روش جدید پژوهشگران دانشگاه «ام‌آی‌تی» به برطرف کردن عدم قطعیت مدل‌های هوش مصنوعی کمک می‌کند تا این مدل‌ها بتوانند اطلاعات بهتری را برای تصمیم‌گیری در اختیار پژوهشگران و پزشکان قرار دهند.

ابهام در تصویربرداری پزشکی می‌تواند چالش‌های بزرگی را برای پزشکانی که سعی در شناسایی بیماری دارند، ایجاد کند. به عنوان مثال، در عکس‌برداری با اشعه ایکس از قفسه سینه، تجمع غیر طبیعی مایع در ریه‌ها می‌تواند بسیار شبیه به بیماری مزمن انسدادی ریه باشد.

به نقل از ام‌آی‌تی نیوز، مدل جدید هوش مصنوعی دانشگاه «ام‌آی‌تی»(MIT) می‌تواند با کمک به شناسایی جزئیات ظریف و افزایش کارآیی فرآیند تشخیص، به پزشک در تحلیل اشعه ایکس کمک کند، اما از آنجا که بسیاری از بیماری‌ها ممکن است در یک تصویر پزشکی وجود داشته باشند، پزشک احتمالا می‌خواهد مجموعه‌ای از احتمالات را در نظر بگیرد، نه این که فقط یک پیش‌بینی هوش مصنوعی برای ارزیابی داشته باشد.

پژوهشگران دانشگاه ام‌آی‌تی یک روش ساده و مؤثر ابداع کرده‌اند که می‌تواند اندازه مجموعه‌های پیش‌بینی را تا ۳۰ درصد کاهش دهد و پیش‌بینی‌ها را بیشتر قابل اعتماد کند.

داشتن یک مجموعه پیش‌بینی کوچک‌تر می‌تواند به پزشک کمک کند تا تشخیص درست را به طور مؤثرتری انجام دهد. این کار می‌تواند درمان بیماران را بهبود ببخشد و ساده‌تر کند. این روش می‌تواند برای طیف گسترده‌ای از وظایف طبقه‌بندی مانند شناسایی گونه‌های یک حیوان در تصویری از یک پارک حیات وحش سودمند باشد، زیرا مجموعه‌ای کوچک‌تر اما دقیق‌تر از گزینه‌ها را ارائه می‌دهد. «دیویا شانموگام»(Divya Shanmugam) از پژوهشگران این پروژه گفت: با در نظر گرفتن سطوح کمتر، مجموعه پیش‌بینی‌ها طبیعتا آموزنده‌تر هستند، زیرا شما بین گزینه‌های کمتری انتخاب می‌کنید.

این روش می‌تواند غیر قابل اعتماد باشد، زیرا تغییرات کوچک در ورودی‌ها مانند چرخاندن جزئی یک تصویر می‌توانند مجموعه‌های کاملا متفاوتی را از پیش‌بینی‌ها به همراه بیاورند. پژوهشگران برای کارآمدتر کردن طبقه‌بندی، از روشی به نام «TTA» استفاده کردند که برای بهبود دقت مدل‌های بینش رایانه‌ای توسعه داده شده است.

روش TTA چندین نمونه تقویت‌شده از یک تصویر واحد را در یک مجموعه داده ایجاد می‌کند. سپس، یک مدل بینش رایانه‌ای را روی همه نسخه‌های همان تصویر اعمال می‌کند و پیش‌بینی‌های خود را گرد هم می‌آورد. شانموگام ادامه داد: بدین ترتیب، شما چندین پیش‌بینی را از یک مثال واحد دریافت می‌کنید. تجمیع پیش‌بینی‌ها به این روش، دقت و پایداری آنها را بهبود می‌بخشد.

پژوهشگران می‌خواهند در آینده اثربخشی روش خود را در مدل‌هایی که متن را به جای تصاویر طبقه‌بندی می‌کنند، مورد تأیید قرار دهند. آنها برای بهبود بیشتر کار خود در حال بررسی راه‌هایی برای کاهش میزان محاسبات مورد نیاز TTA هستند.