Damarên Retînal Nîjada Nîjad, Berfirehkirina Qada Ji bo Bias Race AI

Ji vedîtinên vê dawiyê yên ku wênekirina AI-ya bijîjkî îlham girtiye dikare nijad eşkere bike, konsorsiyûma lêkolînê ya li DY û Brîtanyayê lêkolînek li ser wê yekê kiriye ku ka qalibên damarên retînal nîşana nijadê ne, û gihîştiye encamê ku bi rastî jî wusa ye, digel ku AI dikare nijada dêûbav di pitikan de ji wêneyên retînayê pêşbîn bike - wêneyên ku dê nasnameya nijadî ji bijîjkek mirovî ya ku wan dixwîne re eşkere neke, û yên ku berê dihatin fikirîn ku potansiyela eşkerekirina nijadî tune.

Komê nîgeraniya xwe diyar kir ku ev vektora zêde ya stratejiya nijadî di wênekêşiya bijîjkî de îhtîmala zêdebûna nelirêtiyê di karanîna pergalên hişmendiya çêkirî de di lênihêrîna tenduristiyê de vedike.

Nivîskar bêtir îhtîmala ku U-Net, çarçoweya fêrbûna makîneyê ya ku hatî vê sektora lênihêrîna tenduristî ya bingehîn a AI-yê diyar dike, û ku li ser hate perwerde kirin bi giranî mijarên spî*, dibe ku bandorek li ser vê diyardeyên dîtbar bike. Lêbelê, nivîskaran piştrast dikin ku ew in 'ji ber ku hîn nekariye van dîtinan bi tevahî li ser bingeha hîpoteza U-Net tenê rave bike'.

Li ser vedîtinên ku di projeyê de têkildar in şîrove dikin Depoya GitHub, nivîskar diyar dikin:

'AI dikare nijadê ji RVM-yên gewr tespît bike [Nexşeyên Keştiya Retînal] ku nedihate fikirîn ku agahdariya nijadî dihewîne. Du ravekirinên potansiyel ên van dîtinan ev in ku: damarên retînal ji hêla fîzyolojîkî ve di navbera pitikên Reş û Spî an beşên U-Net de vaskulasyona retînal ji bo pigmentasyonên cûrbecûr yên fundê cûda cûda dibin.

'…Bi her awayî, encam heman dimîne: Algorîtmayên AI-ê xwedî potansiyel in ku di pratîkê de alîgiriya nijadî nîşan bidin, tewra gava ku hewildanên pêşîn ên rakirina agahdariya weha ji wêneyên bingehîn bi serfirazî xuya dikin.'

Ew kaxez sernavkirî ye Ne Reng Blind: AI Nasnameya Nijadî ji Parçeyên Keştiyên Retînal ên Reş û Spî Pêşbînî dike, û hevkariyek wekhev e di navbera bijîjk û ​​lêkolînerên ji pênc sazî û beşên lêkolînê de li Dewletên Yekbûyî, û yek li Keyaniya Yekbûyî.

Doktorên bijîjkî yên ku di konsorsiyuma lêkolînê de beşdar dibin jî hene RV Paul Chan, MD, MSc, FACS, panel-pejirandî di ophthalmolojiyê de, û hevalek Zanîngeha Surgeons ya Amerîkî; Michael F. Chiang, MD, Rêveberê Enstîtuya Çavê Neteweyî ya Enstîtuya Tenduristiya Neteweyî ya li Bethesda, Maryland; û J. Peter Campbell MD, MPH, Doçent Profesorê Ophthalmolojiyê li Dibistana Dermanê li Zanîngeha Tenduristî & Zanistî ya Oregon li Portland.

Eyes Have It

Kaxez potansiyela ku berê îsbatkirî ye ji bo neyartiya ku ji hêla mirovan ve hatî îsbat kirin ku di pergalên bijîjkî yên AI-yê de belav bibe, ne bi kêmanî di lêkolîna çavan*. Wêneyên Retînal Fundus (RFIs, li berhevoka wêneyê li jor binêre), ku di nirxandina nexweşiya çavan de têne bikar anîn, wêneyên tev-reng in ku têra agahdariya pigmentasyonê dihewîne da ku nijadê nas bike.

Nexşeyên Keştiyên Retina Greyscale (RVM) piraniya van agahdariyan ji holê radikin da ku şêwaza bingehîn a kapilaran derxînin ku dibe ku gelek şert û mercên nexweşiyê diyar bikin. Di vê astê distilasyonê de her gav tê texmîn kirin ku di wêneyên bijîjkî yên wusa kêmker de ti taybetmendiyên nijadî namîne.

Nivîskaran ev texmîn bi karanîna daneya RFI (wêneyên retînal ên bi tevahî rengîn) ceribandine ku ji pitikên ku ji bo nexweşiyek potansiyel kor têne kontrol kirin hatine wergirtin. Nîşandana wêneyên weha, nivîskaran destnîşan dikin, ku li derveyî şêwirdariyên kesane, di telemedicine û çarçoweyên din ên tespîtkirina dûr de her ku diçe zêde tê pêşandan, û her ku diçe bêtir dibe mijara analîza fêrbûna makîneyê.

Lêkolîna nû lêkolîn dike ka cureyên cûrbecûr guhertoyên kêmker ên wêneyên tev-reng-reng-naskirî agahdariya nijadî diparêzin, wekî ku ji hêla dêûbavên pitikan ve hatî ragihandin, û dît ku tewra distîlasyonên herî agahdar-hilweşîner ên RFI-yan (bi sînor, îskeletkirin û binarîze) hin astek nasnameya nijadî çalak bike.

Dane û Rêbaz

Daneyên 245 pitikan, ku di navbera Çile 2012 û Tîrmeh 2020 de wekî beşek ji lêkolînek hevrêziya i-ROP-ê ya pir-navendî hatine berhev kirin, bi rêzê ve li ser bingehek 50/20/30, bi dabeşkirina xwezayî ya nîjadên parastî, li ser bingehek XNUMX/XNUMX/XNUMX li ser berhevokên perwerdehî, pejirandin û ceribandinê hatine dabeş kirin. wekî ku çêtirîn daneyên çavkaniyê destûr dane.

RFIyên rengîn li sê şêwazên kêmkirina wênekêş ên jorîn hatin kêm kirin, ji ber vê yekê divê nîşangirên nijadî yên 'eşkere' bi teknîkî ji daneyan werin rakirin.

Gelek Torên Neuralî yên Tevlihevî (CNN) hatin perwerde kirin da ku bi karanîna PyTorch bigihîjin senifandina binary ('reş'/'spî', li ser bingeha raporkirina nijada ji dêûbavan). CNN-an daneyan di hemî guhertoyên wêneyan de, ji RFI-yan bigire heya guhertoyên skeletkirî, guheztin û zivirandinên asayî yên bêserûber bi kar tînin, digel wêneyên ku jêderketî xwedî çareseriya 224×244 pixel in.

Model bi daketina gradientê ya stokastîk heya deh serdeman bi rêjeya hînbûna domdar 0.001 hatin perwerde kirin, û rawestana zû hate sepandin û perwerdehî rawestiya li cihê ku lihevhatina têgihiştinê piştî pênc serdeman hate nas kirin (ango dê modela bi bêtir rasttir bi dest nexist. hîndarî).

Ji ber ku di navbera mijarên spî û reş de bêhevsengiyek xwezayî ya demografîk hebû, tezmînat hate sepandin da ku jêderên hindikahiyê bi rengekî sîstematîk wekî derveyî neyên daxistin, û encam hatin kontrol kirin da ku were verast kirin ku di ezmûnan de ti lehiya daneyan çênebûye.

results

Li gorî nivîskaran, RVM-ên ku ji wêneyên RFI-yên tije-reng-reng rewan û kapilaran derdixin, divê bi teorîkî ji hêla CNN-ê ve neyên naskirin. Lêbelê, encaman destnîşan kir ku hejmareke zêde ya damarên sereke ji hêla U-Net ve ji bo çavên spî ji çavên reş têne dabeş kirin.

Di encamên dawîn de, lêkolîner çavdêriya 'Me dît ku AI bi hêsanî dikaribû nijada pitikan ji parçeyên keştiyên retînal ên ku di derbarê pîgmentasyonê de agahdariya xuya tune pêşbîn bike.', û ew 'heta wêneyên ku ji çavê rût bê agahdarî xuya dikirin jî, agahdariya pêşdîtinê ya nijada pitika orîjînal diparêzin'. Lêkolîner bêtir îhtîmala ku damarên retînal ên pitikên reş û spî ji hev cûda dibin pêşkêş dikin 'Bi awayekî ku AI dikare binirxîne, lê mirov nekarin'.

Bias berê?

Nivîskar her weha pêşniyar dikin ku cûdakarî dikare fonksiyonek daneyên spî-serdest ên ku U-Net bi eslê xwe li ser hatine perwerde kirin be. Her çend ew vê yekê wekî 'teoriya xwe ya pêşeng' bi nav dikin, ew di heman demê de qebûl dikin ku kapasîteya senzorên girtina dibe ku di diyardeyan de bibe faktorek, heke derkeve holê ku biasiya ku hatî vedîtin hevokek aliyên teknîkî yên pratîkên wênekêşana retînal e, an alikariya daneyan di U-Net de ku bi salan xwe berdewam dike. Li ser van îhtîmalan, rojname qebûl dike:

"Lêbelê, U-Net li ser RFI-yên ku pêşî li wêneyên gewr hatin veguheztin û bi verastkirina berevajîkirinê - bi taybetî, hevsengkirina histograma tixûbdar a berevajî (CLAHE) - hate perwerde kirin û ji ber vê yekê çu carî bi rastî li ser RFIyên rengîn nehat perwerde kirin. Ji ber vê yekê, em hîna nikanin van tesbîtan tenê li ser hîpoteza U-Net bi tevahî rave bikin.'

Lêbelê, nivîskar destnîşan dikin ku sedem ji bandorê kêmtir metirsîdar e, û diyar dikin ku şiyana modelên AI-yê ku nijad nas dikin, mimkunek pêk tîne. "Xetereya nelirêtiyê di algorîtmayên AI-ya bijîjkî de ku wan wekî têketinê bikar tînin".

Nivîskar balê dikişînin ser xwezaya berevajî ya bilind a nijadên ku hatine lêkolîn kirin, û destnîşan dikin ku komên nijadî yên 'navber' dibe ku bi rêgezên wekhev werin nas kirin, û ku ev aliyek e ku ew dixwazin di xebatên domdar û têkildar de lêkolîn bikin.

 

* Hemî girêdanên piştgirî yên ku ji hêla kaxezê ve hatine peyda kirin ku di vê gotarê de cih digirin, ji girêdanên PaperPile yên bi gihîştina tixûbdar veguhezîne guhertoyên serhêl ên gelemperî, ku gengaz be.