اگر کشور شما ثروتمند باشد ، هوش مصنوعی می تواند به تشخیص برخی بیماری ها کمک کند


وعده های هوش مصنوعی برای تشخیص بیماری با تخصص در تصاویر و اسکن های پزشکی. با این حال ، نگاه دقیق به داده های مورد استفاده برای آموزش الگوریتم ها برای تشخیص شرایط چشم نشان می دهد که این ابزارهای قدرتمند جدید ممکن است نابرابری های سلامتی را تداوم بخشند.

تیمی از محققان در انگلستان 94 مجموعه داده را تجزیه و تحلیل کردند – با بیش از 500000 تصویر – که معمولاً برای آموزش الگوریتم های هوش مصنوعی برای تشخیص بیماری های چشم استفاده می شود. آنها دریافتند که تقریباً تمام داده ها از بیماران آمریکای شمالی ، اروپا و چین تهیه شده است. فقط چهار مجموعه داده از جنوب آسیا ، دو مورد از آمریکای جنوبی و دیگری از آفریقا آمده است. چیزی از اقیانوسیه نیامده است.

بیشتر بخوان:  مردی که آرام صحبت می کند - ارتش سایبری بزرگی را رهبری می کند

شیائوکسوان لیو ، چشم پزشک و محقق از دانشگاه بیرمنگام که در این تحقیق نقش داشته است ، می گوید تضاد در منبع این تصاویر چشمی به این معنی است که الگوریتم های اسکن چشم هوش مصنوعی برای کار با گروه های قومی از کشورهای کم نماینده کمتر است. او می گوید: “حتی اگر در برخی از جمعیت ها تغییرات بسیار جزئی در بیماری وجود داشته باشد ، هوش مصنوعی می تواند به سختی شکست بخورد.”

انجمن چشم پزشکان آمریكا علاقه زیادی به ابزارهای هوش مصنوعی نشان داده است ، كه به گفته آنها نوید می دهد تا به بهبود استانداردهای مراقبت كمك كند. اما لیو می گوید پزشکان ممکن است تمایلی به استفاده از چنین ابزاری برای اقلیت های قومی نداشته باشند ، اگر بدانند که آنها از مطالعه بیماران عمدتا سفید پوست ساخته شده اند. او پیشنهاد می کند که الگوریتم ها ممکن است به دلیل تفاوت های بسیار ظریف از کار بیفتند ، به طوری که خود پزشکان نیز از آن چشم پوشی نمی کنند.

بیشتر بخوان:  اگر قایق را به نهنگ خرد کنید چه اتفاقی می افتد؟

محققان مشکلات دیگری نیز در این داده ها پیدا کردند. بسیاری از مجموعه داده ها شامل اطلاعات جمعیت شناختی کلیدی ، از جمله سن ، جنسیت و قومیت نبودند ، که سنجش تعصب آنها از راه های دیگر را دشوار می کند. مجموعه داده همچنین در چند بیماری ایجاد شده است: گلوکوم ، رتینوپاتی دیابتی و تخریب ماکولای وابسته به سن. چهل و شش مجموعه داده که برای آموزش الگوریتم ها استفاده شده است ، داده ها را در دسترس قرار نمی دهد.

FDA در سال های اخیر چندین محصول تصویربرداری از هوش مصنوعی را تأیید کرده است ، از جمله دو ابزار هوش مصنوعی برای چشم پزشکی. لیو می گوید شرکت های پشت این الگوریتم ها معمولاً جزئیاتی درباره نحوه آموزش آنها ارائه نمی دهند. او و همكارانش ، از برگزاركنندگان می خواهند كه هنگام بررسی ابزارهای هوش مصنوعی ، از تنوع داده های آموزش استفاده كنند.

تعصب در مجموعه داده های تصویر چشم به این معنی است که الگوریتم های آموزش داده شده روی این داده ها بعید است در آفریقا ، آمریکای لاتین یا آسیای جنوب شرقی به درستی کار کنند. این امر می تواند یکی از مزایای بزرگ تشخیص عیب یابی AI را تضعیف کند: توانایی آن در آوردن تخصص پزشکی خودکار به فقیرترین مناطقی که فاقد آن است.

بیشتر بخوان:  'Spellbreak' چرخشی منحصر به فرد در Battle Royale را به ذهن متبادر می کند

لیو می گوید: “شما نوآوری کسب می کنید که فقط به بخشهای خاصی از گروههای خاص منتفع می شود.” “این مانند داشتن نقشه های گوگل است که به کدپستی خاصی وارد نمی شود.”

عدم تنوع در تصاویر چشم ، که محققان آن را “فقر داده” نامیده اند ، احتمالاً بسیاری از الگوریتم های هوش مصنوعی پزشکی را تحت تأثیر قرار می دهد.

آمیت کوشال ، استادیار پزشکی در دانشگاه استنفورد ، بخشی از تیمی بود که 74 مطالعه مربوط به استفاده پزشکی از هوش مصنوعی را تجزیه و تحلیل کرد ، 56 مورد از آنها از داده های بیماران آمریکایی استفاده می کرد. آنها دریافتند كه بیشتر اطلاعات آمریكا از سه ایالت كالیفرنیا (22) ، نیویورك (15) و ماساچوست (14) است.

راهنمای سیم برای هوش مصنوعی

الگوریتم های فوق العاده هوشمند همه مشاغل را به خود اختصاص نمی دهند ، اما آنها سریعتر از هر زمان دیگری یاد می گیرند ، از تشخیص پزشکی گرفته تا نمایش تبلیغات.

بیشتر بخوان:  FBI و وزارت امنیت داخلی می گویند که هکرها به سیستم های انتخاباتی دسترسی پیدا می کنند

كوشال می گوید: “وقتی زیر گروه های جمعیتی بطور سیستماتیک از داده های آموزش هوش مصنوعی حذف شوند ، الگوریتم های هوش مصنوعی تمایل دارند كه برای گروه های خارج شده عملکرد بدتری داشته باشند.” “مشکلات پیش روی جمعیت کم بازده ممکن است به دلیل کمبود اطلاعات موجود توسط محققان هوش مصنوعی مورد مطالعه قرار نگیرد.”

وی می گوید راه حل این است كه محققان و پزشكان هوش مصنوعی را از این مسئله آگاه كنند تا آنها به دنبال مجموعه های متنوع تری از داده ها باشند. وی می گوید: “ما باید زیرساخت های فنی ایجاد كنیم كه دسترسی به داده های مختلف را برای تحقیقات هوش مصنوعی فراهم كند و یك محیط سازمانی را كه از استفاده پژوهشگران از این داده ها حمایت و محافظت می كند ، ایجاد كنیم.”

بیشتر بخوان:  8 بهترین پروژکتور (2020): برد کوتاه ، قابل حمل ، تأخیر کم و موارد دیگر

ویکاش گوپتا ، دانشمند تحقیق در کلینیک مایو در فلوریدا که در زمینه استفاده از هوش مصنوعی در رادیولوژی کار می کند ، می افزاید: داده های متنوع تر می تواند تعصب را از بین ببرد. وی می گوید: “دشوار است که بگوییم در حال حاضر چگونه این مشکل را حل کنیم”.


منبع: حافظ استدیو

لینک ها کوتاه شده

tinyurl.com/y4jsmpbr
is.gd/ykbv3q
shrtco.de/KqnhJ
clck.ru/RLGjM
u.nu/3rwp4
ulvis.net/ednH

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پست بعدی

نوتردام ، فلوریدا: به تعداد

ی اکتبر 11 , 2020
2 نوتردام پشتیبانانی را که در طی برد 42-26 مقابل فلوریدا از سد تکانه 100 حیاط عبور کرده اند: دانشجوی سال اول کرن ویلیامز (185) دانشجوی دختر کریس تایری (103) آخرین باری که Fighting Irish در یک مسابقه با عجله تعداد بازیکنان قرن خود را از دست داد ، مسابقه […]