هوش مصنوعی آموزش دیده برای «فکر کردن» مانند آسیب شناسان انسانی ممکن است در تشخیص سرطان بهتر باشد
هوش مصنوعی یک مطالعه جدید نشان می‌دهد که (AI) که به دنبال سرطان هستند، زمانی که به این تحلیل نزدیک می‌شوند که گویی یک آسیب‌شناس انسانی هستند، کار بهتری انجام می‌دهند.
بسیاری از سیستم های هوش مصنوعی مناطق از پیش انتخاب شده یک نمونه بافت را تجزیه و تحلیل می کنند یا کل اسلاید آسیب شناسی را به نقاط با اندازه ثابت تقسیم می کنند. در مقابل، آسیب‌شناس به صورت پویاتر جستجو می‌کند، در بافت حرکت می‌کند، بزرگنمایی و کوچک‌نمایی می‌کند، و در مناطقی که پرچم‌های قرمز را برافراشته‌اند مکث می‌کند. یک اسلاید کامل می تواند حاوی میلیاردها پیکسل باشد، در حالی که شواهدی برای سرطان ممکن است تنها بخش کوچکی را اشغال کند.
یکی از نویسندگان مطالعه جی هوانگاستادیار پاتولوژی و پزشکی آزمایشگاهی در دانشگاه پنسیلوانیا، این فرآیند را با یک هلیکوپتر جستجو و نجات مقایسه کرد. هوانگ به Live Science گفت: «شما با بازرسی یک متر مربع زمین شروع نمی کنید. ابتدا چشم انداز را اسکن می کنید و سپس برای مشاهده دقیق تر وارد آن می شوید.
جدیدترین ویدیوها ازعلم زنده
در مطالعه جدید که در ماه جولای در مجله منتشر شد طبیعتHuang و همکارانش نشان دادند که هوش مصنوعی تشخیص سرطان زمانی که از این رویکرد انسانی استفاده می‌کند بهتر عمل می‌کند.
آموزش هوش مصنوعی برای شکار خرچنگ
الگوریتم‌های هوش مصنوعی به نام مدل‌های زبان بصری (VLM) اولین گامی را که هوانگ توصیف می‌کند، یعنی اسکن اولیه و گذرا، انجام می‌دهند. این تا حدی به این دلیل است که بسیاری از سیستم‌های هوش مصنوعی آسیب‌شناسی از آنچه آسیب‌شناسان در پایان جستجو از خود به جای می‌گذارند یاد می‌گیرند: یک تصویر برچسب‌گذاری شده که نشان‌دهنده محل سرطان است، یا یک تشخیص رسمی.
در عوض، محققان هوش مصنوعی جدید خود را بر روی رفتار جستجوی آسیب شناسان آموزش دادند. آنها این رویکرد را برای یادگیری «Pathology-CoT» نامیدند که مخفف «زنجیره فکر» است. اقدامات قابل مشاهده، از جمله زمانی که آسیب شناسان حرکت می کنند و روی تصویر زوم می کنند، به داده های آموزشی تبدیل می کند.
برای جمع آوری داده ها، تیم ابزاری ایجاد کردند که نحوه حرکت آسیب شناسان در اطراف یک اسلاید و تغییر بزرگنمایی را ثبت می کند. سیاهه‌های خام جمع‌آوری‌شده توسط هشت آسیب‌شناس آشفته بودند، زیرا یک آسیب‌شناس می‌توانست در یک اسلاید حرکت کند، از ناحیه مورد نظر فوکوس فراتر رود، یا با زوم بازی کند تا آن را مطابق میل خود تنظیم کند.
جذاب ترین اکتشافات جهان را مستقیماً در صندوق ورودی خود دریافت کنید.
برای پاکسازی داده ها، محققان این حرکات تصادفی را فیلتر کردند و بر لحظاتی تمرکز کردند که به نظر می رسید نشان دهنده توجه عمدی است، مانند ماندن در یک نما یا انجام یک حرکت طولانی. آنها سپس این مناطق را با داده‌های ردیابی چشم مقایسه کردند تا ببینند آیا نرم‌افزار از جایی که آسیب‌شناسان واقعاً به آن نگاه می‌کنند، می‌گیرد یا خیر.
برای هر منطقه ای که توسط یک پاتولوژیست بازرسی می شود، VLM همچنین توجیه مختصری ارائه کرد که توضیح می داد چرا منطقه ارزش بررسی دارد و چه ویژگی هایی قابل مشاهده است. سپس آسیب شناسان انسانی می توانند منطق را بپذیرند، ویرایش یا رد کنند و داده های آموزشی اضافی برای هوش مصنوعی ایجاد کنند. در یک مثال، هوش مصنوعی بخشی از یک اسلاید را به‌عنوان متاستاتیک بالقوه علامت‌گذاری کرد و برای جستجوی سلول‌های غیر معمول، بزرگنمایی را پیشنهاد کرد. سایر مناطق بازرسی شده به عنوان بافت سالم مشخص شدند.
در نهایت، محققان از این روش یادگیری برای ایجاد ابزار جدیدی به نام Pathology-o3 استفاده کردند. یک اسلاید با وضوح پایین را اسکن می کند، از مدلی استفاده می کند که بر روی رفتار آسیب شناسان آموزش دیده است تا مناطقی را که ارزش یک نگاه دقیق تر را دارند انتخاب کند، سپس نماهایی با وضوح بالاتر از آن مناطق را برای تجزیه و تحلیل به VLM ارسال می کند.
Pathology-CoT الگوریتمهایی را آموزش می‌دهد تا کل یک اسلاید را اسکن کنند و سپس برای مشاهده دقیقتر به مناطق مورد نظر برگردند.
(اعتبار تصویر: Universal Images Group از طریق Getty Images)
قرار دادن آن به آزمون
هوانگ گفت هدف از مطالعه جدید این نیست که نشان دهد Pathology-o3 بهتر از مدل های تخصصی هوش مصنوعی که به طور خاص برای تشخیص انواع خاصی از سرطان طراحی شده اند، عمل می کند. این مدل‌ها اغلب با بیماری آموزش داده می‌شوند. در عوض، محققان می‌خواستند ببینند که آیا رویکرد جدید آنها برای یادگیری می‌تواند به یک هوش مصنوعی همه‌منظوره کمک کند تا یک اسلاید آسیب‌شناختی را به طور مؤثرتری هدایت کند.
آنها Pathology-o3 را با سایر سیستم‌های هوش مصنوعی عمومی مانند o3 OpenAI مقایسه کردند و از الگوریتم‌ها خواستند اسلایدهای حاوی بافت غدد لنفاوی را بررسی کنند. این اسلایدها از موارد سرطان کولورکتال جمع‌آوری شده‌اند و برخی حاوی سرطان متاستاتیک هستند که آسیب‌شناسان انسانی قبلاً آن را برچسب‌گذاری کرده‌اند.
این الگوریتم به درستی اسلایدهایی را که برای سرطان مثبت بودند در 100٪ موارد شناسایی کرد. با این حال، از اسلایدهای مثبت شناسایی شده، 15.5٪ در واقع منفی بودند. در مقایسه، OpenAI o3 به درستی اسلایدهایی را که برای سرطان مثبت بودند در 87.5 درصد موارد شناسایی کرد. از اسلایدهای مثبت شناسایی شده، 53.3 درصد در واقع منفی بودند.
محققان Pathology-o3 را به گونهای طراحی کردند که اشتباه باشد و به جای اینکه به طور بالقوه سرطان را از دست بدهند، چیزی را برای ظاهری دیگر علامت‌گذاری کنند. هوانگ گفت که این ممکن است به توضیح نرخ مثبت کاذب کمک کند.
او گفت که آیا این نرخ هشدار نادرست قابل قبول است یا خیر بستگی به نحوه استفاده از Pathology-o3 دارد محمد اسدی، یک دانشمند داده در دانشگاه استنفورد که در این تحقیق شرکت نداشت. این به اندازه کافی دقیق نیست که هوش مصنوعی بتواند بیماران را به تنهایی تشخیص دهد، اما همچنان می تواند برای این سیستم مفید باشد که انسان را به مناطقی از یک اسلاید هدایت کند که ارزش بررسی مجدد را دارند. او گفت که ممکن است این یک مزیت باشد که این رویکرد به پاتولوژیست یک منطقه خاص را برای بررسی نشان می دهد، نه اینکه کل یک اسلاید را مشکوک اعلام کند.
محققان سعی کردند آزمایش را روی یک مجموعه داده مستقل که الگوریتم‌ها قبلاً ندیده بودند، تکرار کنند تا ببینند این آزمایش در اسلایدهای ناآشنا چقدر خوب عمل می‌کند. Pathology-o3 به درستی اسلایدهایی را که برای سرطان مثبت بودند در 97.6 درصد موارد شناسایی کرد. از اسلایدهای مثبت شناسایی شده، 37.1 درصد در واقع منفی بودند. این یافته نمونه ای از این است که چگونه عملکرد هوش مصنوعی می تواند با تغییر منبع داده تغییر کند، حتی زمانی که وظیفه پزشکی ثابت می ماند.
اسدی توضیح داد که این نتیجه نشان می دهد که سیستم همچنان می تواند با اسلایدهایی از منبع متفاوت کار کند. اما این نتیجه هنوز نشان نمی دهد که استفاده از این ابزار آسیب شناسان را در عمل دقیق تر یا کارآمدتر می کند.
آیا می تواند به آسیب شناسان کمک کند؟
محققان رویکرد آموزشی خود را برای چندین VLM موجود به کار بردند و دریافتند که عملکرد مدل‌ها به طور مداوم پس از آموزش بهبود مییابد. اسدی گفت که این نشان می دهد که داده های ناوبری از آسیب شناسان در تنظیمات مختلف مفید بوده است.
برای هوانگ، این مهم ترین نتیجه است. او گفت: «گرفتن سیستم ما نیست. این است که عنصر گمشده در تمام این مدت در بیمارستان ها نشسته است.
این مطالعه Pathology-o3 را مستقیماً با آسیب شناسان انسانی مقایسه نکرد، اما محققان گفتند که هدف آنها این نبود.
هوانگ گفت: «سؤال درست این نیست که آیا یک آسیب شناس را شکست می دهد یا خیر. «این مهم است که آیا آسیب‌شناسی که با آن کار می‌کند بیشتر می‌گیرد [cancer cases] و سریعتر کار می کند.» مطالعه کنونی نیز به سوال دوم پاسخ نمی‌دهد، اما آزمایش بعدی تیم برای آزمایش پاتولوژیست‌ها روی موارد مشابه با و بدون Pathology-o3 طراحی شده است، و اندازه‌گیری آنچه را که آنها انتخاب می‌کنند و مدت زمانی که برای انجام این کار طول می‌کشد را اندازه‌گیری می‌کند.
اسدی گفت که محتمل ترین استفاده از این سیستم به عنوان یک ابزار غربالگری است، اما تاکید کرد که تحقیقات هنوز نشان نداده است که پزشکانی که از آن استفاده می کنند سریعتر یا دقیق تر می شوند. اسدی یک آزمایش دشوارتر می‌خواهد: آزمایش‌هایی که در چندین بیمارستان انجام می‌شود که نه تنها دقت و سرعت، بلکه حجم کار پاتولوژیست‌ها را نیز اندازه‌گیری می‌کند. او می‌خواهد این آهنگ‌ها شدت آلارم‌های کاذب را از الگوریتم‌های هوش مصنوعی ارزیابی کنند و اینکه آیا پزشکان تشخیص می‌دهند که هوش مصنوعی اشتباه است یا خیر.
نکته مهم، تشخیص سرطان می‌تواند به اطلاعاتی از اسلایدهای متعدد، اسمیر و سابقه پزشکی بیمار نیاز داشته باشد، در حالی که سیستم فعلی فقط یک اسلاید را در یک زمان می‌خواند. هوانگ گفت: “من استدلال نمی کنم که باید به تنهایی تشخیص دهد.”
این مقاله فقط برای مقاصد اطلاعاتی است و برای ارائه توصیه های پزشکی نیست.
وانگ، اس.، وو، آر.، هرندون، سی، لی، اس.، لیو، ی.، کوگا، اس.، ژو، ایکس.، الدر، دی. ای.، الکس مایلز، جی.، جین، آ.، هیرای، آی.، دوگر، ام.، شن، جی.، و هوانگ، زی (2026). Pathology-COT: مطالعه زنجیره بصری عامل فکری رفتار متخصص در تشخیص تصویر کل اسلاید. مهندسی زیست پزشکی طبیعت. https://doi.org/10.1038/s41551-026-01739-y
