معجزه هوش مصنوعی؛ تشخیص بیماری‌ با ۵ درصد داده‌های پزشکی

ابزار جدید هوش مصنوعی می‌تواند آموزش نرم‌افزارهای تحلیل تصاویر پزشکی را برای پزشکان و پژوهشگران به‌مراتب ساده‌تر و کم‌هزینه‌تر کند، حتی زمانی که تنها تعداد معدودی اسکن بیمار در دسترس است.

این ابزار هوش مصنوعی، فرآیند بخش‌بندی تصاویر پزشکی (medical image segmentation) را متحول می‌کند. در این فرآیند، هر پیکسل در تصویر بر اساس ماهیتش برچسب‌گذاری می‌شود (مثلاً بافت سرطانی یا بافت سالم). این کار معمولاً توسط متخصصان انجام می‌شود و یادگیری عمیق (deep learning) قابلیت خودکارسازی این فرآیند پر زحمت را دارد. در این میان، چالش اصلی این است که روش‌های مبتنی‌ بر یادگیری عمیق به داده‌های عظیم نیاز دارند.

لی ژانگ (Li Zhang)، دانشجوی دکتری مهندسی برق و کامپیوتر دانشگاه کالیفرنیا سن‌دیه‌گو می‌گوید: این سیستم‌ها به حجم بالایی از تصاویر حاشیه‌نویسی‌شده پیکسل‌به‌پیکسل نیاز دارند که تولیدشان متکی به نیروی متخصص، زمان و هزینه زیاد است. برای بسیاری از بیماری‌ها و محیط‌های بالینی، اساساً این میزان داده وجود ندارد.

ژانگ و گروهش به سرپرستی پروفسور پنگتائو شیه (Pengtao Xie)، نوعی ابزار هوش مصنوعی طراحی کرده‌اند که می‌تواند بخش‌بندی تصاویر را تنها با تعداد معدودی نمونه برچسب‌گذاری‌شده توسط متخصص یاد بگیرد.

این فناوری، حجم داده مورد نیاز را تا یک‌بیستم کاهش می‌دهد. امکان توسعه ابزارهای تشخیصی سریع‌تر و مقرون‌به‌صرفه را فراهم می‌کند و به‌ویژه برای بیمارستان‌ها و درمانگاه‌های با منابع محدود تحول‌آفرین خواهد بود.

این گروه پژوهشی قصد دارد ابزار هوش مصنوعی خود را هوشمندتر و همه‌کاره‌تر کند و بازخورد متخصصان بالینی را در فرآیند آموزش بگنجانند تا کاربردی‌بودن داده‌های تولیدشده افزایش یابد.