
بروزرسانی: 27 خرداد 1404
محققان مراقبت های بهداشتی باید مراقب سوء استفاده از هوش مصنوعی -- ScienceDaily باشند
به همراه گروهی از دانشمندان از بریتانیا و سنگاپور، محققان تاکید می کنند که اگرچه دستورالعمل هایی برای تنظیم استفاده از ML در تحقیقات بالینی تدوین شده است، این دستورالعمل ها تنها زمانی قابل اجرا هستند که تصمیم برای استفاده از ML گرفته شده باشد و نمی پرسند که آیا یا زمانی که استفاده از آن در وهله اول مناسب باشد.
موضوع دیگر این است که اکثر الگوریتم های ML و یادگیری عمیق (که دستورالعمل های صریح در مورد نتیجه را دریافت نمی کنند) اغلب هنوز به عنوان یک "جعبه سیاه" در نظر گرفته می شوند. به عنوان مثال، در آغاز همه گیری COVID-19، دانشمندان الگوریتمی را منتشر کردند که می تواند عفونت های کروناویروس را از روی عکس های ریه پیش بینی کند. پس از آن، معلوم شد که الگوریتم بر اساس نقش حرف R (برای ریه راست) در عکس ها، که همیشه در نقطه ای کمی متفاوت در اسکن ها یافت می شد، نتیجه گیری کرده است.
این تیم در حال کار بر روی سازماندهی یک تلاش بین المللی برای ارائه راهنمایی در مورد استفاده از ML و آمار سنتی، و همچنین راه اندازی یک پایگاه داده بزرگ از داده های بالینی ناشناس است که می تواند از قدرت الگوریتم های ML استفاده کند.
به عنوان مثال، شرکت ها الگوریتم های ML را برای تشخیص چهره ها و اشیاء جاده ای با استفاده از میلیاردها تصویر و ویدیو آموزش داده اند. اما وقتی نوبت به استفاده از آنها در محیط های بهداشتی می رسد، اغلب بر روی داده های ده ها، صدها یا هزاران آموزش دیده اند. محققان می نویسند: "این بر فقر نسبی کلان داده ها در مراقبت های بهداشتی و اهمیت کار برای دستیابی به حجم نمونه هایی که در صنایع دیگر به دست آمده است، و همچنین اهمیت یک تلاش هماهنگ و بین المللی برای به اشتراک گذاری کلان داده ها برای داده های بهداشتی تاکید می کند." .
یک تیم بین المللی از محققان، که در مجله می نویسند طب طبیعت، توصیه می کند که باید مراقب باشید تا از یادگیری ماشینی (ML) در تحقیقات بهداشتی استفاده نادرست یا بیش از حد استفاده نشود.
منبع داستان:
مواد تهیه شده توسط دانشکده پزشکی Duke-NUS. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
منبع
دکتر ویکتور ولوویچی، ویراستار آمار و آموزش جراح مغز و اعصاب، نویسنده اول نظر از مرکز پزشکی دانشگاه اراسموس ام سی هلند، گفت: «من کاملاً به قدرت ML اعتقاد دارم، اما باید یک مکمل مرتبط باشد. گاهی اوقات الگوریتم های ML بهتر از روش های آماری سنتی عمل نمی کنند، که منجر به انتشار مقالاتی می شود که ارزش بالینی یا علمی ندارند.»
اگر از طریق ML، الگوهایی را کشف کنیم که در غیر این صورت نمی توانستیم ببینیم - مانند تصاویر رادیولوژی و آسیب شناسی - باید بتوانیم توضیح دهیم که چگونه الگوریتم ها به آنجا رسیده اند تا امکان بررسی و تعادل را فراهم کنیم.
مثال های دنیای واقعی نشان داده اند که استفاده نادرست از الگوریتم ها در مراقبت های بهداشتی می تواند تعصبات انسانی را تداوم بخشد یا به طور ناخواسته باعث آسیب وقتی که ماشین ها بر روی مجموعه داده های مغرضانه آموزش داده می شوند.
محققان توصیه می کنند که الگوریتم های ML باید در برابر رویکردهای آماری سنتی (در صورت امکان) قبل از استفاده در تحقیقات بالینی ارزیابی شوند. و هنگامی که مناسب تشخیص داده شود، آنها باید به جای جایگزینی، تصمیم گیری پزشک را تکمیل کنند. محققان می نویسند: "محققان ML باید محدودیت های الگوریتم ها و مدل های خود را بشناسند تا از استفاده بیش از حد و سوء استفاده از آنها جلوگیری کنند، که در غیر این صورت می تواند باعث بی اعتمادی و آسیب به بیمار شود."
استادیار نان لیو، نویسنده ارشد این نظر، از مرکز پزشکی کمی و می گوید: "بسیاری بر این باورند که ML مراقبت های بهداشتی را متحول خواهد کرد، زیرا ماشین ها به طور عینی تر از انسان ها انتخاب می کنند. اما بدون نظارت صحیح، مدل های ML ممکن است بیش از فایده آسیب برساند." برنامه تحقیقاتی خدمات و سیستم های بهداشتی در دانشکده پزشکی Duke-NUS، سنگاپور.
دکتر ولوویچی درباره این حادثه گفت: «ما باید از این ایده خلاص شویم که ML می تواند الگوهایی را در داده هایی که ما نمی توانیم آن ها را درک کنیم، کشف کنیم. "ML به خوبی می تواند الگوهایی را کشف کند که ما نمی توانیم مستقیماً آنها را ببینیم، اما پس از آن باید بتوانید توضیح دهید که چگونه به این نتیجه رسیده اید. برای انجام این کار، الگوریتم باید بتواند نشان دهد که چه مراحلی را طی کرده است، و اینکه نیاز به نوآوری دارد."
نویسنده: تیم تحریریه Matthew Newman