بازوی تحقیقاتی علی بابا یک مدل هوش مصنوعی منبع باز ارائه کرده است که می تواند نزدیک به 150 بیماری شکمی - از جمله سرطان - را با خواندن اسکن های توموگرافی کامپیوتری (CT) شناسایی کند، که آخرین گام در توسعه برنامه هوش مصنوعی پزشکی گروه فناوری چینی است.

به گزارش ساوت چاینا مورنینگ پست، این مدل که Damo Radar نام دارد توسط آکادمی Damo، مؤسسه تحقیقاتی علی بابا توسعه یافته و در مطالعه ای که روز پنجشنبه در مجله Science منتشر شد، توضیح داده شد. این موسسه روز جمعه انتشار متن باز را اعلام کرد. برخلاف سیستم‌های تجاری بسته، یک مدل منبع باز می‌تواند توسط بیمارستان‌ها و محققان بارگیری، بازرسی و تطبیق داده شود - یک مدل توزیعی که می‌تواند پذیرش در کلینیک‌هایی را که هرگز نمی‌توانند یک ابزار تشخیصی اختصاصی را مجوز دهند، سرعت بخشد. For more context on this story, see our ongoing AI news.

یک مدل عمومی برای تصویربرداری پزشکی

این موسسه گفت که Damo Radar یک مدل زبان بینایی است که برای تجزیه و تحلیل سی تی اسکن با کنتراست تقویت شده که 18 اندام شکمی را پوشش می دهد و طیف وسیعی از بیماری ها و سایر ناهنجاری ها از جمله تومورهای بدخیم را شناسایی می کند. سازندگان آن آن را به‌عنوان «نخستین مدل تصویربرداری پزشکی عمومی در سطح متخصص جهان» توصیف می‌کنند - یک سیستم واحد که برای خواندن یافته‌های مختلف به‌جای یک ابزار باریک آموزش دیده برای تشخیص یک بیماری طراحی شده است.

این جاه طلبی عمومی، آن را از اکثر سیستم‌های هوش مصنوعی پزشکی که تاکنون مستقر شده‌اند، متمایز می‌کند، که معمولاً برای یک کار واحد، مانند تشخیص یک نوع تومور، ساخته و تایید شده‌اند. یک مدل واحد که شامل 146 یافته بالینی متمایز است، اگر در خارج از آزمایشگاه باقی بماند، می‌تواند اقتصاد استقرار هوش مصنوعی را در بخش‌های رادیولوژی تغییر دهد، جایی که دوجین ابزار تک منظوره غیرعملی به اثبات رسیده است.

این مدل بر روی سی‌تی اسکن همراه با گزارش‌های بالینی آموزش داده شد، رویکردی که به سیستم می‌آموزد آنچه را که در تصویر ظاهر می‌شود با زبانی که پزشکان برای توصیف آن استفاده می‌کنند، مرتبط کند. به گزارش پست، تیم تحقیقاتی گفت که این روش آموزشی در نهایت می تواند به انواع دیگر تصویربرداری پزشکی نیز تعمیم یابد.

تست شده در برابر رادیولوژیست های شاغل

اعداد سرفصل از ارزیابی در نزدیک به 40000 امتحان در دنیای واقعی بدست می آیند. این مطالعه گزارش داد که در میان 146 یافته بالینی، Damo Radar به سطح متوسط ​​زیر منحنی (AUC) 0.913 دست یافت، که معیاری آماری از عملکرد تشخیصی است که در آن 1.0 نشان دهنده دقت کامل است.

مقایسه با خوانندگان انسانی بیشترین دقت را به خود جلب خواهد کرد. طبق این تحقیق، در مطالعه‌ای که شامل 26 رادیولوژیست از چندین بیمارستان بود، میانگین دقت مدل از 23 شرکت‌کننده فراتر رفت. آکادمی Damo گفت و هنگامی که رادیولوژیست ها با کمک مدل کار کردند، توانایی خود را برای جلوگیری از تشخیص از دست رفته 10 درصد بهبود بخشیدند در حالی که زمان مورد نیاز برای هر مورد را بیش از 30 درصد کاهش دادند.

این تحقیق شامل چندین موسسه در کنار علی بابا، از جمله بیمارستانی وابسته به دانشگاه ژجیانگ بود. انتشار در Science، یکی از منتخب ترین مجلات علمی، به نتایج سطحی از بررسی خارجی را می دهد که معیارهای حمایت شده توسط فروشنده اغلب فاقد آن هستند - اگرچه عملکرد دنیای واقعی همیشه به اسکن ها، تجهیزات و جمعیت بیمارانی که یک بیمارستان واقعاً می بیند بستگی دارد.

چرا منبع باز مهم است

رها کردن وزنه ها به طور آشکار یک انتخاب قابل توجه برای فناوری حساس پزشکی است. فروشندگان اختصاصی معمولاً مدل های پزشکی را بسته نگه می دارند و به قوانین و ایمنی اشاره می کنند. انتشار باز به محققان مستقل امکان می دهد حالت های خرابی را بررسی کنند، به بیمارستان ها اجازه می دهد مدل را بر روی زیرساخت خود بدون ارسال اطلاعات بیمار به فروشنده خارجی اجرا کنند، و به امکانات کوچکتر دسترسی به قابلیت هایی می دهد که در غیر این صورت برای سیستم های بیمارستانی بزرگ محفوظ است.

همچنین به این معنی است که علی بابا کنترل کمتری بر نحوه استفاده از مدل اعمال می کند. در دسترس بودن باز تأیید بالینی نیست: تنظیم‌کننده‌ها در هر حوزه قضایی همچنان تصمیم خواهند گرفت که آیا و چگونه این مدل می‌تواند بر روی بیماران مستقر شود یا خیر، و بیمارستان‌ها باید آن را بر روی تجهیزات و جمعیت خود تأیید کنند.

یک نکته قابل توجه: ساوت چاینا مورنینگ پست متعلق به علی بابا است، واقعیتی که این روزنامه در گزارش خود فاش می کند. انتشار مطالعه اساسی در Science تأیید مستقلی از خود تحقیق را ارائه می دهد، اما چارچوب اعلامیه روز جمعه ناگزیر از طرف این شرکت است.

فشار هوش مصنوعی پزشکی گسترده تر علی بابا

Damo Radar اولین حرکت علی بابا در زمینه تصویربرداری تشخیصی نیست. به گزارش پست، آکادمی Damo سال‌های اخیر را صرف توسعه ابزارهای غربالگری هوش مصنوعی کرده است تا به پزشکان در شناسایی سرطان‌های پانکراس، معده و کولورکتال و همچنین تشریح آئورت کمک کند. در ماه آوریل، این بخش مدلی به نام کوکا را منتشر کرد که با همکاری مؤسساتی از جمله بیمارستان عمومی گوانگدونگ ساخته شده بود، که به گفته این شرکت نسبت به رادیولوژیست ها در تشخیص سرطان کولورکتال در مراحل اولیه در سی تی اسکن حساس تر است.

پیشرفت از غربالگرهای تک بیماری به سمت یک مدل عمومی نشان‌دهنده یک شرط گسترده‌تر است: این که مدل‌های بزرگ زبان بینایی که بر روی تصاویر و گزارش‌های زوجی آموزش دیده‌اند، می‌توانند کار تشخیص الگو را جذب کنند که در حال حاضر به زمان متخصص کمی نیاز دارد. کمبود رادیولوژیست در بسیاری از سیستم‌های بهداشتی حاد است و برنامه‌های غربالگری اسکن‌های بسیار بیشتری نسبت به آن چیزی که متخصصان می‌توانند با توجه یکسان بخوانند تولید می‌کنند.

بعد چه می آید

انتشار منبع باز یک شروع است، نه یک استقرار. بیمارستان‌هایی که این مدل را در نظر می‌گیرند به اعتبار محلی در اسکن‌های خود نیاز دارند و استفاده بالینی به بررسی نظارتی کشور به کشور بستگی دارد. اما شواهد منتشر شده در این هفته - نزدیک به 40000 امتحان در دنیای واقعی، مقایسه سر به سر با رادیولوژیست‌های شاغل و کاهش 30 درصدی زمان مطالعه با کمک هوش مصنوعی - به Damo Radar پایه قوی‌تری نسبت به بسیاری از مدل‌هایی که به‌عنوان بیانیه‌های مطبوعاتی معرفی می‌شوند، می‌دهد. اینکه آیا مدل‌های تصویربرداری پزشکی عمومی تبدیل به ابزار استاندارد بیمارستانی می‌شوند یا به نقطه عطف تحقیقاتی باقی می‌مانند، به نحوه عملکرد آنها در محیط آشفته‌تر عمل بالینی روزمره بستگی دارد.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →