به گزارش اطلاعات آنلاین به نقل از نیچر، بسیاری از سیستم‌های هوش مصنوعی، نواحی از پیش انتخاب شده یک نمونه بافت را تجزیه و تحلیل می‌کنند یا کل یک اسلاید آسیب‌شناسی را به تکه‌هایی با اندازه ثابت تقسیم می‌کنند. در مقابل، یک آسیب‌شناس به صورت پویاتری جستجو می‌کند، در سراسر بافت حرکت می‌کند، بزرگنمایی می‌کند و روی مناطقی که پرچم‌های قرمز را بالا می‌برند، مکث می‌کند. یک اسلاید کامل می‌تواند شامل میلیاردها پیکسل باشد، در حالی که شواهد سرطان ممکن است فقط یک تکه کوچک را اشغال کند.

یک پژوهش جدید نشان می‌دهد که الگوریتم‌های هوش مصنوعی (AI) که به دنبال سرطان هستند، ممکن است وقتی مانند یک آسیب‌شناس انسانی به تجزیه و تحلیل می‌پردازند، کار بهتری انجام دهند.

آموزش هوش مصنوعی برای جستجوی سرطان

الگوریتم‌های هوش مصنوعی به نام مدل‌های زبان بینایی (VLM) با اولین مرحله‌  یعنی اسکن اولیه مشکل دارند. این تا حدودی به این دلیل است که بسیاری از سیستم‌های هوش مصنوعی پاتولوژی از آنچه پاتولوژیست‌ها در پایان آن جستجو باقی می‌گذارند، یاد می‌گیرند: یک تصویر برچسب‌گذاری شده که محل سرطان را نشان می‌دهد یا یک تشخیص رسمی.

در عوض، محققان هوش مصنوعی جدید خود را بر اساس رفتار جستجوی پاتولوژیست‌ها آموزش دادند. آنها این رویکرد آموزش را "Pathology-CoT" نامیدند که مخفف "زنجیره تفکر" است. این رویکرد، اقدامات قابل مشاهده، از جمله محل حرکت پاتولوژیست‌ها و بزرگنمایی تصویر را به داده‌های آموزشی تبدیل می‌کند.

برای جمع‌آوری داده‌ها، این تیم ابزاری ایجاد کرد که نحوه حرکت پاتولوژیست‌ها در اطراف یک اسلاید و تغییر بزرگنمایی را ثبت می‌کرد. گزارش‌های خام که از هشت پاتولوژیست جمع ‌آوری شده بود، نامرتب بودند؛ زیرا یک پاتولوژیست ممکن بود در یک اسلاید حرکت کند، از ناحیه مورد نظر خود برای تمرکز فراتر رود یا با بزرگنمایی دستکاری کند تا آن را مطابق میل خود تنظیم کند.

برای پاکسازی داده‌ها، محققان آن حرکات تصادفی را فیلتر کردند و بر لحظاتی که به نظر می‌رسید نشان‌دهنده توجه عمدی هستند، مانند مکث روی یک نما یا حرکت چرخشی مداوم، تمرکز کردند. سپس، آنها آن مناطق را با داده‌های ردیابی چشم مقایسه کردند تا بررسی کنند که آیا نرم‌افزار محل مورد نظر پاتولوژیست‌ها را ثبت می‌کند یا خیر.

برای هر ناحیه‌ای که یک پاتولوژیست بررسی می‌کرد، الگوریتم VLM همچنین یک منطق کوتاه تهیه می‌کرد که توضیح می‌داد چرا آن ناحیه ارزش بررسی دارد و چه ویژگی‌هایی قابل مشاهده است. سپس پاتولوژیست‌های انسانی می‌توانستند منطق را بپذیرند، ویرایش کرده یا رد کنند و داده‌های آموزشی اضافی برای هوش مصنوعی ایجاد کنند. در یک مثال، هوش مصنوعی بخشی از یک اسلاید را به عنوان یک ناحیه بالقوه متاستاتیک علامت‌گذاری کرد و پیشنهاد داد که برای جستجوی سلول‌های غیرعادی بزرگنمایی شود. سایر نواحی بررسی شده به عنوان بافت سالم علامت‌گذاری شدند.

در نهایت، محققان از این روش آموزشی برای ساخت ابزاری جدید به نام Pathology-o۳ استفاده کردند. این ابزار یک اسلاید را با وضوح پایین اسکن می‌کند، از مدلی که بر اساس رفتار پاتولوژیست‌ها آموزش دیده است برای انتخاب نواحی که ارزش بررسی دقیق‌تر را دارند استفاده می‌کند، سپس نماهای با وضوح بالاتر از آن نواحی را برای تجزیه و تحلیل به VLM ارسال می‌کند.

آزمایش

به گفته پژوهشگران، هدف از مطالعه جدید نشان دادن این نبود که Pathology-o۳ بهتر از مدل‌های تخصصی هوش مصنوعی عمل می‌کند که به‌ طور خاص برای تشخیص انواع خاص سرطان ساخته شده‌اند؛ این مدل‌ها اغلب بیماری به بیماری آموزش داده می‌شوند. در عوض، محققان می‌خواستند ببینند که آیا رویکرد آموزشی جدید آنها می‌تواند به یک هوش مصنوعی عمومی کمک کند تا یک اسلاید پاتولوژی را به‌طور مؤثرتری هدایت کند یا خیر.

آنها Pathology-o۳ را با سایر سیستم‌های هوش مصنوعی عمومی، مانند  o۳ OpenAI، مقایسه کردند و از الگوریتم‌ها خواستند تا اسلایدهای حاوی بافت غدد لنفاوی را بررسی کنند. این اسلایدها از موارد سرطان کولورکتال جمع‌آوری شده بودند و برخی حاوی سرطان متاستاتیک بودند که پاتولوژیست‌های انسانی قبلاً آنها را برچسب‌گذاری کرده بودند.

محققان سعی کردند آزمایش را روی یک مجموعه داده مستقل که الگوریتم‌ها قبلاً ندیده بودند، تکرار کنند تا ببینند که چقدر روی اسلایدهای ناآشنا خوب کار می‌کند.  Pathology-o۳  در ۹۷.۶ درصد مواقع اسلایدهایی را که برای سرطان مثبت بودند، به درستی شناسایی کرد. از اسلایدهایی که به عنوان مثبت شناسایی کرد، ۳۷.۱ درصد در واقع منفی بودند. این یافته نمونه‌ای از چگونگی تغییر عملکرد هوش مصنوعی هنگام تغییر منبع داده است، حتی زمانی که وظیفه پزشکی ثابت می‌ماند.

این نتیجه نشان می‌دهد که سیستم هنوز می‌تواند با اسلایدهایی از منبع متفاوت کار کند. اما این نتیجه هنوز نشان نمی‌دهد که استفاده از این ابزار، پاتولوژیست‌ها را در عمل دقیق‌تر یا کارآمدتر می‌کند.

آیا می‌تواند به پاتولوژیست‌ها کمک کند؟

محققان رویکرد آموزشی خود را بر روی چندین VLM موجود اعمال کردند و دریافتند که عملکرد مدل‌ها پس از آموزش به طور مداوم بهبود یافته است. این نشان می‌دهد که داده‌های ناوبری از پاتولوژیست‌ها در همه زمینه‌ها مفید بوده است.

محتمل‌ترین کاربرد این سیستم به عنوان یک ابزار پیش‌غربالگری است اما تحقیقات هنوز نشان نداده است که پزشکانی که از آن استفاده می‌کنند، سریع‌تر یا دقیق‌تر می‌شوند.

نکته مهم این است که تشخیص سرطان می‌تواند به اطلاعات چندین اسلاید، لکه‌ها و سابقه پزشکی بیمار نیاز داشته باشد، در حالی که سیستم فعلی فقط یک اسلاید را در هر زمان می‌خواند.