علیبابا گام تازهای در حوزه هوش مصنوعی پزشکی برداشته است. پژوهشگران آکادمی DAMO این شرکت مدلی به نام DAMO RADAR توسعه دادهاند که میتواند با بررسی سیتیاسکن تقویتشده شکم، طیف گستردهای از بیماریها و ناهنجاریها، از جمله برخی سرطانها، را شناسایی کند. نتایج این پژوهش در مجله معتبر Science منتشر شده و مدل نیز بهصورت عمومی در دسترس قرار گرفته است.
DAMO RADAR برخلاف بسیاری از سامانههای پزشکی که برای شناسایی یک بیماری مشخص آموزش داده میشوند، رویکردی عمومیتر دارد. این مدل میتواند تصاویر مربوط به ۱۸ ساختار و اندام شکمی را بررسی کرده و در مجموع ۱۴۶ یافته بالینی را شناسایی کند؛ موضوعی که آن را به یکی از گستردهترین مدلهای هوش مصنوعی برای تحلیل تصاویر پزشکی تبدیل کرده است.
برای آموزش این سامانه، پژوهشگران از بیش از ۴۲۴ هزار آزمایش سیتیاسکن شکم استفاده کردهاند که بیش از ۱۵ میلیون جفت داده تصویری و متنی مرتبط با ساختارهای بدن را دربر میگیرد. یکی از نکات مهم این روش آن است که مدل عمدتاً از تصاویر و گزارشهای پزشکی موجود یاد گرفته و برای آموزش آن به حجم عظیمی از برچسبگذاری دستی تکتک تصاویر نیاز نبوده است.
در ارزیابی انجامشده روی نزدیک به ۴۰ هزار معاینه واقعی، DAMO RADAR برای ۱۴۶ یافته بالینی به میانگین امتیاز AUC برابر با ۰.۹۱۳ رسید. AUC معیاری برای سنجش توانایی یک سامانه در تفکیک موارد دارای بیماری از موارد بدون بیماری است و عدد ۱ نشاندهنده عملکرد ایدهآل است. در ارزیابیهای خارجی نیز مدل توانست عملکرد خود را در مراکز درمانی مختلف حفظ کند.
اما شاید خبرسازترین بخش پژوهش، مقایسه DAMO RADAR با پزشکان متخصص باشد. در یک مطالعه با حضور ۲۶ رادیولوژیست، عملکرد مدل از ۲۳ نفر از آنها بهتر گزارش شد. با این حال، این نتیجه نباید به معنای «جایگزینی رادیولوژیستها» تعبیر شود؛ پژوهشگران همچنین بررسی کردند که استفاده همزمان پزشک و هوش مصنوعی چه تأثیری دارد و گزارش کردند که کمک گرفتن از مدل میتواند حساسیت تشخیص را حدود ۱۰ درصد افزایش دهد و زمان بررسی تصاویر را بیش از ۳۰ درصد کاهش دهد.
یکی از دلایل عملکرد این مدل، شیوه متفاوت آن در تحلیل تصاویر است. DAMO RADAR به جای اینکه یک تصویر کامل از شکم را بهعنوان یک داده واحد در نظر بگیرد، ساختارهای مختلف بدن را جداگانه بررسی و هر بخش را با اطلاعات مرتبط در گزارش پزشکی تطبیق میدهد. این روش به مدل اجازه میدهد ارتباط دقیقتری میان یک ناحیه خاص از تصویر و یافته پزشکی مربوط به آن برقرار کند.
پژوهشگران همچنین مدل را در شرایط پیچیدهتر، از جمله موارد اورژانسی، آزمایش کردهاند. طبق گزارش منتشرشده از سوی AAAS، DAMO RADAR در بیش از ۲۷ هزار سیتیاسکن اورژانسی به AUC حدود ۰.۹۰۴ رسید؛ در حالی که این دادههای اورژانسی بهطور اختصاصی برای آموزش مدل استفاده نشده بودند. در ارزیابیهای انجامشده در هشت مرکز خارجی نیز مدل میانگین AUC حدود ۰.۸۹۵ را حفظ کرد.
علیبابا پس از انتشار نتایج، کد و بخشهای اصلی پروژه DAMO RADAR را نیز عمومی کرده است. مخزن پروژه در GitHub قرار دارد و مستندات آن نشان میدهد مدل برای پژوهشگران امکان آموزش، تنظیم و اجرای مدل را فراهم میکند. این پروژه تحت مجوز Apache 2.0 منتشر شده است، هرچند شرایط مجوز بخشهای مختلف مدل و وزنها باید جداگانه بررسی شود.
با وجود نتایج قابل توجه، DAMO RADAR هنوز یک ابزار عمومی برای تشخیص پزشکی در بیمارستانها محسوب نمیشود. این مدل در حال حاضر برای سیتیاسکن تقویتشده شکم طراحی و ارزیابی شده و نتایج آن را نمیتوان بدون اعتبارسنجی بیشتر به MRI، تصویربرداری قفسه سینه یا سایر روشهای تصویربرداری تعمیم داد. همچنین نتایج منتشرشده عمدتاً بر دادههای مراکز درمانی چین متکی است و برای استفاده بالینی در جمعیتهای دیگر، اعتبارسنجی مستقل اهمیت زیادی دارد.
اهمیت اصلی DAMO RADAR شاید در این باشد که مسیر توسعه هوش مصنوعی پزشکی را از مدلهای «یک بیماری، یک مدل» به سمت مدلهایی با توانایی بررسی همزمان مجموعه بزرگی از بیماریها تغییر میدهد. اگر این رویکرد در مطالعات مستقل و جمعیتهای مختلف نیز عملکرد مشابهی نشان دهد، میتواند بهعنوان یک ابزار کمکی برای رادیولوژیستها در بررسی حجم بالای تصاویر پزشکی مورد استفاده قرار گیرد؛ نه بهعنوان جایگزینی مستقل برای پزشک.
