به نظر می رسد تمایل به استفاده ناگهانی از داده های ناقص و سوال برانگیز برای آموزش راه حل AI برای COVID-19 وجود دارد ، یک روند خطرناک که نه تنها به هیچ بیمار یا پزشک کمک نمی کند بلکه به اعتبار جامعه AI آسیب می زند. برخورد با همه گیر - به همان اندازه که مهم است - اصول اساسی علمی را به حالت تعلیق در نمی آورد. داده ها باید توسط متخصصان پزشکی صورت پذیرد ، باید اعتبارسنجی کامل و دقیق انجام شود و نتایج باید قبل از استفاده از هرگونه راه حل یا حتی پیشنهادی به جهان ، توسط همسالان بررسی شود ، به خصوص هنگامی که جامعه با بسیاری از ابهامات روبرو است.
به راحتی می توان گفت همه ما عمیقاً نگران بیماری همه گیر COVID-19 هستیم. این coronavirus واقعیت ما را به شدت تغییر داده است : ما استرس ، محدودیت ، قرنطینه را تجربه می کنیم. ما شاهد فداکاری های قهرمانانه مراقبین از جمله کارمندان ، پرستاران و پزشکان هستیم. عزیزان را گم می کنیم. و ما با مشکلات اقتصادی و ابهامات گسترده ای درباره آنچه در ماه های آینده موجود است ، مواجه هستیم. در چنین شرایطی ، طبیعی است که بسیاری از ما به سریعترین راه ممکن به فکر راه های کمک رسانی هستیم. جامعه هوش مصنوعی نیز از این قاعده مستثنی نیست.
روشهای یادگیری ماشینی روی داده ها زندگی می کنند. آنها از طبقه بندی شده ، پیش بینی و برآورد از داده های دارای برچسب یاد می گیرند. کیفیت و قابلیت اطمینان هر روش AI به طور مستقیم به کیفیت و قابلیت اطمینان داده های دارای برچسب بستگی دارد. در علم رایانه ، ما در مورد "زباله در ، زباله بیرون" (GIGO) صحبت می کنیم ، که خلاصه ای از این تجربه است که ورودی با کیفیت پایین تولید خروجی غیرقابل اطمینان و یا "زباله" را ارائه می دهد. این مسئله حتی هنگامی که با روشهای دادههای کاملاً پیچیده ، مانند تصاویر پزشکی - سروکار داریم ، بسیار مهم است.
در جامعه AI ، ما کاملاً به داده ها وابسته هستیم. تا زمانی که دامنه حساس نباشد (امور مالی ، مراقبت های بهداشتی ، نظارتی و .) ، ما معمولاً مجموعه داده های خود را با استفاده از روش های مختلف جمع می کنیم ، از جمع آوری دستی نمونه ها گرفته تا خزنده های بسیار پیشرفته تا تجزیه از طریق اینترنت و سایر موارد عمومی. مخازن موجود در تصویربرداری پزشکی ، ما با یک دامنه بسیار حساس سروکار داریم که به طور کلی نیاز به یک پروسه طولانی برای ترمیم و دسترسی به مجموعه ای از تصاویر دارای برچسب دارد. نیازی به گفتن نیست ، این معالجه فقط باید به دلیل اینکه متخصصان در آنجا حضور داشته باشند بلکه به دلیل شناسایی مجدد تصاویر برای رعایت مقررات حریم خصوصی ، در داخل دیوارهای بیمارستان اتفاق می افتد.
اما گاهی اوقات بی تاب می شویم. ما با جمع آوری دستی منابع در دسترس عمومی (به عنوان مثال ، مجلات آنلاین) مجموعه داده های اسباب بازی ایجاد می کنیم - و به طور کلی نگرانی در مورد این روش وجود ندارد. بیشتر اوقات ما - به عنوان محققان هوش مصنوعی و فاقد صلاحیت بالینی یا پزشکی - مجموعه داده های اسباب بازی خود را ایجاد می کنیم تا تحقیقات اولیه را انجام دهیم و احساس چالش های پیش رو داشته باشیم. این اتفاق معمولاً در انتظار دریافت یک مجموعه داده حرفه ای است ، فرایندی که اغلب با بررسی اخلاق و مذاکرات مالکیت معنوی کند می شود.
واضح است که ، "مجموعه داده اسباب بازی" در حوزه تصویربرداری پزشکی فقط یک اسباب بازی نیست ، زیرا معمولاً بسیار کوچک است ، بلکه مهمتر از آن به دلیل ایجاد مهندسین و دانشمندان رایانه است ، نه توسط پزشکان و متخصصان پزشکی و بالینی. و اگر کسی با اسباب بازیهای خود در آزمایشگاههای هوش مصنوعی خود بازی کنیم ، کسی شکایت نخواهد کرد تا برای مقابله با داده های واقعی از بیمارستان آماده شویم.
رادیولوژیست ها در سرتاسر جهان ، بطور واضح بسیار شلوغ هستند ؛ اگر یک محقق بیش از حد هوش مصنوعی باشید که می خواهد به شما کمک کند بهترین زمان برای ایجاد همکاری با رادیولوژیست ها نیست. بنابراین برخی از ما شروع به جمع آوری مجموعه های داده های خود کرده ایم تا برای کارهای آینده آماده شویم.
به نظر می رسد مجموعه ای از تصاویر اشعه ایکس و CT - که از اینترنت جدا شده اند - در اینجا و آنجا پدیدار می شوند و به نظر می رسد که سازندگان همچنان به افزودن تصاویر ادامه می دهند. به دلیل در دسترس بودن چنین مجموعه داده هایی از یک طرف و فراگیر بودن دانش و ابزارهای اولیه هوش مصنوعی از طرف دیگر ، بسیاری از علاقه مندان و مبتدیان هوش مصنوعی به طور انعطاف پذیر شروع به تهیه راه حل هایی برای COVID-19 در تصاویر با اشعه X کرده اند.
یکی از وب سایت ها و وبلاگ هایی را پیدا می کند که در مورد چگونگی تشخیص COVID-19 از اسکن های اشعه ایکس با دقت بالا توصیه می کنند. برخی دیگر نوعی آموزش در مورد تشخیص COVID-19 در تصاویر با اشعه X را ارائه می دهند. ما حتی شروع به دیدن مقاله های غیرحضوری می کنیم که یک قدم جلوتر می روند و راه حل آنها را با نام های ناموفق مانند "COVID-Net" می بخشند. این نوع کار معمولاً فاقد جزئیات آزمایشی بسیاری برای توضیح چگونگی برخورد با چند تصویر از تعداد بسیار کمی از بیماران برای تغذیه شبکه عمیق است. چنین مقالاتی هیچ گونه اعتبار سنجی را گزارش نمی دهند ، و هیچ رادیولوژیست آزمایشات را راهنمایی نکرده است. بسیاری از این آثار با عجله منتشر شد تا قبل از اینکه سازندگان داده حتی بتوانند توضیحات کافی در مورد فرآیندهای جمع آوری خود ارائه دهند.
در تلاش برای غلبه بر اندازه داده های کوچک ، علاقه مندان به هوش مصنوعی و استارت آپ ها چند COVID-19 تصاویر خود را با سایر مجموعه های داده عمومی ، یعنی مجموعه داده های ذات الریه ، مخلوط می کنند. این کاملاً هوشمندانه است ، اما من یک مورد را با دقت بیشتری بررسی کردم و مشکل این است که موارد پنومونی تصاویر کودکان بودند. بنابراین COVID-Nets در حال مقایسه پنومونی کودکان (کودکان یک تا پنج ساله) با بزرگسالان COVID-19 است. خوب ، این اتفاق می افتد وقتی رادیولوژیست ها را از تحقیقاتی که نیاز به نظارت متخصص دارند ، حذف کنیم.
چرا ما عجله می کنیم که نتایج AI معیوب را در مجموعه های داده های کوچک مخلوط با آناتومی اشتباه ، بدون پشتوانه رادیولوژیکی و بدون اعتبار سنجی منتشر کنیم؟ آیا ما می خواهیم به بیماران COVID-19 کمک کنیم؟
شاید فراوانی در اعلامیه فرصتهای مالی در روزهای اخیر و احتمال مواجهه با تحقیقات ما ، ما را به سمت انجام تحقیقات نادرست سوق دهد. ما نمی توانیم اصول علمی اساسی را به دلیل تعطیلی و قرنطینه کنار بگذاریم. هوش مصنوعی نه تهویه ، واکسن است و نه قرص. بسیار بعید است که رادیولوژیست های خسته شده در ووهان ، قم یا برگامو کد پایتون را از شبکه آموزش دیده ضعیف ما (با استفاده از داده های ناکافی و نادرست و توصیف شده در مقالات و بلاگ ها که به سرعت نوشته شده اند) بارگیری کنند تا فقط نظر دوم ناقص را کسب کنند.
بله ، همه ما می خواهیم کمک کنیم. بگذارید منتظر اطلاعات واقعی بیمارستان ها باشیم ، اجازه دهید اخلاق اخلاقی و شناسایی هویت را انجام دهیم و به ما اجازه دهیم تا با رادیولوژیست ها کار کنیم تا راهکارهایی را برای مسائل قفسه سینه در آینده ایجاد کنیم. در غیر این صورت ، ممکن است این تصور را ایجاد کنیم که در حال انجام تحقیقات حسی هستیم و بیشتر به خود ارتقاء می پردازیم تا بهزیستی بیماران. رادیولوژیست ها روز و شب برای درک تظاهرات این ویروس در تصاویر پزشکی کار می کنند. بگذارید با آنها کار کنیم و از آنها یاد بگیریم که پتانسیل واقعی AI را برای مقابله با عفونت های ویروسی در آینده به نمایش بگذاریم.
درباره این سایت