هوش مصنوعی تشخیص بیماری را با هزینه‌ای کمتر ممکن می‌کند

شفقنا – توسعه مدل‌های هوش مصنوعی پزشکی معمولاً به توان پردازشی بالا و هزینه‌های قابل‌توجه نیاز دارد، اما اکنون پژوهشگران چارچوبی ارائه کرده‌اند که با ترکیب یک مدل عمومی و مدل‌های تخصصی سبک‌وزن، می‌تواند دقت تشخیص بیماری را افزایش دهد و هزینه سازگار کردن هوش مصنوعی با کاربردهای جدید پزشکی را تا ۱۰۰ برابر کاهش دهد.

به گزارش سرویس ترجمه شفقنا، پژوهشگران دانشگاه علم و فناوری هنگ‌کنگ چارچوبی به نام Generalist-Specialist Collaboration یا GSCo توسعه داده‌اند که با همکاری یک مدل هوش مصنوعی عمومی و چند مدل تخصصی، فرایند تشخیص پزشکی را انجام می‌دهد. این چارچوب به‌گونه‌ای طراحی شده است که بیمارستان‌ها بتوانند برای هر کاربرد جدید، به جای بازآموزی یک مدل بزرگ و پرهزینه، تنها یک مدل تخصصی سبک‌وزن را با داده‌های موردنیاز خود آموزش دهند.

این سامانه بر پایه مدل عمومی MedDr ساخته شده است؛ مدلی که پیش‌تر توسط همین دانشگاه توسعه یافته و با بیش از ۲ میلیون داده چندوجهی پزشکی آموزش دیده است. در GSCo، مدل‌های تخصصی ابتدا موارد مشابه در سوابق پزشکی را شناسایی و پیش‌بینی تشخیصی خود را ارائه می‌کنند و سپس MedDr این اطلاعات را با دانش پزشکی خود ترکیب کرده و نتیجه نهایی را تولید می‌کند.

پژوهشگران عملکرد MedDr و GSCo را روی ۳۲ مجموعه‌داده عمومی شامل حدود ۲۶۰ هزار تصویر پزشکی ارزیابی کردند. این آزمایش‌ها وظایفی مانند تشخیص از روی تصاویر پزشکی، پاسخ‌گویی به پرسش‌های تصویری و تولید گزارش‌های رادیولوژی را دربر می‌گرفت. نتایج نشان داد GSCo در آزمون‌های داخلی و خارجی عملکرد بهتری از ۱۰ مدل پایه بینایی موجود داشت.

در آزمایش تشخیص ضایعات پوستی، GSCo امتیاز ۸۴ از ۱۰۰ را به دست آورد، در حالی که امتیاز MedDr بدون آموزش اختصاصی ۷۵.۴۵ و بهترین مدل تخصصی مستقل ۸۲.۹۲ بود. همچنین در تولید گزارش‌های رادیوگرافی قفسه سینه، شش نفر از هفت رادیولوژیست دارای بورد تخصصی، گزارش تولیدشده توسط GSCo را به گزارش مدل تخصصی R۲GenGPT ترجیح دادند.

یکی از مزیت‌های اصلی GSCo کاهش هزینه توسعه مدل‌های پزشکی است. در این روش، برای اضافه کردن یک کاربرد جدید نیازی به آموزش دوباره مدل عمومی و بزرگ نیست و تنها یک مدل تخصصی سبک‌وزن برای همان کاربرد آموزش داده می‌شود. پژوهشگران می‌گویند این رویکرد می‌تواند هزینه محاسباتی توسعه مدل برای وظایف جدید را تا ۱۰۰ برابر کاهش دهد.

مدل‌های تخصصی همچنین می‌توانند با استفاده از داده‌های اختصاصی هر بیمارستان و روی سخت‌افزارهای نسبتاً معمولی آموزش داده شوند. پژوهشگران می‌گویند این ویژگی به مراکز درمانی اجازه می‌دهد داده‌های حساس بیماران را در محل خود نگه دارند و در عین حال، مدل تخصصی ایجادشده را به‌صورت ناشناس با دیگر مراکز به اشتراک بگذارند.

این چارچوب همچنین در یک آزمایش توانست ۶۷.۶ درصد از تصاویر تومورها را به‌درستی شناسایی کند؛ حتی زمانی که ورودی‌های ارائه‌شده به مدل به‌صورت سیستماتیک دارای سوگیری بودند. پژوهشگران این یافته را نشانه‌ای از توانایی مدل عمومی در حفظ عملکرد در برابر برخی داده‌های سوگیرانه می‌دانند.

تیم تحقیقاتی اعلام کرده است که قصد دارد MedDr را برای تحلیل تصاویر سه‌بعدی پزشکی مانند سی‌تی‌اسکن و MRI و همچنین ویدئوهای پزشکی گسترش دهد. پژوهشگران همچنین در حال بررسی روش‌های پیشرفته‌تر برای بازیابی اطلاعات چندوجهی و همکاری میان مدل‌های عمومی و تخصصی هستند.

در مجموع، GSCo رویکردی را پیشنهاد می‌کند که در آن مدل‌های بزرگ و عمومی وظایف گسترده را بر عهده می‌گیرند و مدل‌های کوچک‌تر و تخصصی، قابلیت‌های موردنیاز برای هر کاربرد پزشکی را به آنها اضافه می‌کنند؛ روشی که می‌تواند موانع محاسباتی و مالی استفاده از هوش مصنوعی در مراکز درمانی را کاهش دهد.

این خبر را اینجا ببینید.