علوم القطيف مقالات علمية في شتى المجالات العلمية
New AI-powered deep learning model to support medical diagnostics
( Andrew Lyle, University of Alberta – بواسطة: أندرو لايلي ، جامعة ألبرتا)
ملخص المقالة:
يتعلم نموذج التعلم العميق الجديد التعرف على الأمراض من عمليات المسح الطبي بشكل أسرع وأكثر دقة، وفقًا لبحث جديد أجراه فريق من علماء الحوسبة في جامعة ألبرتا وشركة “ميدو” المنبثقة من الجامعة. ولا يتمكن الباحثون عادةً من الوصول إلا إلى بضع مئات من صور المسح الطبي لأسباب تتعلق بالخصوصية. مما يؤدي الى أداء ضعيف للنموذج بسبب قلة الحالات المستخدمة لتدريبه. ولتفادي ذلك يمكن الاستفادة من الأدبيات الطبية لتوجيه عملية التعلم بشكل أفضل، بالإضافة إلى التشخيص “الاحتمالي” المقابل، المقدم بشكل غير مباشر من قبل الخبراء الطبيين. ومن المؤمل أن يساهم نموذج التعلم العميق هذا في حل مشكلة ندرة العاملين الطبيين التي تتفاقم في البلدان النامية.
( المقالة )
يمكن لنموذج التعلم العميق الجديد أن يتعلم التعرف على الأمراض من عمليات المسح الطبي بشكل أسرع وأكثر دقة، وفقًا لبحث جديد أجراه فريق من علماء الحوسبة في جامعة ألبرتا وشركة “ميدو” (MEDO) المنبثقة من الجامعة. نموذج الاختراق هو عمل فريق من الباحثين في كلية العلوم – بما في ذلك مساهمات بونه غورجي، وهي طالبة دراسات عليا فقدت في الرحلة رقم PS752 [رحلة الخطوط الجوية الدولية الأوكرانية 752 مجدولة من طهران الى كييف وقد اسقطت عن طريق الخطأ في 8 يناير 2020].
إن التعلم العميق هو نوع من التعلم الآلي – حقل فرعي من الذكاء الاصطناعي؛ تقنيات العلم العميق هي خوارزميات حاسوبية تجد انماطا في مجموعات كبيرة من البيانات، وتنتج نماذج يمكن استخدامها بعد ذلك لعمل تنبؤات، تعمل هذه النماذج بشكل أفضل عندما تتعلم من مئات الآلاف أو حتى ملايين الأمثلة. ولكن مجال التشخيص الطبي يمثل تحديًا فريدًا، حيث لا يتمكن الباحثون عادةً من الوصول إلا إلى بضع مئات من صور المسح الطبي لأسباب تتعلق بالخصوصية.
وقال روبرتو فيجا، المؤلف الرئيسي للدراسة وطالب الدراسات العليا في قسم علوم الحوسبة: “عندما يتم تدريب نموذج التعلم العميق مع حالات قليلة جدًا، يكون أداؤه ضعيفًا”.
وأضاف: “تناولنا في دراستنا مشكلة كيفية تعلم نماذج التعلم العميق الفعالة للمهام الطبية مع حالات تدريب قليلة. الفكرة الرئيسية هي أنه يمكننا الاستفادة من المعرفة الموجودة في الأدبيات الطبية لتوجيه عملية التعلم بشكل أفضل”.
وتأتي التحسينات في الأداء من تدريب الخوارزمية على الصور الطبية بالإضافة إلى التشخيص “الاحتمالي” المقابل، المقدم بشكل غير مباشر من قبل الخبراء الطبيين. ويتيح هذا النهج للخوارزمية معرفة الأنماط التي تميز كل مرض في عمليات المسح، مما يمكّنها من التنبؤ بالمرض الذي يظهر في فحص المريض الجديد أو ما إذا كان الفحص يبدو سليمًا.
وقال فيجا: “لقد حسّن نهجنا من دقة التصنيف للنموذج وقدم ثقة ذات مغزى في تنبؤاته، مع إعطاء تقدير لاحتمال وجود مرض ما في الفحص”.
وتابع: “من خلال هذا البحث، نريد أن نوفر لأخصائيي الأشعة أدوات أفضل تجعل عملهم أسهل وأسرع وأكثر فاعلية. ولدينا أيضًا مشكلة ندرة العاملين الطبيين ، وهي مشكلة تتفاقم في البلدان النامية. ونأمل أن نتمكن من تطوير نماذج تسمح لخبرائنا الطبيين باتخاذ قرارات أفضل”.
عَمَلُ الكثير
يتضمن البحث مساهمات كبيرة من بونه غورجي، خريجة قسم علوم الحوسبة بعد وفاتها وضحية مأساة الرحلة PS752. وفي يناير عام 2020، سافرت غورجي وخطيبها أراش بورزرابي الى موطنهما إيران ليتزوجا، وكانا اثنين من أربعة أعضاء من كلية علوم المجتمع بين 176 شخصا قتلوا في الرحلة.
وبالنسبة للفريق، يعد البحث أيضًا فرصة لتكريم إرث غورجي وإسهاماتها الحاسمة في المشروع. وأوضح فيجا أنه عندما بدأ الباحثون المشروع، ركزت الخوارزمية حصريًا على خلل التنسج الوركي. وكانت غورجي تعمل على تطوير نماذج التعلم الآلي لتحديد الكبد الدهني، وكان انضمامها إلى الفريق هو الذي أدى في النهاية إلى إعادة تصميم الخوارزمية وتحقيق اختراق في الأداء.
“لم تكن الخوارزمية الأصلية تعمل مع الكبد الدهني ، لذلك بدأت أنا وبوني العمل معًا لحل المشكلة. وبعد عدة أسابيع ، اكتشفنا عيبًا مهمًا في النهج الأصلي وتمكنا من اقتراح حل – حل يتضمن طريقة رياضية جديدة لمعالجة قسم من النموذج”، قال فيجا.
وأضاف: “كان العمل الذي قمنا به معًا مفتاحًا لنجاح نهجنا وهو ما أدى إلى نشر هذا البحث في نهاية المطاف. لم يكن هذا البحث المنشور موجودًا بدون مساهمتها”.
وسيتم تقديم الدراسة المعنونة “نموذج التعلم الفعال للمصنفات التشخيصية القائمة على الصور باستخدام الملصقات الاحتمالية” (Sample Efficient Learning of Image-Based Diagnostic Classifiers Using Probabilistic Labels) في المؤتمر الدولي حول الذكاء الاصطناعي والإحصاء للعام 2021 (AISTATS ’21) ، وهي متاحة أيضًا من خلال (arXiv).
*تمت الترجمة بتصرف
المصدر:
https://techxplore.com/news/2021-05-ai-powered-deep-medical-diagnostics.html
لمزيد من المعلومات: Sample Efficient Learning of Image-Based Diagnostic Classifiers Using Probabilistic Labels. arXiv:2102.06164v1 [cs.CV] arxiv.org/abs/2102.06164
