محققان مایکروسافت از هوش مصنوعی در خدمات درمانی استفاده می‌کنند

هوش مصنوعی در خدمات درمانی تحولات شگفت‌انگیزی را ایجاد کرده است و امروزه، استفاده از تصاویر برای ساخت مدل‌‌های هوش مصنوعی که تشخیص‌دهنده بیماری‌‌‌‌ها هستند، به یک موضوع تحقیقاتی فعال در اکوسیستم هوش مصنوعی تبدیل شده است. اما ثبت الگوها در یک شرایط خاص و با تصاویر مشخص، مستلزم استقرار یک مدل برای انواع خدمات پزشکی است.

کاملاً مشخص است که تصاویر یک منبع‌‌‌‌ می‌‌تواند به دلیل جمعیت‌شناسی‌‌‌‌، تجهیزات و ابزارهای ثبت‌‌‌‌‌‌کننده اطلاعات، کاملا بی‌طرف نباشد‌‌‌‌. این بدان معناست که آموزش یک مدل هوش مصنوعی با چنین تصاویری باعث‌‌‌‌ می‌‌شود آن سامانه هوشمند عملکرد خوبی برای دیگر جمعیت‌‌‌‌ها نداشته باشد و به نوعی سوگیرانه عمل کند.

در جستجوی راه‌حلی برای این مشکل‌‌‌‌، محققان مایکروسافت و دانشگاه بریتیش کلمبیا چارچوبی به نام (FELICIA) را ایجاد کردند. این مدل، از خانوادهشبکه های مولد تخاصمی(GAN) است و یک محیط یادگیری اشتراکی را توسعه‌‌‌‌ می‌‌دهد.

این تیم که در تلاش است به هوش مصنوعی در خدمات درمانی تعریفی کاربردی ببخشد، در این زمینه‌‌‌‌ می‌‌گوید: مدل هوش مصنوعی FELICIA‌‌‌‌ می‌‌تواند ذینفعانی همچون مراکز پزشکی را قادر سازد تا با یکدیگر همکاری کنند و مدل‌‌‌‌ها را با حفظ حریم خصوصی و با استفاده از روش‌‌های توزیع داده به اشتراک بگذارند.

شبکه‌‌های مولد تخاصمی یا همان GAN‌‌‌‌ ها مدل‌‌های هوش مصنوعی دو بخشی هستند که از یک ژنراتور تشکیل شده‌اند. این ژنراتور وظیفه ایجاد تفکیک‌‌‌‌‌‌کننده و نمونه‌‌‌‌ها را بر عهده دارد و از این طریق، سعی در تفکیک میان نمونه‌‌های تولیدشده و نمونه‌‌های دنیای واقعی دارد. الگوریتم‌‌های محلی بر روی نمونه‌‌های داده‌‌های محلی آموزش داده‌‌‌‌ می‌‌شوند و وزن‌‌‌‌ها‌‌‌‌، یا پارامترهای قابل یادگیری الگوریتم‌‌‌‌ها‌‌‌‌، با تولید برخی از فرکانس‌‌‌‌ها‌‌‌‌، بین الگوریتم‌‌‌‌ها مبادله‌‌‌‌ می‌‌شوند تا یک مدل کلی تولید کنند.

پیشنهاد محققان این است که با استفاده از FELICIA‌‌‌‌، یک معماری جدید متشکل از دو شبکه ایجاد کنند که تفکیک‌‌‌‌‌‌کننده و مولد باشد و بدین منظور از شبکه‌‌های مولد تخاصمی (GAN) به سایر جفت‌‌های «شبکه مولد – تفکیک کننده» سازگار استفاده کنند. محققان پیشنهاد‌‌‌‌ می‌‌کنند یک تفکیک‌‌‌‌‌‌کننده حریم خصوصی تقریباً یکسان با سایر تفکیک‌کنندگان انتخاب شده است و بیشترین تلاش برای بهینه‌‌سازی آموزش بر کل داده‌‌های آموزش برای ایجاد اسکن‌‌های تصویر پزشکی واقعی اما ترکیبی است.

در آزمایش‌های این مدل هوش مصنوعی در خدمات درمانی، محققان دست به شبیه‌سازی دو بیمارستان با جمعیت‌‌های متفاوت زدند.‌‌‌ این شبیه‌‌سازی با درنظرگرفتن مجموعه‌‌‌‌ای از مقررات بسیار محدود‌‌‌‌‌‌کننده انجام شد که از اشتراک تصاویر جلوگیری‌‌‌‌ می‌‌کرد. این تیم از مجموعه داده‌‌‌‌ای از ارقام دست‌نویس (MNIST) استفاده کردند تا ببینند آیا FELICIA‌‌‌‌ می‌‌تواند به تولید داده‌‌های مصنوعی با کیفیت بالا کمک کند؟ آن‌‌‌‌ها همچنین یک مجموعه داده پیچیده‌تر با نام CIFAR10 را تهیه کردند تا نشان دهند چگونه وقتی نوع خاصی از تصویر در داده‌‌‌‌ها کم نمایش داده‌‌‌‌ می‌‌شود‌‌‌‌، ابزار‌‌‌‌ می‌‌تواند به طور قابل توجهی بهبود یابد. در نهایت‌‌‌‌، آن‌‌‌‌ها FELICIA را در یک مجموعه یادگیری اشتراکی با تصاویر پزشکی و با استفاده از یک مجموعه داده مربوط به تصاویر ضایعات پوستی آزمایش کردند.

به گفته محققان‌‌‌‌، نتایج آزمایش‌‌‌‌ها نشان‌‌‌‌ می‌‌دهد که FELICIA کاربرد بالقوه گسترده‌‌‌‌ای در تنظیم و بهینه‌‌سازی پژوهش‌‌های مربوط به خدمات بهداشتی و درمانی دارد. این هوش مصنوعی‌‌‌‌ می‌‌تواند مجموعه داده‌‌های تصویری پزشکی را بهبود بخشد و آن‌‌‌‌ها را با کیفیت بهتری به عنوان خروجی ارائه دهد. این ویژگی به پزشکان و کادر درمانی این امکان را‌‌‌‌ می‌‌دهد که در تشخیص بیماری یا نارسایی بهتر عمل کنند. این هوش مصنوعی در مواردی همچون طبقه‌بندی تصاویر آسیب‌شناسی سرطان و مواردی از این دست مورد استفاده قرار‌‌‌‌ می‌‌گیرد. با استفاده از این مدل هوش مصنوعی در خدمات درمانی به راحتی می‌توان از خطاهای انسانی در تشخیص پزشکی پیشگیری کرد.

اگر داده‌‌هایی که برای آموزش یک هوش مصنوعی مورد استفاده قرار‌‌‌‌ می‌‌گیرند تنها از یک مرکز تحقیقاتی تامین شود، نتیجه این است که مدل به‌دست‌آمده با توجه به داده‌‌های موجود و آموزش‌دیده عمل‌‌‌‌ می‌‌کند و خروجی‌های آن نسبت به جمعیت غالب، به نوعی سوگیرانه خواهد بود. مدل FELICIA‌‌‌‌ می‌‌تواند به کاهش سوگیری سامانه‌‌های هوش مصنوعی در خدمات درمانی کمک کند. بدین منظور به سایت‌‌های سراسر جهان اجازه ایجاد یک مجموعه داده مصنوعی بر اساس جمعیت عمومی داده شده است.

در آینده‌‌‌‌، محققان قصد دارند FELECIA را با شبکه‌‌های مولد تخاصمی پیاده‌‌سازی کنند؛ چرا که این مدل‌‌‌‌ می‌‌تواند تصاویر پزشکی بسیار پیچیده مانند سی تی اسکن‌‌‌‌، اشعه ایکس و اسلایدهای هیستوپاتولوژی را نیز تولید کند.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.