Αυτή η βελτιωμένη απόδοση της διάγνωσης καρκίνου του δέρματος με βάση την τεχνητή νοημοσύνη οφείλεται επίσης στο ότι το μοντέλο ενισχυτικής μάθησης RL μειώνει την υπερβολική εμπιστοσύνη του AI στις δικές του προβλέψεις και κάνει πιο σοβαρές και συμβατές με τον άνθρωπο προτάσεις.
Καρκίνος του Δέρματος Διάγνωση: Η τεχνητή νοημοσύνη (AI) χρησιμοποιείται ήδη για τη διάγνωση του καρκίνου του δέρματος, αλλά δεν μπορεί (ακόμη) να συμβαδίσει με την περίπλοκη λήψη αποφάσεων των γιατρών στην πράξη. Μια διεθνής ερευνητική ομάδα με επικεφαλής τον Harald Kittler του MedUni Vienna έχει τώρα εξερευνήσει μια μέθοδο εκμάθησης στην οποία μπορεί να επιτευχθεί μεγαλύτερη ακρίβεια στα αποτελέσματα της τεχνητής νοημοσύνης ενσωματώνοντας ανθρώπινα κριτήρια λήψης αποφάσεων. Με αυτόν τον τρόπο, το ποσοστό των σωστών διαγνώσεων καρκίνου του δέρματος που έγιναν από δερματολόγους βελτιώθηκε κατά 12%.
Η μελέτη δημοσιεύτηκε στο Nature Medicine. Οι ερευνητές στήριξαν τη μελέτη τους στο μοντέλο ενισχυτικής μάθησης (RL) και ενσωμάτωσαν κριτήρια (ανθρώπινα) με τη μορφή «πίνακες ανταμοιβής» στο σύστημα AI. Οι πίνακες ανταμοιβής είναι εργαλεία που ενσωματώνουν τις θετικές και αρνητικές συνέπειες των κλινικών αξιολογήσεων στη διαδικασία λήψης αποφάσεων τόσο από την οπτική γωνία του γιατρού όσο και του ασθενούς. Σε αυτή τη βάση, τα αποτελέσματα διάγνωσης AI όχι μόνο αξιολογήθηκαν ως σωστά ή λανθασμένα, αλλά «ανταμείφθηκαν» ή «τιμωρήθηκαν» με έναν ορισμένο αριθμό συν ή πλην πόντων ανάλογα με τον αντίκτυπο της διάγνωσης ή τις αποφάσεις που προέκυψαν. Μαθαίνοντας από ανθρώπινες αξιολογήσεις «Με αυτόν τον τρόπο, η τεχνητή νοημοσύνη έμαθε να λαμβάνει υπόψη όχι μόνο τα χαρακτηριστικά που βασίζονται στην εικόνα, αλλά και τις συνέπειες της λανθασμένης διάγνωσης στην εκτίμηση των καλοήθων και κακοήθων εκδηλώσεων του δέρματος», λέει ο επικεφαλής της μελέτης Harald Kittler από το Τμήμα Δερματολογίας στο MedUni Vienna. Ως αποτέλεσμα, όπως δείχνει η μελέτη, η ακρίβεια της διάγνωσης του καρκίνου του δέρματος θα μπορούσε να βελτιωθεί σημαντικά:
Η ευαισθησία για το μελάνωμα, για παράδειγμα, αυξήθηκε από 61,4 σε 79,5% και για βασικοκυτταρικό καρκίνωμα από 79,4 σε 87,1%. Συνολικά, η χρήση του μοντέλου ενισχυτικής μάθησης RL αύξησε το ποσοστό των σωστών διαγνώσεων από τους δερματολόγους κατά 12%, ενώ το ποσοστό των βέλτιστων αποφάσεων για τη διαχείριση και τη θεραπεία της νόσου αυξήθηκε από 57,4 σε 65,3%. Αυτή η βελτιωμένη απόδοση της διάγνωσης καρκίνου του δέρματος με βάση την τεχνητή νοημοσύνη οφείλεται επίσης στο ότι το μοντέλο ενισχυτικής μάθησης RL μειώνει την υπερβολική εμπιστοσύνη του AI στις δικές του προβλέψεις και κάνει πιο σοβαρές και συμβατές με τον άνθρωπο προτάσεις. «Αυτό, με τη σειρά του, βοηθά τους γιατρούς να λαμβάνουν πιο ακριβείς αποφάσεις προσαρμοσμένες σε μεμονωμένους ασθενείς σε περίπλοκα ιατρικά σενάρια», είπε ο Χάραλντ Κίτλερ. Αν και η τρέχουσα εργασία επικεντρώθηκε, κυρίως, στη διάγνωση του καρκίνου του δέρματος, οι βασικές ιδέες θα μπορούσαν επίσης να χρησιμοποιηθούν σε άλλους τομείς της λήψης ιατρικών αποφάσεων.
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
