تحدي الذكاء الاصطناعي الممول من الحشود لتحسين تحليل التصوير الشعاعي للثدي ينتهي

التصوير الشعاعي للثدي مهم للصحة النسائية والكشف المبكر عن سرطان الثدي. ومع ذلك ، يتطلب التصوير الشعاعي متخصصين بشريين لتحليله ، وحتى المتخصصين المدربين جيدًا يرتكبون أخطاء. يُقدر معدل الإيجابيات الكاذبة للتصوير الشعاعي بحوالي 10٪ في الولايات المتحدة. من أجل إنشاء أنظمة تُقدم قراءات أكثر دقة للتصوير الشعاعي ، قام تحدي الحلم الرقمي (DM) مؤخرًا بإنشاء مشروع جماعي لتطوير خوارزميات جديدة لقراءة التصوير الشعاعي

كما تقارير PhysicsWorld ، أصبحت تقنيات الرؤية الحاسوبية و خوارزميات التعلم العميق أكثر تطورًا خلال السنوات القليلة الماضية ، ويتجه الباحثون والمهندسون نحو استخدام الذكاء الاصطناعي لتحليل التصوير الشعاعي ، بهدف زيادة الدقة. أطلق تحدي الحلم الرقمي (DM) منافسة لدراسة استخدام خوارزميات الذكاء الاصطناعي في التعرف على العلامات المحتملة لسرطان الثدي.

يُعد تحدي الحلم الرقمي أكبر دراسة لخوارزميات التعلم العميق المتعلقة بتفسير التصوير الشعاعي حتى الآن. وأوضح جاستن جيني ، رئيس تحديات الحلم ، أن سبب التحدي هو أنه يسمح بتقييم منظم لآلات التعلم العميق العديدة على قواعد بيانات مختلفتين. كان على المشاركين في التحدي تصميم خوارزميات يمكن تدريبها على بيانات التصوير الشعاعي وإخراج درجة احتمال أن يتم تشخيص المريض بسرطان الثدي في غضون عام. كما كان هناك شرط تحدي ثانوي. في المهمة الثانية ، كان مسموحًا للخوارزميات بالتدريب على معلومات إضافية مثل بيانات المخاطر الديموغرافية والبيانات السريرية والصور التي تم جمعها من فحوصات التصوير السابقة.

استخدمت两个 مجموعة بيانات لتدريب النماذج. كانت المجموعة الأولى من بيانات Kaiser Permanente Washington (KPW) ، التي جمعتها الباحثون من الولايات المتحدة. في حين جمعت مجموعة البيانات الثانية من قبل الباحثين السويديين في معهد كارولينسكا (KI).

انضم أكثر من 1100 مشارك إلى التحدي ، مقسمين إلى 126 فريقًا مختلفًا ويتألفون من أشخاص من جميع أنحاء العالم. خلال الجزء الأول من التحدي ، تم تدريب النماذج باستخدام مجموعة بيانات KPW ، التي شملت صورًا من أكثر من 140000 فحص تصوير شعاعي. عند مقارنة النتائج مع نتائج التحدي الثاني ، وجد أن الوصول إلى المزيد من الميزات مثل البيانات السريرية لم يُحسن بشكل كبير من قوة التمييز للخوارزميات. ومع ذلك ، اقترح فريق تحدي الحلم الرقمي أن يجب أن تشمل تطوير الخوارزميات المستقبلية تحليل الصور السابقة للمرضى ، معتقدين أن المشاركين قد لا يكونوا استفادوا تمامًا من البيانات.

وفقًا لصحيفة Health IT Analytics ، يريد فريق تحدي الحلم الرقمي أن يتعاون أفضل ثمانية فرق أداء لتصميم نموذج تصنيف جماعي ، لمعرفة ما إذا كان هذا النموذج يمكن أن يتفوق على النماذج الفردية. ثم استخدم منظمي التحدي تجميعًا موزونًا للتنبؤات المختلفة للخوارزميات ، مما أدى إلى إنشاء نموذج التحدي الجماعي (CEM). تم比較 التنبؤات الاحتمالية لنموذج CEM مع التفسيرات من الأشعة ، كما تم تقييمها باستخدام النوعية. حقق الأشعة 90.5٪ من النوعية ، في حين حقق نموذج CEM 76.1٪ فقط من النوعية. على الرغم من أن النتائج تبدو مخيبة للآمال ، عندما تم تجميع تخمين نموذج CEM وتفسير الأشعة في نموذج آخر (CEM + R) ، تحسنت النوعية إلى 92٪.

تم الحصول على نتائج مماثلة على مجموعة بيانات KI للاختبار ، التي استخدمت حصريًا لتحقق من صحة النماذج ، والتي تحتوي على صور من أكثر من 166000 فحص. كان نموذج CEM أقل قليلاً من الأشعة (92.5٪ من النوعية مقارنة بـ 96.7٪ من النوعية) ، ولكن نموذج CEM + R حقق نتائج أفضل (98.5٪ من النوعية).

على الرغم من أن أي من النماذج الفردية لم تتمكن من تفوق المتخصصين البشريين ، رأى نموذج CEM + R ميزة صغيرة مقارنة بتفسير الأشعة وحده. قد يكون من الممكن أن يُحسن الجمع بين الحدس البشري مع مساعد الذكاء الاصطناعي الدقة.