Yeni bir araşdırma göstərir ki, süni intellekti patoloqların xərçəng əlamətlərini axtarış üsulunu təqlid edəcək şəkildə öyrətmək, onun toxuma nümunələrindəki şübhəli sahələri aşkar etmək qabiliyyətini artıra bilər.

Patologiyada istifadə olunan bir çox süni intellekt sistemi toxuma preparatını (slaydını) sabit hissələrə bölüb təhlil etməyə əsaslanır; həkimlər isə daha çevik bir yanaşma tətbiq edirlər: onlar əvvəlcə preparatı geniş miqyasda nəzərdən keçirir, sonra böyütmə səviyyəsini dəyişərək və müxtəlif sahələr arasında hərəkət edərək qeyri-normal görünən hissələrə diqqət yetirirlər.

Bu metodun əhəmiyyəti ondadır ki, toxuma preparatı milyardlarla pikseldən ibarət ola bilər, lakin xərçəngin mövcudluğunu göstərən əlamətlər çox kiçik bir sahə ilə məhdudlaşa bilər.

Pensilvaniya Universitetinin patologiya və laboratoriya təbabəti üzrə dosenti və araşdırmanın həmmüəlliflərindən biri olan Çi Huanq bu prosesi itkin düşmüş insanları axtaran helikopterlə müqayisə edərək izah edib ki, həkim işə kiçik bir ərazini araşdırmaqla başlamır, əksinə, yaxından baxışa keçməzdən əvvəl bütün mənzərəni nəzərdən keçirir.

Huanq və həmkarları süni intellekti yalnız patoloqların əldə etdiyi yekun nəticələrə əsasən deyil, həm də preparatları araşdırarkən nümayiş etdirdikləri davranışlara uyğun olaraq öyrətmək üçün bir metod hazırladılar.

Süni İntellekt Həkimin Metodundan Öyrənir

Tədqiqatçılar səkkiz mütəxəssisdən məlumat toplayaraq, onların preparatlar üzərindəki hərəkətlərini və şübhəli sahələri axtararkən istifadə etdikləri böyütmə səviyyələrini qeydə aldılar. Daha sonra onlar təsadüfi hərəkətləri kənarlaşdırdılar və müəyyən bir sahəyə qarşı real marağı əks etdirən davranışlara – məsələn, daha uzun müddət dayanmağa və ya həmin bölgəni təkrar-təkrar nəzərdən keçirməyə – diqqət yetirdilər.

Tədqiqatçılar sistemin həkimlərin həqiqətən diqqət yetirdiyi sahələri öyrəndiyini təsdiqləmək üçün bu məlumatları göz hərəkətlərinin izlənilməsi (eye-tracking) nəticəsində əldə edilən məlumatlarla müqayisə etdilər. Onlar həmçinin süni intellekt modelindən hər bir sahənin niyə əhəmiyyətli olduğuna dair qısa izahat verməsini istədilər və bununla da həkimlərə həmin izahatı qəbul etmək, dəyişdirmək və ya rədd etmək imkanı yaratdılar.

Tədqiqatçılar bu məlumatlardan istifadə edərək "Pathology-o3" adlandırdıqları bir sistem qurdular; bu sistem işə preparatı aşağı təsvir ölçüsündə (rezolyusiyada) skan etməklə başlayır, sonra daha ətraflı araşdırma tələb edən sahələri müəyyən edir və həmin sahələrin yüksək təsvir ölçülü təsvirlərini təhlil üçün süni intellekt modelinə göndərir.

Perspektivli Nəticələr, Lakin Hələ Kafi Deyil

Tədqiqatçılar "Pathology- "Pathology-o3" xərçəng hüceyrələri olan bütün preparatları (slaydları) müəyyən edə bildi və müsbət halların aşkarlanmasında 100% dəqiqlik nümayiş etdirdi. Bununla belə, sistemin müsbət kimi təsnif etdiyi preparatların 15,5%-i əslində xərçəngsiz idi.

"o3" modeli isə zədələnmiş preparatların müəyyən edilməsində 87,5% dəqiqlik əldə etdi, lakin onun müsbət kimi təsnif etdiyi preparatların 53,3%-i əslində mənfi nəticəli idi.

Sistem əvvəllər qarşılaşmadığı müstəqil məlumat dəsti üzərində sınaqdan keçirilərkən, xərçəng aşkar edilmiş preparatları müəyyən etməkdə dəqiqlik göstəricisi 97,6%-ə çatdı; eyni zamanda, müsbət kimi təsnif edilən halların 37,1%-i əslində mənfi idi.

Tədqiqatçılar hesab edirlər ki, yüksək səviyyəli "yalançı müsbət" (false positive) nəticələr sistemin dizaynı ilə əlaqəli ola bilər; belə ki, sistem xərçəng əlamətlərini gözdən qaçırma ehtimalını azaltmaq məqsədilə əlavə müayinə tələb edən sahələri seçməyə meyllidir.

Tədqiqatda iştirak etməyən Stenford Universitetinin məlumat mütəxəssisi (data scientist) Məhəmməd Əsədi bildirib ki, bu nəticələr sistemin müxtəlif mənbələrdən əldə edilən preparatlarla potensial olaraq istifadə oluna biləcəyini göstərir, lakin hələlik həkimlərin ondan istifadə edərkən daha dəqiq və ya daha sürətli işləyəcəyini sübut etmir.

O, həkimlərə kömək edə bilərmi?

Tədqiqatın məqsədi "Pathology-o3"-ün patoloqlardan daha yaxşı nəticə göstərə biləcəyini və ya xərçəng diaqnozunu müstəqil şəkildə qoya biləcəyini sübut etmək deyil, əksinə, süni intellekti həkimin axtarış metodu əsasında öyrətməyin onun performansını yaxşılaşdırıb-yaxşılaşdırmayacağını yoxlamaq idi.

Huang hesab edir ki, bu yanaşmanın əsas dəyəri xəstəxanalarda mövcud olan, lakin süni intellekt təlimində kifayət qədər istifadə olunmayan məlumatlardan istifadə etməkdədir.

Tədqiqatçılar sistemin patoloqlarla birlikdə istifadəsinin daha çox sayda xərçəng halını aşkar etməyə və daha tez işləməyə kömək edib-etmədiyini müəyyən etmək üçün izləmə sınaqları keçirməyi planlaşdırırlar.

Əsədi hesab edir ki, hazırda sistemin ən ağıllı istifadəsi həkimi daha çox araşdırma tələb edən sahələrə yönəldən ilkin müayinə vasitəsidir. Bununla belə, o, sistemin dəqiqliyini və sürətini, eləcə də yalançı həyəcan siqnallarının tezliyini və həkimlər üçün əlavə edə biləcəyi iş yükünü ölçmək üçün birdən çox xəstəxananı əhatə edən sınaqlara ehtiyac olduğunu vurğulayır.

Sistem həmçinin xəstənin tibbi tarixçəsini nəzərdən keçirməklə yanaşı, bir neçə slaydın təhlilini və müxtəlif boyama üsullarından istifadəni tələb edə biləcək tam diaqnostik proseslə müqayisədə məhduddur. Bu səbəbdən Huang vurğulayır ki, məqsədi süni intellekt diaqnozu təkbaşına həll etmək deyil: "Mən iddia etməzdim ki, o, diaqnozu təkbaşına qoymalıdır".


Reportyor.az 





MARAQLI / KARUSEL