🔻کلینیک متدولوژی | اپیزود ششم

📄 Dermatologist-level classification of skin cancer with deep neural networks (Nature, 2017)

شاید بارها در اخبار علمی این تیتر را شنیده باشید: «هوش مصنوعی توانست کنسر پوست را با دقتی بالاتر از پزشکان متخصص تشخیص دهد!» اما تا حالا فکر کردید پژوهشگران دانشگاه استنفورد پشت درهای بسته چه کردند و این متدولوژی را چطور چیدند که مقاله‌شان روی جلد شماره اصلی مجله معتبر Nature رفت؟
امروز در ششمین اپیزود از کلینیک متدولوژی، این مقاله جریان‌ساز را بررسی می‌کنیم تا ببینیم چطور از ۱۲۹ هزار تصویر نامنظم، ابزاری ساختند که در ارزیابی رو‌در‌رو با ۲۱ متخصص پوست و انکولوژی پیروز شد. ☕️👇

🔻 ابعاد پروژه در یک نگاه:
▫️ ۱۲۹٬۴۵۰ تصویر بالینی و درماتوسکوپی از ضایعات پوستی
▫️ ۲٬۰۳۲ نوع بیماری مختلف پوست
▫️ آزمون مقایسه رو‌در‌رو با ۲۱ متخصص پوست دارای بورد تخصصی
▫️ معماری شبکه عصبی عمیق Google Inception v3

🔻 ۴ شاهکار متدولوژیک که محققان استنفورد پیاده کردند:
۱. معماری درختی بیماری‌ها به‌جای دسته‌بندی صفر و یکی:
• سطح مبتدی: یک مبتدی فکر می‌کند باید به کامپیوتر بگوید: «این عکس کنسره یا نه؟»؛ در حالی که در پزشکی بیش از ۲ هزار بیماری پوستی با تظاهرات مشابه وجود دارد!
• سطح پیشرفته: پژوهشگران یک درخت دسته‌بندی سلسله‌مراتبی ساختند. مدل اول یاد می‌گرفت ضایعه کلاً «نئوپلاستیک هست یا نه»، بعد می‌فهمید «ملانوسیتی است یا غیرملانوسیتی»، و در برگ‌های انتهایی درخت به تشخیص دقیق (مثلاً ملانوم در برابر خال خوش‌خیم) می‌رسید. این متد مانع از سردرگمی هوش مصنوعی بین بیماری‌های نادر و شایع شد.
۲. استاندارد طلایی غیرقابل بحث: فقط بیوپسی!:
• اگر مدلی بسازید و درستی آن را با «نظر یک متخصص دیگر» بسنجید، کل متدولوژی شما زیر سوال می‌رود؛ چون چشم انسان خطا دارد!
• تکنیک مقاله: در دیتاست آزمون نهایی، نویسندگان فقط و فقط تصاویری را وارد کردند که نتیجه پاتولوژی و بیوپسی قطعی آزمایشگاهی داشتند. این تصمیم متدولوژیک باعث شد هیچ داوری نتواند به برچسب درستی ضایعات شک کند.
۳. یادگیری انتقالی به جای شروع از صفر:
• آموزش دادن یک شبکه عمیق با میلیون‌ها پارامتر از نقطه صفر، سال‌ها زمان و میلیاردها تومان هزینه پردازشی می‌خواهد.
• محققان از مدلی استفاده کردند که قبلاً روی ۱.۲۸ میلیون عکس معمولی (حیوانات، ماشین‌ها، اشیا در دیتاست ImageNet) آموزش دیده بود و مفاهیم ابتدایی مثل لبه‌ها، خطوط، زاویه‌ها و بافت‌ها را بلد بود. آنها فقط لایه‌های انتهایی شبکه را با عکس‌های ضایعات پوستی آموزش دادند.
۴. طراحی سناریوی مسابقه انسان و ماشین:
• چطور هوش مصنوعی را با متخصصان مقایسه کردند؟
به ۲۱ متخصص پوست عکس‌های بیوپسی‌شده را نشان دادند و پرسیدند: «آیا این ضایعه بدخیم است و باید جراحی شود؟»
سپس با رسم منحنی ROC، عملکرد مدل را به شکل یک منحنی پیوسته در نظر گرفتند. نتیجه شگفت‌انگیز بود: نقاط مربوط به عملکرد تک‌تک متخصصان پوست، زیر منحنی مدل قرار گرفت؛ یعنی هوش مصنوعی در ایجاد تعادل بین «حساسیت» (از دست ندادن کنسر) و «ویژگی» (ارسال نکردن بی‌دلیل افراد سالم به اتاق عمل) دقیق‌تر از میانگین پزشکان عمل کرد.

🛑 دو نقد جدی متدولوژی (بزرگ‌ترین درس برای پژوهشگران):
▫️ تورش نژادی و رنگ پوست:
بزرگ‌ترین پاشنه آشیل این مطالعه این بود که اکثریت مطلق تصاویر از بیماران با پوست روشن و سفید (تیپ‌های پوستی فیتزپاتریک I و II) استخراج شده بودند. وقتی چنین مدلی را به جمعیت‌هایی با پوست گندمی یا تیره ببرید، دقت آن به شدت افت می‌کند؛ درسی بزرگ که نشان می‌دهد تنوع جمعیت نمونه چقدر در یادگیری ماشین حیاتی است.
▫️ خطر یادگیری میانبر:
در کارهای بالینی، گاهی متخصصان کنار خال مشکوک با ماژیک علامت می‌زنند یا خط‌کش اندازه‌گیری می‌گذارند. مدل‌های کامپیوتری ممکن است به جای خود تومور، تصویر خط‌کش یا جوهر ماژیک را به عنوان نشانه کنسر یاد بگیرند! نویسندگان مجبور شدند صدها ساعت وقت برای پاک‌سازی حاشیه‌ها و برش استاندارد تصاویر صرف کنند.


🔗 https://doi.org/10.1038/nature21056

#کلینیک_متدولوژی

📌 روابط عمومی کمیته تحقیقات و فناوری دانشجویی دانشگاه علوم‌پزشکی اردبیل

🆔 @arums_src