فیسبوک ادعا می کند می‌تواند از طریق هوش مصنوعی وضعیت بیماران مبتلا به کرونا را پیش‌بینی کند

به گزارش پیوست، بحران کرونا وارد مرحله جدیدی در آمریکا و سایر کشورهای جهان شده است. هفته گذشته تعداد مرگ و میر روزانه برای اولین بار از آغاز بحران در آمریکا به بیش از 4 هزار مورد رسید. تعداد زیاد مبتلایان به ویروس کرونا در آمریکا موجب اختلال در نظام درمانی این کشور شده است.

شرکت‌های زیادی از جمله علی‌بابا در چین با طراحی الگوریتم‌های هوش مصنوعی، از طریق اشعه ایکس و با دقت بالا ویروس کووید ۱۹ را تشخیص می‌دهند. اما آنچه رویکرد فیس‌بوک و دانشگاه نیویورک را متمایز می‌کند تلاش برای پیش‌بینی مسیر بلند مدت درمانی این ویروس است. استنفورت، مونت سینای و فروشندگان مستندات الکترونیکی درمان از جمله Epic و Cerner مدل‌هایی طراحی کرده‌اند که به احتمال مرگ یا نیاز به تهویه هوا امتیازی می‌دهد اما بیشتر این پیش‌بینی‌ها به چیزی فراتر از تنها یک اسکن با اشعه ایکس نیاز دارند.

واحد رادیولوژی و تحلیل‌های پیش‌بینی کننده در دانشگاه نیویورک در همکاری با محققان فیس‌بوک یک سیستم هوش مصنوعی را روی دو پایگاه داده‌ اسکن اشعه ایکس قفسه سینه استفاده کردند که از تکنیک خودآموزی به نام Momentum Contrast) MoCo) استفاده می‌کند. این قابلیت خودآموز مدل MoCo به هوش مصنوعی اجازه می‌دهد که حتی در نبود برچسب توضحات، اسکن‌های اشعه ایکس را درک کند.

مرحله بعدی اتصال مدل MoCo به نسخه عمومی از پایگاه داده‌های کووید ۱۹ در دانشگاه نیویورک بود. محققان اسکن‌ها را دسته بندی کردند تا مشخص شود که آیا وضعیت بیمار مورد نظر در 24، 48 یا 72 وخیم‌تر شده است یا خیر. یکی از دسته‌بندی‌ها تنها براساس یک اسکن اشعه ایکس زوال بیمار را پیش‌بینی می‌کند در حالی که دیگر دسته‌ها از چندین اسکن اشعه ایکس استفاده می‌کردند.

محققان ادعا می‌کنند در دسته‌ای که از چند اسکن اشعه ایکس استفاده شد عملکرد سیستم برای پیش‌بینی نیاز به ICU، مرگ و میر و حوادث مختلف تا 96 ساعت قبل از حادثه بهتر از متخصصان انسانی بود. در حالی که این نتایج را نمی‌توان به دیگر بیمارستان‌ها تعمیم داد اما محققان باور دارند که این دسته بندی‌ها را با منابعی مناسب شاید حتی یک GPU می‌توان از مدل MoCo ساخت.

تیم فیس‌بوک در وبلاگ این شرکت نوشتند «اگر بتوانیم پیش‌بینی کنیم یک بیمار به منابع اکسیژن نیاز خواهد داشت به بیمارستان‌ها در تخصیص منابع در هفته و ماه‌های آینده کمک می‌کند. با افزایش تعداد موارد ابتلا به کووید ۱۹ در جهان، بیمارستان‌ها به ابزار‌های بیشتری برای پیش‌بینی و آماده‌سازی خود نیاز دارند تا منابع را به خوبی برنامه‌ریزی کنند. این پیش‌بینی‌ها به پزشک کمک می‌‌کند که مثلا بیماران در خطر را خیلی زود مرخص نکند و بیمارستان‌ها تقاضا برای اکسیژن و دیگر منابع محدود را خیلی زود پیش بینی خواهند کرد».

تحقیق جدیدی از دانشگاه تورنتو، موسسه وکتور و دانشگاه MIT نشان داد که پایگاه‌ داده مورد استفاده برای آموزش این مدل‌ها متعادل نیست و به نوعی به نفع یک جنسیت، موقعیت اجتماعی اقتصادی و گروه نژادی تبعیض نشان می‌دهد. بیماران زن بیشترین اختلاف را با مردان در جهان واقعی دارند اما در این پایگاه داده تنها کمی کمتر از مردان هستند. بیماران سفید پوست که اکثریت یعنی ۶۷/۶ درصد از تصاویر اشعه ایکس را به خود اختصاص می‌دهند مهم ترین گروه هستند و بیماران آمریکای لاتین پایین ترین رده.

محققان فیس‌بوک و دانشگاه نیویورک می‌گویند که این تبعیض را با بررسی دقیق و انتخاب هر نمونه آزمایش رفع کرده‌اند. اما پیش از این در سال آتی مراکز کنترل و پیشگیری آمریکا، کالج رادیولوژی آمریکا (ACR) و سازمان‌های رادیولوژی کانادا، نیوزلند و استرالیا توصیه کردند که از سی‌تی اسکن یا اشعه ایکس برای تشخیص کووید ۱۹ استفاده نشود. دلیل این هشدار این است که سیستم‌های هوش مصنوعی گاهی نمی‌توانند کووید ۱۹ و عفونت معمولی ریه را از هم تفکیک کنند.

با توجه به تکنیک‌های و پایگاه داده‌های موجود، بیشتر داده‌هایی که امروزه برای آموزش الگوریتم‌های هوش مصنوعی استفاده می‌شوند با نابرابری همراه هستند. تیمی از محققان انگلیسی دریافتند که تقریبا تمام پایگاه داده‌های بیماری چشم از بیماران آمریکای شمالی، اروپا و چین تشکیل می‌شوند که یعنی الگوریتم‌های تشخیص بیماری چشم برای گروه‌های نژادی در دیگر کشور‌ها عملکرد ضعیف تری خواهند داشت.

محققان دانشگاه استنفورد نیز در مطالعه دیگری ادعا کردند که اکثر داده‌های آمریکا برای مطالعاتی که شامل استفاده از هوش مصنوعی در حوزه درمانی می‌شوند از کالیفرنیا، نیویورک و ماساچوست منشا می‌گیرند. مطالعه روی الگوریتم گروه درمان متحد نشان داد که نیمی از بیماران سیاه‌ پوستی که نیاز به مراقبت بیشتر دارند در این الگوریتم نادیده گرفته می‌شوند. مطالعات بیشتری هرروز نشان می‌دهند که الگوریتم‌های شناسایی سرطان در مورد بیماران سیاه‌ پوست دقت کمتری دارند که دلیل آن آموزش مدل‌های هوش مصنوعی با تصاویر مربوط به بیمارانی با پوست روشن است.

برای اینکه بفهمیم الگوریتم‌های فیس‌بوک و دانشگاه نیویورک تا چه حد دقیق هستند  باید این الگوریتم‌ها را در چندین منطقه با سیستم‌های درمان مختلف در جهان آزمایش کنیم. مطالعه‌ای که در مجله Nature Machine Intelligence نشان داد که یک مدل کووید ۱۹ که با موفقیت در ووهان چین استفاده شد برای بیماران نیویورک نتیجه‌ای در حد انداختن تاس و در واقع شانس خالص داشته است. با این حال تقویت صحیح الگوریتم فیس‌بوک و دانشگاه نیویورک می‌تواند از پیش آمدن چنین موضوعی برای این الگوریتم جلوگیری کند اما نمی‌توان پیش بینی کرد که تبعیض در چه زمینه‌ای شکل می‌گیرد و پیش از استفاده عملی در هر مقیاسی باید آزمایشات لازم انجام گیرد.

منبع: VentureBeat