چرا استفاده از هوش مصنوعی برای تشخیص سرطان دشوار است؟
تشخیص سرطان با مشاهده الگوها در بدن انجام می‌شود. رادیولوژیست‌ها از اشعه ایکس و تصویربرداری تشدید مغناطیسی برای شناسایی تومورها استفاده می‌کنند و پاتولوژیست‌ها نیز نمونه‌های بافتی از کلیه، کبد و سایر اندام‌ها را زیر میکروسکوپ بررسی کرده و به دنبال الگوهایی می‌گردند که شدت سرطان، اثربخشی درمان‌های احتمالی و مسیر گسترش تومور را نشان دهند.
به‌طور تئوری، هوش مصنوعی باید در این زمینه کمک بزرگی باشد. دکتر اندرو نورگان، پاتولوژیست و مدیر پلتفرم پاتولوژی دیجیتال کلینیک مایو، می‌گوید: «کار ما شناسایی الگوهاست. ما به اسلایدها نگاه می‌کنیم و اطلاعات مهمی را که تأثیرگذار هستند، استخراج می‌کنیم.»
تحلیل بصری یکی از زمینه‌هایی است که هوش مصنوعی در آن طی ۱۵ سال گذشته پیشرفت زیادی داشته است. هرچند هیچ مدلی کامل نخواهد بود، اما می‌توان تصور کرد که یک الگوریتم قوی در آینده قادر باشد چیزی را که یک پاتولوژیست انسانی از دست داده شناسایی کند یا حداقل فرایند تشخیص را سرعت بخشد. در حال حاضر، تلاش‌های متعددی برای ساخت چنین مدلی در جریان است—تنها در سال گذشته حداقل هفت پروژه جدید آغاز شده است—اما این مدل‌ها هنوز در مرحله آزمایشی قرار دارند. چه موانعی باید برداشته شوند تا این مدل‌ها برای استفاده در دنیای واقعی به اندازه کافی خوب شوند؟
تیم شرکت Aignostics با همکاری کلینیک مایو اخیراً تلاش جدیدی را برای ساخت چنین مدلی آغاز کرده‌اند و نتایج آن اوایل این ماه در arXiv منتشر شد. هرچند این مقاله هنوز بازبینی نشده است، اما چالش‌های اصلی در مسیر استفاده از چنین ابزاری در محیط‌های بالینی واقعی را به‌خوبی نشان می‌دهد.
مدل مذکور که با نام Atlas شناخته می‌شود، بر اساس ۱.۲ میلیون نمونه بافتی از ۴۹۰ هزار کیس آموزش دیده است. دقت آن در مقایسه با شش مدل هوش مصنوعی پیشرفته دیگر مورد آزمایش قرار گرفت. این مدل‌ها در آزمون‌های مشترکی مثل طبقه‌بندی تصاویر سرطان پستان یا درجه‌بندی تومورها رقابت می‌کنند، جایی که پیش‌بینی‌های مدل با پاسخ‌های درست پاتولوژیست‌های انسانی مقایسه می‌شود. Atlas در شش مورد از نه آزمون عملکرد بهتری نسبت به سایر مدل‌ها داشت. بالاترین امتیاز آن در دسته‌بندی بافت‌های سرطانی روده بزرگ بود که با تشخیص پاتولوژیست‌ها در ۹۷.۱٪ مواقع مطابقت داشت. اما در طبقه‌بندی تومورهای حاصل از نمونه‌برداری‌های سرطان پروستات، امتیاز بالاترین مدل دیگر را با تنها ۷۰.۵٪ پشت سر گذاشت. میانگین عملکرد این مدل در ۹ معیار نشان داد که در ۸۴.۶٪ موارد با تشخیص متخصصان انسانی همخوانی داشته است.
این آمار چه معنایی دارد؟ بهترین روش برای تشخیص تغییرات سلول‌های سرطانی در بافت‌ها بررسی نمونه‌ها توسط یک پاتولوژیست است. بنابراین، عملکرد مدل‌های هوش مصنوعی با این معیار سنجیده می‌شود. هرچند بهترین مدل‌ها در برخی وظایف تشخیصی به عملکرد انسان نزدیک می‌شوند، اما در بسیاری از موارد دیگر هنوز عقب‌تر هستند. بنابراین، یک مدل برای اینکه به لحاظ بالینی مفید باشد، چقدر باید دقیق باشد؟
دکتر کارلو بیفولکو، مدیر ارشد پزشکی در Providence Genomics و یکی از سازندگان مدل GigaPath که در مطالعه کلینیک مایو بررسی شد، می‌گوید: «احتمالاً دقت ۹۰ درصد کافی نیست. شما باید حتی بهتر باشید.» اما او معتقد است که مدل‌های هوش مصنوعی با وجود نقص‌ها می‌توانند در کوتاه‌مدت مفید باشند و به پاتولوژیست‌ها کمک کنند تا کار خود را سریع‌تر انجام دهند و تشخیص‌ها را تسریع بخشند.
چالش‌های اصلی
- کمبود داده‌های آموزشی
کمتر از ۱۰٪ از آزمایشگاه‌های پاتولوژی در آمریکا دیجیتالی شده‌اند. این بدان معناست که نمونه‌های بافتی روی اسلایدها قرار گرفته و زیر میکروسکوپ بررسی می‌شوند، سپس بدون ثبت دیجیتالی در بایگانی‌های بزرگ ذخیره می‌شوند. هرچند در اروپا میزان دیجیتالی‌سازی بیشتر است و تلاش‌هایی برای ایجاد مجموعه داده‌های مشترک از نمونه‌های بافتی جهت آموزش مدل‌های هوش مصنوعی در جریان است، اما هنوز داده‌های کافی وجود ندارد. - اندازه تصاویر بافتی
نمونه‌های بیوپسی اغلب بسیار کوچک هستند—چند میلی‌متر قطر دارند—اما تصاویر دیجیتال آنها به قدری بزرگ هستند که بیش از ۱۴ میلیارد پیکسل دارند، یعنی حدود ۲۸۷,۰۰۰ برابر بزرگ‌تر از تصاویری که برای آموزش مدل‌های شناسایی تصویر استفاده می‌شوند. این حجم داده علاوه بر هزینه‌های ذخیره‌سازی، انتخاب بخش‌های مناسب تصویر برای آموزش مدل را به چالشی بزرگ تبدیل می‌کند. - تشخیص در سطح مولکولی
یکی از دشوارترین معیارها برای مدل‌های هوش مصنوعی، تحلیل سرنخ‌های مولکولی از تصاویر بافتی است. برای مثال، ژن‌های ترمیم اشتباهات در بدن نقش مهمی در سرطان دارند. اگر این ژن‌ها نتوانند خطاهای کپی‌برداری DNA را اصلاح کنند، سرطان گسترش می‌یابد. هوش مصنوعی ممکن است بتواند سرنخ‌هایی در سطح مولکولی را که انسان نمی‌بیند، شناسایی کند. اما عملکرد Atlas در این زمینه تنها ۴۴.۹٪ بود که هرچند بهترین نتیجه برای هوش مصنوعی تاکنون است، اما نشان می‌دهد این نوع تحلیل‌ها هنوز مسیر طولانی در پیش دارند.
به گفته بیفولکو، مدل Atlas یک پیشرفت تدریجی اما واقعی است. او می‌گوید: «احساس من این است که همه در سطح مشابهی گیر کرده‌اند. برای پیشرفت چشمگیر به مدل‌های متفاوت‌تر و مجموعه داده‌های بزرگ‌تر نیاز داریم.»
---
Credit: "Why it’s so hard to use AI to diagnose cancer” by James O'Donnell, published in MIT Technology Review.
Read the full article here: https://www.technologyreview.com/2025/01/21/1110192/why-its-so-hard-to-use-ai-to-diagnose-cancer/
Image Credit: Institute of Pathology, Charité (A cancerous urinary bladder cell)
