در نهایت، محققان از هشت انکولوژیست تشعشع خواستند تا وظایف تقسیم‌بندی را انجام دهند و همچنین تقسیم‌بندی‌هایی را که توسط پزشک متخصص دیگر یا الگوریتم تولید می‌شود (به آنها گفته نشده است) ویرایش کنند. تفاوت معنی داری در عملکرد بین همکاری های انسان و هوش مصنوعی و تولید انسان وجود نداشت (از نو) تقسیم بندی ها جالب اینجاست که پزشکان هنگام ویرایش یک بخش‌بندی تولید شده با هوش مصنوعی در مقایسه با نمونه‌ای که به صورت دستی تولید می‌شد، 65 درصد سریع‌تر و با 32 درصد تغییرات کمتر کار می‌کردند، حتی اگر نمی‌دانستند کدام یک را ویرایش می‌کنند. آنها همچنین کیفیت بخش‌های ترسیم شده توسط هوش مصنوعی را نسبت به بخش‌بندی‌های متخصص انسانی در این مطالعه کور رتبه‌بندی کردند.
این مطالعه توسط مؤسسه ملی بهداشت (U24CA194354، U01CA190234، و U01CA209414) تأمین مالی شده است.
محققان از تصاویر سی تی 787 بیمار برای آموزش مدل خود برای تشخیص تومورها از سایر بافت ها استفاده کردند. آنها عملکرد الگوریتم را با استفاده از اسکن های بیش از 1300 بیمار از مجموعه داده های خارجی که به طور فزاینده ای بیرونی بودند، آزمایش کردند. توسعه و اعتبارسنجی الگوریتم مستلزم همکاری نزدیک بین دانشمندان داده و انکولوژیست های تشعشع است. به عنوان مثال، زمانی که محققان مشاهده کردند که الگوریتم سی‌تی اسکن‌های مربوط به غدد لنفاوی را به اشتباه تقسیم می‌کند، مدل را با تعداد بیشتری از این اسکن‌ها برای بهبود عملکرد آن دوباره آموزش دادند.
سرطان ریه، شایع ترین سرطان در سراسر جهان، تقریباً در نیمی از موارد با پرتودرمانی (RT) مورد هدف قرار می گیرد. برنامه ریزی RT یک فرآیند دستی و با منابع فشرده است که ممکن است روزها تا هفته ها طول بکشد تا تکمیل شود و حتی پزشکان بسیار آموزش دیده در تعیین میزان بافتی که باید با پرتو هدف قرار دهند متفاوت هستند. علاوه بر این، انتظار می رود با افزایش نرخ سرطان، کمبود پزشکان و کلینیک های پرتودرمانی-انکولوژی در سراسر جهان افزایش یابد. محققان و همکاران بیمارستان بریگهام و زنان، که تحت برنامه هوش مصنوعی در پزشکی Mass General Brigham کار می کنند، یک الگوریتم یادگیری عمیق را توسعه داده و تأیید کردند که می تواند تومور سرطان ریه سلول غیر کوچک (NSCLC) را شناسایی و ترسیم کند (“قطعه”) توموگرافی کامپیوتری (CT) در عرض چند ثانیه. تحقیقات آنها، منتشر شده در Lancet Digital Healthهمچنین نشان می‌دهد که انکولوژیست‌های تشعشعی که از الگوریتم در کلینیک‌های شبیه‌سازی‌شده استفاده می‌کنند و همچنین پزشکانی که از الگوریتم استفاده نمی‌کنند، عملکرد خوبی دارند، در حالی که ۶۵ درصد سریع‌تر کار می‌کنند.
ریموند مک، نویسنده مسئول بخش انکولوژی تشعشع بریگام، گفت: “بزرگترین شکاف ترجمه در کاربردهای هوش مصنوعی در پزشکی، عدم مطالعه نحوه استفاده از هوش مصنوعی برای بهبود پزشکان انسانی و بالعکس است.” “ما در حال مطالعه چگونگی ایجاد مشارکت و همکاری بین انسان و هوش مصنوعی هستیم که منجر به نتایج بهتر برای بیماران می شود. مزایای این رویکرد برای بیماران شامل ثبات بیشتر در تقسیم بندی تومورها و تسریع زمان درمان است. مزایای پزشک شامل کاهش دنیوی اما عادی است. کار سخت کامپیوتری، که می تواند فرسودگی شغلی را کاهش دهد و زمان صرف کردن با بیماران را افزایش دهد.”
مواد تهیه شده توسط بیمارستان بریگام و زنان. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
منبع
Hugo Aerts، دکترای بخش انکولوژی تشعشعی، یکی از نویسندگان این مطالعه گفت: «این مطالعه یک استراتژی ارزیابی جدید برای مدل‌های هوش مصنوعی ارائه می‌کند که بر اهمیت همکاری انسان و هوش مصنوعی تأکید می‌کند. “این به ویژه ضروری است زیرا در سیلیکو ارزیابی های (مدل کامپیوتری) می تواند نتایج متفاوتی نسبت به ارزیابی های بالینی بدهد. رویکرد ما می تواند به هموار کردن راه به سوی استقرار بالینی کمک کند.”
در ادامه، محققان قصد دارند این کار را با مدل‌های هوش مصنوعی که قبلا طراحی کرده‌اند ترکیب کنند که می‌تواند «ارگان‌های در معرض خطر» دریافت پرتوهای نامطلوب را در طول درمان سرطان (مانند قلب) شناسایی کند و در نتیجه آنها را از پرتودرمانی حذف کند. آنها به مطالعه نحوه تعامل پزشکان با هوش مصنوعی ادامه می‌دهند تا اطمینان حاصل کنند که مشارکت‌های هوش مصنوعی به جای آسیب رساندن به عملکرد بالینی کمک می‌کنند و در حال توسعه یک الگوریتم تقسیم‌بندی مستقل دوم هستند که می‌تواند هم تقسیم‌بندی‌های انسانی و هم تقسیم‌بندی‌های مبتنی بر هوش مصنوعی را تأیید کند.
منبع داستان:
