پیش‌بینی پیشرفت سرطان سینه به‌کمک هوش مصنوعی

شیوع سرطان در بین زنان سفیدپوست و سیاه‌پوست برابر نیست و در تکنیک جدید هوش مصنوعی این موضوع در نظر گرفته شده است.

پیش‌بینی پیشرفت سرطان سینه به‌کمک هوش مصنوعی

آزمایشگاه علوم کامپیوتر و هوش مصنوعی مؤسسه‌ی فناوری ماساچوست (MIT) مدل پیش‌بینی یادگیری عمیق را طراحی کرده که می‌تواند پیشرفت سرطان سینه را تا پنج سال جلوتر پیش‌بینی کند. پژوهشگرانی که روی این محصول کار می‌کنند، دریافتند پروژه‌های مشابه دیگر اغلب دچار کمی سوگیری هستند؛ زیرا آن‌ها به‌شدت مبتنی بر جوامع بیماران سفیدپوست بوده و به‌طور خاص مدل خود را طوری طراحی کرده‌اند که بخش آموزش آن‌ها با استفاده از اطلاعات مرتبط با زنان سفیدپوست انجام ‌شود.

پژوهشگران خاطرنشان می‌کنند این موضوع اهمیت دارد؛ چراکه احتمال مرگ زنان سیاه‌پوست در اثر سرطان سینه ۴۲ درصد بیش از زنان سفیدپوست است و یکی از عوامل تأثیرگذار در این مسئله، احتمالا ناتوانی تکنیک‌های تشخیص زودهنگام فعلی است. پژوهشگران MIT می‌گویند هدفشان از این کار طراحی تکنیکی دقیق‌تر برای ارزیابی خطرهای سلامتی در این گروه از افراد است که اغلب در توسعه‌ی مدل‌های یادگیری عمیق به‌خوبی نشان داده نمی‌شوند.
مقاله‌های مرتبط:

استفاده از هوش مصنوعی برای پیش‌بینی رشد سرطان
رمزگشایی دقیق سلول‌های سرطانی و معرفی درمانی جدید برای سرطان سینه
معرفی روش درمان جدید برای سرطان سینه تهاجمی

موضوع سوگیری الگوریتمی تمرکز بسیاری از پژوهش‌های صنعتی و حتی محصولات آینده‌ی شرکت‌های فناوری است که روی گسترش یادگیری ماشین کار می‌کنند. این ابزار MIT که برای بخش آموزش آن از اطلاعات ماموگرام‌ها و نتایج (توسعه‌ی نهایی سرطان) بیش از ۶۰ هزار بیمار (درمجموع بیش از ۹۰ هزار ماموگرام) بیمارستان عمومی ماساچوست استفاده شده، از یادگیری عمیق برای شناسایی الگوهایی استفاده می‌کند که آشکار نیست یا حتی پزشکان انسانی نمی‌توانند مشاهده‌ کنند. ازآنجاکه این رویکرد مبتنی بر فرضیه‌های موجود یا دانش دریافتی درباره‌ی عوامل خطرساز نیست، نتایج نشان داده که به‌‌ویژه در پیش‌بینی پیشرفت بیماری دقیق هستند.

به‌طور کلی این پروژه قصد دارد به متخصصان مراقبت‌های بهداشتی کمک کند برنامه‌ی غربالگری مناسبی برای افراد تحت مراقبت خود ارائه کنند و نتایج دل‌خراش و شایع حاصل از تشخیص دیرهنگام این بیماری را از بین ببرند. پژوهشگران امیدوار هستند این تکنیک بتواند برای بهبود تشخیص بیماری‌های دیگری نیز استفاده شود که مدل‌های مشابه و دقت پیش‌بینی کمی دارند.

 

منبع : زومیت