Η τεχνητή νοημοσύνη μπορεί να αναγνωρίζει μοτίβα σε ιατρικές εικόνες και να βοηθά στον εντοπισμό πιθανών κακοηθειών, όμως η υψηλή ακρίβεια ενός συστήματος συνολικά δεν σημαίνει ότι κάθε επιμέρους διάγνωσή του είναι εξίσου αξιόπιστη. Αυτό το πρόβλημα επιχειρεί να αντιμετωπίσει ερευνητική ομάδα από το Πανεπιστήμιο του Πίτσμπουργκ στις ΗΠΑ, σχεδιάζοντας ένα μοντέλο τεχνητής νοημοσύνης που δεν περιορίζεται στην πρόβλεψη για την πιθανότητα καρκίνου του μαστού, αλλά λαμβάνει υπόψη και την αβεβαιότητα της εκτίμησής του για κάθε μεμονωμένη ασθενή. Για την ανάπτυξη και την εφαρμογή του συστήματος, οι ερευνητές αξιοποίησαν τον υπερ-υπολογιστή Bridges-2 του Pittsburgh Supercomputing Center. Στόχος τους είναι να δώσουν στους επαγγελματίες υγείας ένα επιπλέον στοιχείο για την αξιολόγηση των αποτελεσμάτων, ώστε να μπορούν να ξεχωρίζουν τις περιπτώσεις στις οποίες η τεχνητή νοημοσύνη εμφανίζει υψηλή βεβαιότητα από εκείνες στις οποίες η πρόβλεψή της χρειάζεται πιο προσεκτικό έλεγχο.
Η προσέγγιση αυτή αφορά ένα κρίσιμο ζήτημα στην εφαρμογή της τεχνητής νοημοσύνης στην ιατρική. Ένα σύστημα μπορεί να εμφανίζει υψηλό ποσοστό σωστών προβλέψεων σε ένα μεγάλο σύνολο εξετάσεων, αλλά να αποτυγχάνει σε συγκεκριμένες εικόνες ή σε ασθενείς των οποίων τα χαρακτηριστικά διαφέρουν από εκείνα των δεδομένων με τα οποία εκπαιδεύτηκε. Στη διάγνωση του καρκίνου, όπου ένα λανθασμένο αποτέλεσμα μπορεί να επηρεάσει σημαντικές αποφάσεις για περαιτέρω εξετάσεις ή θεραπεία, η δυνατότητα αναγνώρισης αυτών των περιπτώσεων αποκτά ιδιαίτερη βαρύτητα.
Γιατί δεν αρκεί ένα υψηλό ποσοστό ακρίβειας
Τα συστήματα βαθιάς μάθησης εκπαιδεύονται σε μεγάλες συλλογές εικόνων, στις οποίες οι σωστές διαγνώσεις έχουν ήδη επισημανθεί από ανθρώπους. Μέσα από αυτή τη διαδικασία μαθαίνουν να αναγνωρίζουν χαρακτηριστικά που συνδέονται με συγκεκριμένες παθήσεις και να παράγουν προβλέψεις για νέες εξετάσεις. Ωστόσο, η πιθανότητα που αποδίδει ένα μοντέλο σε μια διάγνωση δεν αποτελεί από μόνη της εγγύηση ότι η πρόβλεψη είναι σωστή, ούτε αποτυπώνει πάντοτε επαρκώς τους περιορισμούς του συστήματος σε μια ασυνήθιστη ή δύσκολη περίπτωση.
Η ερευνητική ομάδα επιδίωξε να ενσωματώσει την εκτίμηση της αβεβαιότητας στον σχεδιασμό του μοντέλου, αντί να την αντιμετωπίσει ως πρόσθετο χαρακτηριστικό εκ των υστέρων. Με αυτόν τον τρόπο, το σύστημα μπορεί να παρέχει μια εκτίμηση για την αξιοπιστία της πρόβλεψής του σε επίπεδο μεμονωμένης ασθενούς και όχι μόνο μια συνολική μέτρηση της απόδοσής του σε έναν πληθυσμό.
Αυτή η διάκριση έχει πρακτική σημασία για τους ακτινολόγους. Όταν η τεχνητή νοημοσύνη επισημαίνει μια ύποπτη περιοχή αλλά εμφανίζει υψηλή αβεβαιότητα, το αποτέλεσμα θα μπορούσε να λειτουργήσει ως ένδειξη ότι απαιτείται προσεκτικότερη ανθρώπινη αξιολόγηση. Αντίθετα, μια πρόβλεψη με μεγαλύτερη αξιοπιστία μπορεί να προσφέρει πρόσθετη πληροφορία στον ειδικό, χωρίς να υποκαθιστά την κλινική κρίση του.
ΔΕΙΤΕ ΕΠΙΣΗΣ
- Εκατοντάδες κρούσματα σαλμονέλωσης από μολυσμένες ντομάτες – Ασθενείς σε 4 διαφορετικές χώρες
- Βενέτης: «Καμπάνα» της Περιφέρειας Αττικής για παραβάσεις στο υποκατάστημα του Αεροδρομίου Αθηνών
- Πασίγνωστη αεροπορική εταιρεία κόβει πτήσεις και… αποζημιώσεις λόγω κρίσης – «Ξεκρέμαστοι» χιλιάδες επιβάτες
- Το έντομο που αν σε τσιμπήσει μπορεί να σε κάνει αλλεργικό στο κρέας
- Τι γυρεύουν οι κολοσσοί Microsoft και OpenAI στη σοκολάτα που κάνει ντεμπούτο τον Δεκέμβρη;
- Τελικά έφταιγε ο CEO ή φταίνε οι τιμές; – Κολοσσός σοκολάτας ανακαλύπτει ότι οι συνεχείς ανατιμήσεις έχουν …πικρή γεύση
- Νέο πρόστιμο στα Public: 4.000 ευρώ για ελλιπή ενημέρωση καταναλωτών
- Στο στόχαστρο Nestlé και Unilever για παραπλανητικούς ισχυρισμούς υγείας σε δημοφιλή προϊόντα
