عملکرد ضعیف‌تر هوش مصنوعی در تشخیص تصاویر پزشکی نسبت به انسان

به گزارش خبرنگار علم و فناوری آنا، این روز‌ها هوش مصنوعی در بسیاری از حوزه‌ها مورد استفاده قرار گرفته و در برخی موارد قادر است از رقبای انسانی خود بهتر عمل کند؛ البته به نظر می‌رسد در زمینه تشخیص و تفسیر تصاویر پزشکی، هنوز قادر به رقابت با انسان نیست.

تیمی از محققان در مطالعات جدید خود رقابتی بین ۷۲ رادیولوژیست در مقابل چهار ابزار تجاری موجود هوش مصنوعی برای تجزیه‌وتحلیل بیش از ۲ هزار تصویر اشعه ایکس برگزار کردند. نتایج این مطالعه نشان داد کارشناسان انسانی برنده این رقابت جذاب بودند.

لوئیس پلزنر (Dr. Louis Plesner) محقق ارشد این تیم مطالعاتی و رادیولوژیست بیمارستان‌های Herlev و Gentofte در کپنهاگ، دانمارک، در این رابطه گفت: رادیوگرافی قفسه سینه یک ابزار تشخیصی رایج است، اما تفسیر درست این تصاویر نیازمند آموزش و تجربه است.

پلسنر در ادامه توضیحاتش گفت: درحالی‌که ابزار‌های هوش مصنوعی به‌طور فزاینده‌ای برای استفاده در بخش‌های رادیولوژی استفاده می‌شوند، باید اعتراف کرد که این فناوری می‌توانند به رادیولوژیست‌ها در تفسیر تصاویر قفسه سینه کمک کنند، اما دقت تشخیصی واقعی آن‌ها هنوز نامشخص است. در حقیقت ابزار‌های هوش مصنوعی تجاری موجود و مورد تأیید سازمان غذا و داروی ایالات‌متحده برای کمک به رادیولوژیست‌ها در دسترس هستند.

در این مطالعه از تصاویر اشعه ایکس برای بررسی سه یافته رایج استفاده شد که شامل این موارد هستند: بیماری حفره‌های هوا در ریه که یک الگوی اشعه ایکس قفسه سینه بوده و معمولاً پس از ابتلا به ذات‌الریه یا آدم ریه ظاهر می‌شود، پنوموتوراکس یا فروپاشی ریه؛ و پلورال افیوژن، تجمع آب در اطراف ریه‌ها.

در این پژوهش مشخص شد دقت تشخیص ابزار‌های هوش مصنوعی از ۷۲ تا ۹۱ درصد برای بیماری حفره‌های هوا، ۶۳ تا ۹۰ درصد برای پنوموتوراکس و ۶۲ تا ۹۵ درصد برای پلورال افیوژن متغیر بودند در شرایطی که رادیولوژیست‌ها در شناسایی دقیق وجود و عدم وجود سه بیماری رایج ریوی از هوش مصنوعی به‌مراتب بهتر عمل کردند.

به گزارش آنا، پلزنر در این رابطه گفت: ابزار‌های هوش مصنوعی حساسیت متوسط تا بالا را در مقایسه با رادیولوژیست‌ها برای تشخیص بیماری فضای هوایی، پنوموتوراکس و پلورال افیوژن در اشعه ایکس قفسه سینه نشان دادند. بااین‌حال، آن‌ها نتایج مثبت کاذب بیشتری نسبت به رادیولوژیست‌ها داشته و در حقیقت دچار تشخیص اشتباه می‌شدند.

شواهد این مطالعه نشان می‌دهد هوش مصنوعی بدترین عملکرد را در شناسایی بیماری حفره‌های هوایی با ارزش‌های پیش‌بینی مثبت بین ۴۰ تا ۵۰ درصد داشت.

در مطالعات قبلی که ادعا می‌کردند هوش مصنوعی نسبت به رادیولوژیست‌ها برتری داشتند، رادیولوژیست‌ها فقط تصویر را بدون دسترسی به سابقه بالینی بیمار و مطالعات تصویربرداری قبلی بررسی کردند. درحالی‌که در دنیای واقعی تفسیر رادیولوژیست بر اساس معاینه تصویربرداری، ترکیبی از این سه نوع داده است.