Οι υπερασπιστές του συστήματος CSAIL του MIT μπορούν να απευθύνονται σε ειδικούς όταν κάνουν προβλέψεις

Οι υπερασπιστές του συστήματος CSAIL του MIT μπορούν να απευθύνονται σε ειδικούς όταν κάνουν προβλέψεις


ΕΝΑ νέα μελέτη από το εργαστήριο επιστήμης υπολογιστών και τεχνητής νοημοσύνης του MIT (CSAIL) προτείνει ένα σύστημα μηχανικής μάθησης ικανό να εξετάσει τις ακτίνες Χ για τη διάγνωση καταστάσεων, συμπεριλαμβανομένης της κατάρρευσης των πνευμόνων και μιας διευρυμένης καρδιάς. Αυτό δεν είναι ιδιαίτερα νέο – το όραμα του υπολογιστή στην υγειονομική περίθαλψη είναι ένα καθιερωμένο πεδίο – αλλά το σύστημα CSAIL μπορεί πρόσφατα να απευθυνθεί σε ειδικούς ανάλογα με παράγοντες όπως η ικανότητα του ατόμου και το επίπεδο εμπειρίας.

Παρά την υπόσχεσή του, η AI στην ιατρική είναι γεμάτη προβλήματα ηθικές προκλήσεις. Η Google κυκλοφόρησε πρόσφατα ένα λευκό χαρτί ο οποίος διαπίστωσε ότι ένα σύστημα πρόβλεψης οφθαλμικών παθήσεων δεν ήταν πρακτικό στον πραγματικό κόσμο, εν μέρει λόγω τεχνολογικών και κλινικών λαθών. ΣΤΑΤΙΣΤΙΚΗ σχέσεις ένας Οι αλγόριθμοι AI δεν παρουσιάζονται χρησιμοποιούνται για την πρόβλεψη της μείωσης των ασθενών με COVID-19. Και εταιρείες όπως η Babylon Health, που ισχυρίζονται ότι τα συστήματά τους είναι ικανά να διαγνώσουν ασθένειες, καθώς και γιατρούς, έχουν ελεγχθεί από ρυθμιστές και κλινικοί γιατροί.

Το σύστημα CSAIL στοχεύει στην επίλυση αυτού του προβλήματος με έναν «ταξινομητή» ικανό να προβλέψει ένα συγκεκριμένο υποσύνολο δραστηριοτήτων και μια «άρνηση» που αποφασίζει εάν μια συγκεκριμένη δραστηριότητα θα πρέπει να διαχειρίζεται ο ταξινομητής ή ένας ειδικός. Οι ερευνητές πίσω από το σύστημα λένε ότι ο ταξινομητής είναι αρκετά ακριβής, επιτυγχάνοντας 8% καλύτερη απόδοση στην περίπτωση της καρδιομεγαλίας (διευρυμένη καρδιά) από ότι μόνο οι ειδικοί. Αναμφίβολα όμως, το πραγματικό του πλεονέκτημα είναι η προσαρμογή: το σύστημα επιτρέπει στον χρήστη να βελτιστοποιήσει για οποιαδήποτε επιλογή επιθυμεί, είτε πρόκειται για την ακρίβεια των προβλέψεων είτε για το κόστος του χρόνου και την προσπάθεια του ειδικού.

Η αποδοτικότητα είναι ένα άλλο πλεονέκτημα της προσέγγισης του συστήματος. Μέσα από πειράματα σχετικά με την ιατρική διάγνωση και την ταξινόμηση κειμένων και εικόνων, έχει αποδειχθεί ότι όχι μόνο αποδίδει καλύτερα από τις βασικές γραμμές, αλλά το έκανε με λιγότερους υπολογισμούς και πολύ λιγότερα δείγματα εκπαίδευσης.

Οι ερευνητές δεν έχουν δοκιμάσει ακόμη το σύστημα με ανθρώπους εμπειρογνώμονες, αλλά έχουν αναπτύξει μια σειρά “συνθετικών εμπειρογνωμόνων”, έτσι ώστε να μπορούν να αλλάξουν παράμετροι όπως η εμπειρία και η διαθεσιμότητα. Η τρέχουσα επανάληψη απαιτεί την ενσωμάτωση για να προσαρμοστεί στα πλεονεκτήματα και τις αδυναμίες ορισμένων ατόμων, αλλά τα σχέδια της ομάδας απαιτούν συστήματα αρχιτεκτονικής που μαθαίνουν από παραμορφωμένα δεδομένα πάρτι και συνεργάζονται με (και αναφέρονται) αρκετούς ειδικούς ταυτόχρονα.

“Υπάρχουν πολλά εμπόδια που απαραιτήτως απαγορεύουν την πλήρη αυτοματοποίηση σε κλινικές ρυθμίσεις, συμπεριλαμβανομένων ζητημάτων εμπιστοσύνης και ευθύνης”, δήλωσε ο David Sontag, επικεφαλής συγγραφέας και αναπληρωτής καθηγητής ιατρικής μηχανικής στο Von Helmholtz στο Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, σε μια δήλωση. του MIT. “Ελπίζουμε ότι η μέθοδος μας εμπνέει τους επαγγελματίες της μηχανικής μάθησης να γίνουν πιο δημιουργικοί στην ενσωμάτωση ανθρώπινων δεξιοτήτων σε πραγματικό χρόνο στους αλγορίθμους τους.”



[via]

Απάντηση

Αυτός ο ιστότοπος χρησιμοποιεί το Akismet για να μειώσει τα ανεπιθύμητα σχόλια. Μάθετε πώς υφίστανται επεξεργασία τα δεδομένα των σχολίων σας.