به نظر می رسد تمایل به استفاده ناگهانی از داده های ناقص و سوال برانگیز برای آموزش کامپیوتر با استفاده از هوش مصنوعی AI در ارتباط با ویروس COVID-19 وجود دارد، یک روند خطرناک که نه تنها به هیچ بیمار و یا پزشک کمک نمی کند، بلکه به اعتبار جامعه هوش مصنوعی AI آسیب می زند. اصول اساسی علمی به همان اندازه برخورد با همه گیر ویروس کورونا مهم است. داده ها باید توسط متخصصان پزشکی جمع آوری شوند و باید اعتبارسنجی کامل انجام شود و نتایج باید قبل از استفاده از هرگونه راه حل یا حتی پیشنهادی به جهان بررسی شود، خصوصاً وقتی 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: استرس، محدودیت ها، قرنطینه ها، فداکاری های قهرمانانه مراقبان از جمله کارمندان، پرستاران و پزشکان، از دست دادن عزیزان، مشکلات اقتصادی و عدم قطعیت های گسترده درباره آنچه در ماه های آینده در حال اتفاق افتادن است. در چنین شرایطی، طبیعی است که بسیاری از ما با سریعترین راه ممکن به فکر کمک رسانی هستیم. جامعه هوش مصنوعی نیز از این قاعده مستثنی نیست.
روشهای یادگیری ماشین از داده ها تغذیه می کنند. آنها از داده های دارای برچسب برای طبقه بندی، پیش بینی و برآورد یاد می گیرند. کیفیت و قابلیت اطمینان هر روش هوش مصنوعی AI به طور مستقیم به کیفیت و قابلیت اطمینان داده های دارای برچسب بستگی دارد. در علم کامپیوتر، ما اصطلاحی داریم به نام “ورود زباله، خروج زباله” (GIGO) که با ورود داده های بدون کیفیت، خروجی نیز بدون کیفیت خواهد بود. این مسئله حتی هنگامی که با روشهای داده های کاملاً پیچیده، مانند تصاویر پزشکی – سروکار داریم، بسیار مهم است – داده هایی که معمولاً برای تفسیر صحیح به دانش بسیار تخصصی نیاز دارند.
در جامعه هوش مصنوعی AI، ما کاملاً به داده ها وابسته هستیم. ما معمولاً مجموعه داده های خود را با استفاده از روش های مختلف جمع می کنیم. از جمع آوری دستی نمونه ها گرفته تا ابزارآلات بسیار پیشرفته برای تجزیه و تحلیل از طریق اینترنت و سایر منابع در دسترس عموم. در تصویربرداری پزشکی، ما با یک دامنه بسیار حساس سروکار داریم که در آن یک فرآیند طولانی به طور کلی برای ترمیم و دسترسی به مجموعه ای از تصاویر دارای برچسب مورد نیاز است.
رادیولوژیست ها در سرتاسر جهان، بطور واضح بسیار مشغله دارند. اگر یک محقق هوش مصنوعی باشید که می خواهد به پیشرفت علم در ارتباط با ویروس کورونا کمکی کرده باشید، این روزها زمان برای ایجاد همکاری با رادیولوژیست ها مناسب نیست. بنابراین، برخی از ما شروع به جمع آوری مجموعه داده های خود کرده ایم تا برای کارهای آینده آماده شویم.
به نظر می رسد مجموعه ای از تصاویر با اشعه ایکس و تا حدودی CT – که از اینترنت دانلود شده اند – همه جا پدیدار می شوند و به نظر می رسد که سازندگان همچنان در حال افزودن تصاویر هستند. به دلیل در دسترس بودن چنین مجموعه داده هایی از یک طرف و فراگیر بودن دانش و ابزارهای ابتدایی 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 می کنند.
یکی از وب سایت ها و وبلاگ هایی را پیدا می کند که چگونگی تشخیص COVID-19 را از اسکن های اشعه ایکس با دقت بالا آموزش می دهند.
این نوع کارها معمولاً فاقد جزئیات آزمایشی است تا توضیح دهد که چگونه با چند تصویر از تعداد بسیار کمی از بیماران برای تغذیه شبکه عمیق استفاده کرد. چنین مقالاتی هیچ گونه اعتبار سنجی را گزارش نمی دهند، و هیچ رادیولوژیستی بر آن ها نظارت نکرده است. در تلاش برای غلبه بر اندازه داده های کوچک، علاقه مندان و مبتدیان هوش مصنوعی، معدود تصاویر COVID-19 را با سایر مجموعه های داده های عمومی، یعنی داده های ذات الریه، ترکیب می کنند.
شاید فراوانی در اطلاعیه فرصتهای مالی در روزهای اخیر و احتمال مواجهه با تحقیقات، 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 واکسن است و نه قرص. بسیار بعید است که رادیولوژیستهای 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 به سرعت مکتوب) بارگیری کنند تا فقط یک نظر ثانویه دوم ناقص را کسب کنند.
بله، همه ما می خواهیم کمک کنیم. بگذارید منتظر اطلاعات واقعی بیمارستان ها باشیم، اجازه دهید اخلاق را سرلوحه کار خود قرار دهیم و به ما اجازه دهید 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 هستیم و بیشتر به خود ارتقاء می پردازیم تا بهزیستی بیماران. رادیولوژیست ها روز و شب برای درک این ویروس در تصاویر پزشکی مشغول به کار هستند. بگذارید با آنها کار کنیم و از آنها یاد بگیریم که پتانسیل واقعی AI برای مقابله با عفونت های ویروسی در آینده پا به عرصه ظهور بگذارند.
برای اطلاعات بیشتر به موسسه سلامت مغز دانا و Senses Cultural Academy of Health مراجعه کنید.
منبع:
Imaging Findings of CoVID-19: More Than Just Ground Glass Opacities, by Henry Guo, MD, PhD. YouTube: https://www.youtube.com/watch?v=Bt9KQ8q6WJE
Radiology Preparedness for COVID-19: Radiology Scientific Expert Review Panel. YouTube: https://www.youtube.com/watch?v=1T98zMYxrKU
درباره نویسنده
دکتر علی محمد کمالی فارغ التحصیل دکترای تخصصی علوم اعصاب از دانشگاه علوم پزشکی شیراز، بیش از 15 سال است که در زمینه پژوهش، تدریس و فعالیت های اجرایی در حوزه علوم اعصاب فعالیت و تجربه دارد. وی همچنین در ارتقا عملکرد های شناختی با استفاده از نوروتکنولوژی و مطالعات خواب تخصص ویژه ای دارد. او یکی از بنیانگذاران انستیتو سلامت مغز دانا است، (گروهی که سلامت مغز را اولویت جامعه می داند).
دکتر کمالی بیش از 50 مقاله پژوهشی (h-index 13) در مجلات معتبر علمی به چاپ رسانده و در حال حاضر مدیر عامل انستیتو سلامت مغز دانا است. بعلاوه به عنوان پژوهشگر ارشد واحد مغز، شناخت و رفتار دپارتمان علوم اعصاب دانشگاه علوم پزشکی شیراز مشغول فعالیت می باشد. می توانید پژوهش او را در Google Scholar دنبال کنید.
دکتر کمالی علاوه بر تخصص در زمینه علوم اعصاب، سال ها است که به عنوان مدیر اجرایی مجله علوم پزشکی پیشرفته و فناوری های کاربردی (JAMSAT) مشغول به فعالیت است. همچنین به عنوان دبیر اجرایی انجمن علوم اعصاب ایران شاخه فارس فعالیت می کند.