تشخیص الگوی سرطان، شاخهای تخصصی از هوش مصنوعی پزشکی است که تومورها و ناهنجاریهای سلولی را در دادههای تصویربرداری تشخیص میدهد، در حالی که طبقهبندی عمومی تصویر، وظایف تشخیص بصری گستردهای را در اشیاء و صحنههای روزمره پوشش میدهد. هر دو به یادگیری عمیق متکی هستند، اما دادههای آموزشی، نیازهای دقت و موانع نظارتی آنها به طرز چشمگیری متفاوت است.
یک رویکرد تخصصی هوش مصنوعی که برای شناسایی سلولهای بدخیم، تومورها و ناهنجاریهای بافتی در اسکنهای پزشکی و اسلایدهای پاتولوژی آموزش دیده است.
یک رشته گسترده هوش مصنوعی که به ماشینها میآموزد تصاویر روزمره را در هزاران کلاس از اشیاء، صحنهها و فعالیتها دستهبندی کنند.
| ویژگی | تشخیص الگوی سرطان | طبقهبندی عمومی تصویر |
|---|---|---|
| دامنه اصلی | تصویربرداری پزشکی و آسیبشناسی | اشیاء روزمره و صحنههای طبیعی |
| اندازه معمول مجموعه داده | هزاران تا صدها هزار تصویر پزشکی حاشیهنویسیشده | میلیونها تصویر برچسبگذاری شده (مثلاً ImageNet بیش از ۱۴ میلیون تصویر دارد) |
| الزامات دقت | بسیار بالا؛ منفیهای کاذب میتوانند درمان نجاتبخش را به تأخیر بیندازند | زیاد اما قابل تحمل؛ خطاها به ندرت مسئله مرگ و زندگی را به همراه دارند |
| نظارت نظارتی | منوط به رعایت الزامات FDA، CE و HIPAA | عموماً فراتر از قوانین حفظ حریم خصوصی دادهها، نظارتی بر آنها وجود ندارد |
| معماریهای مدل رایج | CNNهایی مانند ResNet، U-Net و Vision Transformers برای دادههای پزشکی تنظیم شدهاند. | ResNet، EfficientNet، ViT و ConvNeXt از ابتدا یا از قبل آموزش دیدهاند |
| نیازهای تفسیرپذیری | حیاتی؛ پزشکان به خروجیهای قابل توضیح و نمرات اطمینان نیاز دارند | اغلب اختیاری است؛ پیشبینیهای جعبه سیاه معمولاً قابل قبول هستند |
| هزینه حاشیهنویسی | بسیار گران است؛ نیاز به پاتولوژیستها یا رادیولوژیستهای دارای مجوز دارد | نسبتاً ارزان؛ کارگران جمعیت میتوانند اکثر تصاویر را برچسبگذاری کنند |
| محیط استقرار | سیستمهای بیمارستانی، شبکههای PACS و آزمایشگاههای تشخیصی | رابطهای برنامهنویسی کاربردی ابری، برنامههای تلفن همراه و دستگاههای لبهای |
| تحمل خطا | نزدیک به صفر؛ طبقهبندی نادرست میتواند عواقب قانونی و اخلاقی داشته باشد | متوسط؛ یک برچسب اشتباه به ندرت باعث آسیب جدی میشود |
مدلهای تشخیص الگوی سرطان به مجموعه دادههای بسیار تخصصی وابسته هستند که در آنها هر برچسب از یک متخصص آموزشدیده میآید. حاشیهنویسی یک تصویر پاتولوژی کل اسلاید میتواند ساعتها طول بکشد تا یک پاتولوژیست متخصص آن را تفسیر کند، به همین دلیل است که مجموعه دادههای پزشکی بسیار کوچکتر از مجموعه دادههای عمومی هستند. در مقابل، طبقهبندی عمومی تصاویر از پیکرههای عظیم عمومی مانند ImageNet و COCO بهره میبرد، جایی که برچسبها اغلب توسط کارگران جمعیت در عرض چند ثانیه تولید میشوند.
وقتی یک مدل تشخیص سرطان، تومور را از دست میدهد، عواقب آن میتواند کشنده باشد، بنابراین این سیستمها برای حساسیت بسیار بالا تنظیم شدهاند، حتی به قیمت مثبت کاذب بیشتر. طبقهبندیکنندههای تصویر عمومی در محیطهای کمریسکتر کار میکنند که در آنها یک عکس گربه با برچسب اشتباه صرفاً ناخوشایند است. این تفاوت همه چیز را از طراحی تابع زیان گرفته تا تنظیمات آستانه مورد استفاده در طول استنتاج شکل میدهد.
ابزارهای هوش مصنوعی پزشکی باید قبل از رسیدن به بیماران، موانع نظارتی مانند مجوز FDA 510(k) یا نشان CE اروپا را پشت سر بگذارند و تحت قوانین سختگیرانه حفاظت از دادهها مانند HIPAA قرار میگیرند. طبقهبندیکنندههای عمومی تصویر با بررسی بسیار کمتری مواجه میشوند، اگرچه هنوز هم هنگام کار با عکسهای شخصی باید قوانین حفظ حریم خصوصی را رعایت کنند. شکاف نظارتی توضیح میدهد که چرا استارتاپهای هوش مصنوعی سرطان سالها را صرف اعتبارسنجی میکنند در حالی که یک طبقهبندیکننده تصویر جدید میتواند در عرض چند هفته ارسال شود.
پزشکان به ندرت بر اساس خروجی یک مدل بدون درک دلیل علامتگذاری یک منطقه عمل میکنند، به همین دلیل است که سیستمهای تشخیص سرطان اغلب شامل نقشههای حرارتی، پوششهای توجه و نمرات اطمینان هستند. طبقهبندی کلی تصویر به ندرت به این سطح از شفافیت نیاز دارد، اگرچه قابلیت توضیح در حوزههای تأثیرگذار مانند رانندگی خودران در حال افزایش است. اصرار حوزه پزشکی بر تفسیرپذیری، در واقع تحقیقات گستردهتر هوش مصنوعی را به سمت معماریهای شفافتر سوق داده است.
تشخیص الگوی سرطان اغلب شامل تصاویر تمام اسلاید گیگاپیکسلی است که نیاز به پیشپردازش سنگین، کاشیکاری و گاهی اوقات خطوط لوله استنتاج چند پردازنده گرافیکی دارند. طبقهبندیکنندههای تصویر عمومی معمولاً عکسهای با وضوح استاندارد را در میلیثانیه روی یک پردازنده گرافیکی واحد یا حتی یک تلفن هوشمند پردازش میکنند. با ظهور معماریهای کارآمد، شکاف محاسباتی در حال کاهش است، اما تصویربرداری پزشکی هنوز به زیرساختهای قابل توجهی بیشتری برای هر پیشبینی نیاز دارد.
طبقهبندی عمومی تصویر در همه جا وجود دارد، از دوربینهای تلفن که عکسهای شما را مرتب میکنند تا دوربینهای امنیتی که مزاحمان را شناسایی میکنند. تشخیص الگوی سرطان هنوز در حال یافتن جایگاه خود در عمل بالینی است و ابزارهایی مانند آشکارساز سرطان پروستات Paige.AI و IDx-DR برای رتینوپاتی دیابتی از جمله نمونههای اولیه موفقیت تایید شده توسط FDA هستند. پذیرش در انکولوژی در حال رشد است اما در بیمارستانها و مناطق مختلف همچنان ناهموار است.
هوش مصنوعی در تشخیص سرطان میتواند به طور کامل جایگزین پاتولوژیستها شود.
این سیستمها برای کمک به پزشکان طراحی شدهاند، نه جایگزینی آنها. اکثر ابزارهای مورد تأیید FDA به عنوان یک جفت چشم دوم عمل میکنند و مناطق مشکوک را برای بررسی توسط یک آسیبشناس علامتگذاری میکنند. تشخیصهای نهایی هنوز به قضاوت انسانی نیاز دارند، به خصوص در موارد مبهم یا نادر.
طبقهبندیکنندههای تصویر عمومی مانند موارد موجود در ImageNet میتوانند مستقیماً در اسکنهای پزشکی اعمال شوند.
مدلهایی که بر اساس عکسهای روزمره آموزش داده میشوند، اغلب در تصاویر پزشکی به طرز چشمگیری شکست میخورند، زیرا ویژگیهای بصری بسیار متفاوت هستند. هوش مصنوعی پزشکی نیاز به تنظیم دقیق دادههای خاص هر حوزه دارد و حتی در این صورت، عملکرد در روشهای تصویربرداری و انواع سرطان بسیار متفاوت است.
اگر یک هوش مصنوعی سرطان در یک معیار به دقت ۹۹٪ دست یابد، آماده استفاده بالینی است.
دقت معیارها، عملکرد در دنیای واقعی را تضمین نمیکند. مدلها میتوانند به دلیل تفاوت در اسکنرها، پروتکلهای رنگآمیزی و مشخصات جمعیتی بیماران، در بیمارستانهای مختلف، کیفیت خود را از دست بدهند. اعتبارسنجی دقیق خارجی و آزمایشهای بالینی آیندهنگر قبل از استقرار مورد نیاز است.
دادههای آموزشی بیشتر همیشه مدلهای تشخیص سرطان را بهبود میبخشند.
کیفیت در هوش مصنوعی پزشکی بسیار مهمتر از کمیت است. یک مجموعه داده کوچک و با حاشیهنویسی تخصصی اغلب از یک مجموعه داده بزرگ و پر سر و صدا بهتر عمل میکند. عدم تعادل کلاس، ثبات برچسب و تنوع جمعیتی عوامل مهمی هستند که حجم دادههای خام به تنهایی نمیتواند آنها را حل کند.
طبقهبندی عمومی تصویر یک مسئله حلشده است.
در حالی که مدلهای برتر در ImageNet امتیاز بالای ۹۰٪ کسب میکنند، هنوز با موارد حاشیهای مانند زوایای غیرمعمول، اشیاء نادر و ورودیهای خصمانه دست و پنجه نرم میکنند. استقرار در دنیای واقعی، شکافهایی را آشکار میکند که معیارها آنها را نشان نمیدهند، به خصوص در کاربردهای ایمنی-حیاتی.
زمانی که وظیفه شامل تشخیص بدخیمیها در تصاویر پزشکی است و دقت بالینی، انطباق با مقررات و قابلیت تفسیر غیرقابل مذاکره هستند، تشخیص الگوی سرطان را انتخاب کنید. زمانی که به یک سیستم بینایی همهکاره برای اشیاء، صحنهها یا فعالیتهای روزمره نیاز دارید که در آنها سرعت، مقیاس و انعطافپذیری بیش از دقت در حد مرگ و زندگی اهمیت دارد، طبقهبندی عمومی تصویر را انتخاب کنید.
LLM های مبتنی بر ابزار، مدلهای زبانی مستقل را با اتصال آنها به APIهای خارجی، ماشینحسابها و پایگاههای داده گسترش میدهند و بازیابی اطلاعات و اجرای وظایف را در زمان واقعی امکانپذیر میسازند. LLM های مستقل صرفاً به پارامترهای آموزشدیده خود متکی هستند و آنها را مستقل اما محدود به دانش حاصل از دادههای آموزشی میکنند.
LLM های متن باز، مدلهای هوش مصنوعی قابل تنظیم و خود-میزبان با دسترسی کامل به کد ارائه میدهند، در حالی که API های اختصاصی LLM، خدمات مدیریت شده و بهبود یافته را از طریق نقاط پایانی مبتنی بر ابر با قیمت گذاری مبتنی بر میزان استفاده ارائه میدهند.
RAG و LLM های تنظیمشده دقیق، هر دو کیفیت خروجی هوش مصنوعی را بهبود میبخشند، اما به روشهای اساساً متفاوتی عمل میکنند. RAG اطلاعات خارجی را در زمان پرسوجو دریافت میکند، در حالی که تنظیم دقیق، دانش جدید را مستقیماً در وزنهای مدل قرار میدهد. انتخاب بین آنها بستگی به این دارد که دادههای شما چند وقت یکبار تغییر میکنند و به چه نوع دقتی نیاز دارید.
RAG با زمینه بصری، مدلهای زبانی را با بازیابی تصاویر، نمودارها و دیاگرامها در کنار متن غنی میکند، در حالی که RAG فقط متنی صرفاً به متون نوشتاری متکی است. RAG بصری در وظایف چندوجهی مانند درک اسناد و پاسخ به سؤالات بصری برتری دارد، در حالی که RAG فقط متنی سادهتر، سریعتر و ارزانتر برای استقرار باقی میماند.
RAG چندوجهی متن، تصاویر، صدا و ویدیو را برای بازیابی غنیتر با هم پردازش میکند، در حالی که RAG فقط متنی منحصراً بر محتوای نوشتاری تمرکز دارد. انتخاب بستگی به این دارد که آیا دادهها و موارد استفاده شما فراتر از اسناد متنی ساده است یا خیر.
