دقت ۹۶ درصدی هوش مصنوعی CHIEF در تشخیص سرطان

 بر اساس یک مطالعه جدید، CHIEF با دقت 96 درصدی در تشخیص 19 نوع مختلف سرطان، از سیستم‌های هوش مصنوعی موجود پیشی می‌گیرد. محققان تطبیق‌پذیری CHIEF را با ChatGPT مقایسه می‌کنند، که مدل زبانی می‌باشد و به دلیل توانایی‌ خود در انجام انواع وظایف گسترده توجه زیادی جلب کرده است. CHIEF یک مدل هوش مصنوعی دیداری بسیار تخصصی است، که قادر به درک ورودی‌های بصری می‌باشد و در مقابل رویکرد عمومی که در مدل‌های سنتی مانند: GPT-4V یا LlaVA مشاهده می‌شود، برای ارزیابی تصاویر بسیار دقیق سلول‌های سرطانی آموزش دیده است. به جای آموزش برای شناسایی عناصر عمومی مانند: گربه‌ها یا پرتقال‌ها، هوش مصنوعی CHIEF روی یک مجموعه داده چندوجهی عظیم، شامل 15 میلیون تصویر بدون برچسب و 60.000 تصویر از برش‌های کامل بافت از 19 مکان مختلف آناتومیک آموزش دیده است.

هوش مصنوعی CHIEF در تشخیص سرطان دقت 96 درصدی دارد

از طریق پیش‌آموزش روی 44 ترابایت از مجموعه داده‌های تصویربرداری پاتولوژی با وضوح بالا، CHIEF نمایه‌های میکروسکوپی مفیدی برای تشخیص سلول‌های سرطانی، شناسایی منبع تومور، توصیف مشخصات مولکولی و پیش‌بینی، استخراج کرد. این تحقیق نشان می‌دهد که این مدل هوش مصنوعی بهتر از حد انتظار عمل می‌کند. هسینگ یو، محقق ارشد این مطالعه اظهار کرد هدف ما ایجاد یک پلتفرم هوش مصنوعی چندکاره مانند ChatGPT بود که بتواند وظایف گسترده‌ای در ارزیابی سرطان انجام دهد. مدل ما در وظایف مختلف مرتبط با تشخیص سرطان، پیش‌بینی و پاسخ به درمان در چندین نوع سرطان بسیار مفید بوده است.» محققان CHIEF را روی بیش از 19.400 تصویر از 32 مجموعه داده مستقل جمع‌آوری‌شده، به‌ طور جهانی آزمایش کردند و آن در مقایسه با روش‌های هوش مصنوعی پیشرفته تا 36.1 درصد عملکرد بهتری داشت. همچنین این هوش مصنوعی در تمایز بین بیماران با نرخ‌های بقای بالا و پایین دقیق‌تر بود و توانست بینش دقیقی از نمونه‌های بافتی مختلف ارائه دهد. محققان برنامه‌ریزی می‌کنند که CHIEF را با تصاویر بیماری‌های نادر، شرایط غیرسرطانی و بافت‌های پیش‌سرطانی آموزش دهند تا دقت آن را بهبود بخشند. آنها همچنین انتظار دارند که با افزودن داده‌های بیشتر به این مدل، توانایی آن را در شناسایی تهاجم سرطان و پیش‌بینی اثرات درمان‌های جدید بهبود بخشند.

نقش گسترده‌ هوش مصنوعی در تشخیص سرطان و فراتر از آن

محققان مدتی است که از هوش مصنوعی برای پیشرفت در تشخیص، شناسایی و درمان سرطان و سایر بیماری‌ها استفاده می‌کنند. به عنوان مثال، محققان دانشگاه کمبریج مدل هوش مصنوعی به نام EMethylNET معرفی کرده‌اند که از داده‌های DNA نمونه‌های بافتی برای تشخیص 13 نوع سرطان با دقت ۹۸ درصد استفاده می‌کند. این مدل که با بیش از ۶,۰۰۰ نمونه بافتی آموزش دیده است، پتانسیل هوش مصنوعی در شناسایی زودهنگام سرطان از طریق متیلاسیون DNA را که نقش حیاتی در رشد سرطان دارد، نشان می‌دهد. مدل دیگری به نام CancerGPT از یک مدل زبان بزرگ برای پیش‌بینی نحوه تأثیر ترکیب‌های دارویی بر بافت‌های نادر در بیماران سرطانی استفاده می‌کرد. این مدل نشان داد که مدل‌های پیش‌آموزشی می‌توانند در مواقعی که داده‌ها و نمونه‌های ساختاری کمیاب هستند، بسیار ارزشمند باشند. CancerGPT قادر به تعمیم پیش‌بینی‌ها و استفاده از پژوهش‌های پزشکی قبلی بود تا بینش‌های قابل توجهی ارائه کند، هرچند محققان هنوز نگران پدیده‌های توهم هوش مصنوعی بودند.

همکاری‌های مختلف در استفاده از هوش مصنوعی در پزشکی

گوگل و iCAD نیز برای بهبود روش‌های تشخیصی سرطان با استفاده از هوش مصنوعی با یکدیگر همکاری کردند. سیستم هوش مصنوعی آنها در دقت از رادیولوژیست‌های متخصص پیشی گرفت و با توجه به کمبود جهانی رادیولوژیست‌ها، راه‌حلی قابل قبول ارائه داد و دسترسی به غربالگری سرطان سینه را بهبود بخشید. تکنولوژی هوش مصنوعی دیگری به نام Sturgeon توسط جراحان مغز برای کمک به تشخیص تومورهای سیستم عصبی مرکزی در زمان واقعی با دقت ۹۰ درصد استفاده می‌شود. هوش مصنوعی CHIEF به صورت متن باز است و برای دانلود در صفحه گیت‌هاب پروژه در دسترس می‌باشد تا محققان (یا هر کس دیگری) بتوانند تصاویر خود را وارد و آن را به صورت محلی اجرا کنند.