În ce domeniu a devenit inteligența artificială MAI BUNĂ DECÂT MEDICII?

La 1 ianuarie 2020, în Nature a apărut un studiu realizat de Google Health, DeepMind și Imperial College London, cu 31 de cercetători semnatari. Depistarea precoce a cancerului de sân era tema studiului, mult discutat în presă și pe rețelele sociale. Titlurile spuneau de obicei „Noul algoritm de învățare profundă dezvoltat de Google înlocuiește radiologii” sau explicau cum este metoda mai bună decât medicii.

Inteligența artificială

Ce ne face să credem că inteligența artificială poate fi mai bună decât radiologii și îi poate înlocui?

Dacă mașinile răspund corect la opt și greșit la două dintre 10 întrebări, iar radiologii greșesc trei, sunt mașinile mai bune? Decizia umană / funcțiile cognitive ale creierului sunt foarte complexe, cu detalii încă nedescoperite. Un radiolog decide din imaginile de mamografie dacă există cancer și poate apela, când suspectează dar nu este sigur, la teste suplimentare precum biopsia, dedicându-și întreaga viață pregătirii necesare acestor decizii.

– Subiect asociat: Există risc de cancer de sân chiar dacă mamografia este negativă?

În schimb, procesarea computerizată a imaginilor prin învățare profundă, frecvent auzită în sănătate, încearcă să extragă date semnificative din pixeli. Algoritmul antrenat este evaluat cu imagini de test nevăzute anterior.

Algoritmul este calea construită pentru rezolvarea unei probleme: „Problemă + Algoritm = Soluție”. Nu este specific medicinei, dar algoritmii sunt utilizați mai ales în medicină și inginerie. Sistemele de inteligență artificială pentru sănătate sunt concepute să cunoască mii, chiar un număr nelimitat de algoritmi.

Evaluarea inteligenței artificiale nu privește doar rata de acuratețe

Un algoritm cu acuratețe de 95% poate conține informații critice în cele 5% erori. De aceea, evaluarea trebuie să acorde importanță și matricelor de eroare. Matricea este un tabel cu patru combinații: adevărat pozitiv, adevărat negativ, fals pozitiv și fals negativ.

Valorile adevărate sunt predicțiile corecte, cele false sunt erorile modelului. Un exemplu este algoritmul pentru testarea sarcinii. Fals pozitiv înseamnă că modelul prezice sarcină, deși persoana nu este însărcinată; fals negativ este exprimat, dimpotrivă, ca persoană neînsărcinată, dar prezisă ca însărcinată.

Erorile algoritmilor cu sensibilitate mare pot conține informații foarte importante. Un rezultat pozitiv pentru cancer la cineva fără cancer provoacă suferință psihologică serioasă.

Cel mai recent studiu cu mulți cercetători compară mașinile și radiologii pe baza acestor rezultate.

Detaliile studiului Nature

Pentru antrenare au fost folosite mamografiile a aproximativ 25 de mii de femei examinate între 2012 și 2015 în spitale britanice și, pentru testare, aproximativ 3 mii din SUA. Arhitectura folosea trei rețele neuronale: RetinaNet de la Facebook, MobileNetV2 de la Google și ResNet V-1 50 de la Microsoft. Modelul decide dacă țesutul este canceros pe baza unui prag. La antrenare s-a urmărit stabilirea pragului astfel încât să reducă fals pozitivele și fals negativele.

După antrenare, modelul a fost testat pe 500 de mamografii pentru compararea cu radiologii. A avut mai puține fals pozitive (cu 9,4% mai puține) și fals negative (cu 5,4% mai puține), mai ales față de radiologii americani. Rezultatele comparau de fiecare dată modelul cu decizia unui singur radiolog. Față de deciziile a doi radiologi care își schimbau opiniile, inteligența artificială nu a avut un succes semnificativ.

Studiul sugerează că tehnologia ar putea elimina cerința controlului cu doi radiologi, mai ales în Regatul Unit, economisind timp și bani. Un radiolog ar putea decide mai bine și mai rapid cu sprijinul ei. Totuși, nu este realist să spunem acum că îi poate înlocui. Will Knight, editor expert în IA la MIT Technology Review, spune că poate fi o problemă faptul că nimeni nu știe exact cum reușesc algoritmii cei mai avansați.

Rețelele neuronale sunt modele de cutie neagră și predicțiile lor nu pot fi explicate foarte clar. Când nu sunt siguri, radiologii încearcă teste suplimentare pentru decizii mai bune, dar soluțiile actuale IA prezic doar din imagini.

Profesorul Ken Young de la Serviciul Național de Sănătate spune că studiul se potrivește scenariilor reale; studiile anterioare foloseau de obicei seturi mai pregătite de date, ceea ce putea introduce părtinire (biased).

Concluzie Studiul, foarte solid academic și tehnologic, va deschide calea IA în sănătate. Dar sistemele nu au ajuns încă la înlocuirea radiologilor, cum spun titlurile. Totuși, în viitorul apropiat, în diagnostic mașinile par să poată reduce semnificativ nevoia de experți umani. În deciziile terapeutice , IA mai are mult de parcurs.

*

În figura de mai jos puteți vedea definițiile și diferențele dintre 3 termeni informatici noi, frecvenți și apropiați: inteligență artificială, învățare automată și învățare profundă.