محدودیت استفاده از یادگیری ماشین در تصویربرداری پزشکی به دلیل چالش‌های تحقیقاتی

بر اساس مطالعه منتشر شده در npj Digital Medicine، تحقیقات در مورد استفاده از یادگیری ماشین در تصویربرداری پزشکی در سال‌های اخیر به طور قابل توجهی رشد کرده، اما پیشرفت در زمینه استفاده بالینی از این داده‌ها بنا به دلایلی نظیر محدودیت‌های داده، مسائل ارزیابی و مشوق‌های انتشار کند شده است که در این مقاله قصد بررسی این دلایل را داریم.

یادگیری ماشین (ML) یک ابزار امیدوارکننده اما بحث برانگیز برای ارائه دهندگان مراقبت‌های بهداشتی است. با وجود اینکه تحقیقات در این زمینه حاکی از اشتیاق روزافزون در مورد کاربرد بالقوه یادگیری ماشین در محیط های بالینی است، اما مطالعات اخیر نشان داده‌اند که سوگیری‌ها در الگوریتم‌های هوش مصنوعی (AI) می‌توانند نابرابری‌های سلامتی ایجاد کنند، بنابراین لازم است مقررات مناسبی برای اطمینان از اجرای موثر آن‌ها تعبیه شود.

در هر مرحله از فرآیند تحقیق، چالش‌ها و سوگیری‌های بالقوه‌ای را می‌توان معرفی کرد که استفاده بالینی یادگیری ماشین در تصویربرداری پزشکی را محدود می‌کند. بسته به اینکه داده‌های این تحقیق چگونه جمع‌آوری می‌شوند، چگونه مجموعه‌های داده ایجاد و توزیع می‌شوند و چه سوگیری‌هایی ممکن است در مجموعه داده‌ها وجود داشته باشد، ممکن است از همان ابتدا مشکلاتی ایجاد شود. در زمان ارزیابی داده‌ها، چالش‌های بیشتری در انتخاب اهداف معناداری برای ارزیابی، جلوگیری از روش‌های ارزیابی نامناسب، انتخاب معیارهای مناسب و یا اتخاذ بهترین شیوه‌های آماری نیز ایجاد می‌شود.

مرحله انتشار

در مرحله انتشار، انگیزه‌های خاصی (نه لزوما مناسب)، ممکن است مانع استفاده از اطلاعات ارائه شده، شوند. به عنوان نمونه، نویسندگان ممکن است از زبان و ریاضیات بالا برای تحت تأثیر قرار دادن سایر دانشگاهیان استفاده کنند که منجر به عدم وضوح و حذف جزئیات مهم می‌گردد. فشار برای انتشار مقالات با روش‌های «جدید» و نتایج مثبت نیز می‌تواند محققان را به استفاده از روش‌های بسیار پیچیده ترغیب کند. این عوامل همگی تکرارپذیری یک مطالعه معین را کاهش می‌دهند و این امر می‌تواند در دستیابی به نتایج سازگارتر ایجاد اختلال نماید.

برای مبارزه با این چالش‌ها، محققان افزایش آگاهی در مورد محدودیت‌های داده، تشویق استفاده از بهترین شیوه‌های تثبیت‌شده برای ارزیابی‌های یادگیری ماشین و بهبود هنجارهای مربوط به انتشار پیرامون گزارش‌دهی و شفافیت را پیشنهاد می‌کنند. با وجود این نگرانی ها در مورد استفاده هوش مصنوعی در پزشکی به طور گسترده تر، اخیراً موفقیت های قابل توجهی برای ML وجود داشته است.

جراحی فتق شکمی

یک مطالعه جدید نشان می‌دهد که مدل‌های یادگیری ماشین می‌توانند به تشخیص عوارض جراحی فتق شکمی با دقت بالا کمک کنند. به طور کلی، این مدل‌ها عود فتق را با دقت ۸۵ درصد، وقوع محل جراحی را با دقت ۷۲ درصد و بستری مجدد ۳۰ روزه در بیمارستان را با دقت ۸۴ درصد پیش‌بینی می‌کنند. در کنار بهبود نتایج بیماران، این تحقیق نشان می‌دهد که علاوه بر کاهش ۱ درصدی در میزان عود فتق، این مدل‌ها توانسته‌اند حدود ۳۰ میلیون دلار برای سیستم مراقبت‌های بهداشتی ایالات متحده صرفه جویی ایجاد کنند.

یکی دیگر از الگوریتم‌های جدید یادگیری ماشین به پزشکان کمک کرد تا بیماران پرخطر سرطان روده بزرگ را شناسایی کنند. این الگوریتم از عواملی مانند سن، جنسیت و اطلاعات خونی برای تعیین اینکه کدام بیماران در معرض خطر ابتلا به سرطان کولورکتال colorectal cancer هستند، استفاده می‌کند. پرستاران می‌توانند از این الگوریتم جهت برنامه‌ریزی کولونوسکوپی برای این بیماران استفاده کنند. از ۶۸ درصد بیمارانی که در طول مطالعه برای کولونوسکوپی توسط این مدل برنامه‌ریزی شده‌اند، ۷۰ درصد یافته‌های قابل توجهی در طول این روش داشتند. بنابراین می‌توان با دقت بیشتر و محتاطانه‌تر بر کاربرد مدل‌های یادگیری ماشین در تصویربرداری پزشکی تمرکز کرد.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید