Сексийн талаарх мэдээлэлд сургасан хиймэл оюун ухаант загвар өмсөгчид өвчнийг оношлоход илүү муу ажилладаг

Саяхан а судалгаа хэвлэгдсэн PNAS сэтгүүлд, Аргентины судлаачдын хийсэн судалгаагаар хүйсийн хазайлттай сургалтын өгөгдөл байгаа нь өвчин болон бусад эрүүл мэндийн асуудлыг оношлоход загварын гүйцэтгэл мууддаг болохыг харуулж байна. Statsnews мэдээлснээр, судлаачдын баг эмэгтэй өвчтөнүүдийг маш дутуу төлөөлдөг эсвэл бүрмөсөн хасдаг сургалтын загваруудыг туршиж үзээд алгоритм нь тэднийг оношлоход илүү муу ажилладаг болохыг олж мэдэв. Эрэгтэй өвчтөнүүдийг хассан эсвэл дутуу төлөөлсөн тохиолдлуудад ч мөн адил хамаарна.

Сүүлийн хагас арван жилийн хугацаанд хиймэл оюун ухааны загварууд болон машин сургалтууд хаа сайгүй түгээмэл болж байгаагийн хэрээр өрөөсгөл өгөгдлийн багц болон тэдгээрийн үр дүнд бий болсон машин сургалтын загваруудын асуудалд илүү их анхаарал хандуулж байна. Машины сургалтын мэдээллийн гажуудал нь эвгүй, нийгэмд хор хөнөөлтэй, онцгой хиймэл оюун ухааны хэрэглээг бий болгоход хүргэдэг ч эмнэлгийн хэрэглээний тухайд хүний ​​амь нас эрсдэх болно. Гэсэн хэдий ч асуудлын талаархи мэдлэгтэй хэдий ч цөөн тооны судалгаанууд хэт нэг талыг барьсан өгөгдлийн багц нь хэр их хор хөнөөл учруулж болохыг тооцоолохыг оролдсон. Судалгааны багийн хийсэн судалгаагаар өгөгдлийн хазайлт нь олон шинжээчдийн урьд нь тооцоолж байснаас илүү ноцтой үр дагавартай болохыг тогтоожээ.

Сүүлийн хэдэн жилийн анагаах ухааны нөхцөлд хиймэл оюун ухааны хамгийн түгээмэл хэрэглээний нэг бол эмнэлгийн зураг дээр үндэслэн өвчтөнүүдийг оношлоход хиймэл оюун ухааны загварыг ашиглах явдал юм. Судалгааны баг рентген туяанаас уушигны хатгалгаа, кардиомегали, ивэрхий гэх мэт янз бүрийн эрүүл мэндийн эмгэг байгааг илрүүлэхэд ашигладаг загваруудад дүн шинжилгээ хийсэн. Судалгааны багууд Inception-v3, ResNet, DenseNet-121 гэсэн гурван нээлттэй эхийн загварын архитектурыг судалсан. Загваруудыг Стэнфордын их сургууль болон Эрүүл мэндийн үндэсний хүрээлэнгээс гаргасан хоёр нээлттэй эх сурвалжаас авсан цээжний рентген зураг дээр сургасан. Хэдийгээр хүйсийн төлөөллийн хувьд өгөгдлийн багц нь өөрөө нэлээд тэнцвэртэй байдаг ч судлаачид хүйсийн тэнцвэргүй байдал үүссэн тохиолдолд өгөгдлийг дэд бүлэг болгон хуваах замаар зохиомлоор гажуудуулсан байна.

Судалгааны баг эрэгтэй/эмэгтэй өвчтөний сканнерын янз бүрийн харьцаанаас бүрдсэн таван өөр сургалтын мэдээллийн багцыг бүтээсэн. Таван сургалтын багцыг дараах байдлаар хуваалаа.

• Бүх зургууд эрэгтэй өвчтөнүүдийн зураг байв
• Бүх зургууд эмэгтэй өвчтөнүүдийн зураг байв
• 25% нь эрэгтэй, 75% нь эмэгтэй
• 75% нь эмэгтэй, 25% нь эрэгтэй
• Хагас нь эрэгтэй, хагас нь эмэгтэй өвчтөнүүд

Загварыг нэг хэсэг дээр сургасны дараа эрэгтэй, эмэгтэй өвчтөнүүдийн сканнерын цуглуулгад туршиж үзсэн. Төрөл бүрийн эрүүл мэндийн нөхцөлд ажиглагдах хандлага ажиглагдаж байсан бөгөөд сургалтын өгөгдөл нь хүйсийн хувьд ихээхэн хазайсан үед загваруудын нарийвчлал хамаагүй муу байв. Сонирхолтой зүйл бол сургалтын мэдээлэлд нэг хүйсийн төлөөлөл хэт их байсан бол тухайн хүйс хэтрүүлсэн нь ашиг тусаа өгөхгүй байх шиг байна. Загвар нь аль нэг хүйсийн хувьд хазайсан өгөгдөл дээр бэлтгэгдсэн эсэхээс үл хамааран энэ хүйсийн хувьд багтаамжтай мэдээллийн багц дээр сургагдсантай харьцуулахад илүү сайн ажилласангүй.

Судалгааны ахлах зохиолч Энцо Ферранте гэж Statnews мэдээлэв Энэхүү судалгаа нь сургалтын өгөгдөл нь олон талт, загвараа турших гэж буй бүх популяцийг төлөөлөх нь хэчнээн чухал болохыг онцолж байна гэж тайлбарлав.

Нэг хүйс дээр бэлтгэгдсэн загвар өмсөгчид яагаад өөр хүйст дээр ажиллахад муу үзүүлэлттэй байдаг нь тодорхойгүй байна. Зарим зөрүү нь физиологийн ялгаатай байдлаас үүдэлтэй байж болох ч нийгэм, соёлын янз бүрийн хүчин зүйлүүд нь зарим ялгааг үүсгэж болно. Жишээлбэл, эмэгтэйчүүд эрчүүдтэй харьцуулахад өвчний явцын өөр үе шатанд рентген туяа авах хандлагатай байдаг. Хэрэв энэ нь үнэн байсан бол энэ нь сургалтын зургуудаас олдсон онцлог шинж чанаруудад (загварын сурсан загварт) нөлөөлж болзошгүй юм. Хэрэв ийм зүйл тохиолдвол судлаачдад өгөгдөл цуглуулах механизмаар дамжуулан өгөгдлийн багцад өгөгдлийн багцыг оруулах тул судлаачдад өгөгдлийн багцаа задлах нь илүү хэцүү болно.

Өгөгдлийн олон талт байдалд ихээхэн анхаарал хандуулдаг судлаачид ч заримдаа хазайсан, өрөөсгөл мэдээлэлтэй ажиллахаас өөр аргагүй болдог. Эмнэлгийн эмгэгийг хэрхэн оношлох хооронд ялгаа байгаа тохиолдолд өгөгдөл тэнцвэргүй болоход хүргэдэг. Жишээлбэл, хөхний хорт хавдартай өвчтөнүүдийн талаарх мэдээллийг бараг бүхэлд нь эмэгтэйчүүдээс цуглуулдаг. Үүний нэгэн адил аутизм нь эмэгтэйчүүд, эрэгтэйчүүдэд өөр өөр хэлбэрээр илэрдэг бөгөөд үр дүнд нь охид хөвгүүдийнхээс хамаагүй өндөр оношлогддог.

Гэсэн хэдий ч судлаачдын хувьд гажуудсан өгөгдөл, өгөгдлийн хазайлтыг аль болох хянах нь маш чухал юм. Үүний тулд ирээдүйн судалгаа нь судлаачдад өрөөсгөл өгөгдлийн үр нөлөөг тооцоолоход тусална.