცა სათაურების მიუხედავად რადიოლოგის ჩანაცვლების დონემდე ჯერ არ მისულა. ახლო მომავალში დიაგნოსტიკაში მანქანა სპეციალისტის საჭიროებას მნიშვნელოვნად შეამცირებს, როგორც ჩანს. მკურნალობის გადაწყვეტილებებში კი დიდი გზა აქვს გასავლელი.

*

ქვემოთ სურათზე, ახლო 3 გავრცელებული ტერმინის — ხელოვნური ინტელექტის, მანქანური და ღრმა სწავლების — განმარტებები და განსხვავებებია.