به گزارش «خبرنامه دانشجویان ایران»؛ دکتر ریچارد ال. وال، مدیر موسسه رادیولوژی مالینکرود (MIR) در دانشکده پزشکی دانشگاه واشنگتن در سنت لوئیس، به توسعه دستورالعملهایی برای ارزیابی هوش مصنوعی (AI) در تصویربرداری پزشکی هستهای، پزشکی و تصویربرداری مولکولی (SNMMI)، کارگروه هوش مصنوعی SNMMI را تأاسیس کرد که در آن یک تیم ارزیابی تشکیل شد. این تیم متشکل از دانشمندان تصویربرداری محاسباتی، پزشکان و فیزیکدانان است.
مدیر این موسسه میگوید: «هوش مصنوعی در تصویربرداری پزشکی، بهویژه در تصویربرداری پزشکی هستهای، در بسیاری از کاربردها از تولید تصویر، بهبود و تجزیه و تحلیل، نویدبخش است. ما تحقیقات زیادی را در این زمینه انجام دادهایم اما برای ترجمه بالینی این الگوریتمها، ارزیابی دقیق مورد نیاز است.
او میافزاید: «عدم ارزیابی دقیق ممکن است پیامدهای نامطلوب متعددی داشته باشد، از جمله کاهش اعتبار یافتههای پژوهش، هدایت نادرست تحقیقات آینده، و مهمتر از همه، ارائه ابزارهایی که برای بیماران بیفایده یا حتی مضر هستند. در بحثهای ما مشخص شد که برای انجام چنین ارزیابی نیاز مهمی به دستورالعملها وجود دارد؛ به عنوان مثال تحقیقات قابل توجهی در توسعه الگوریتمهای هوش مصنوعی برای پردازش تصاویر پزشکی هستهای که با دوزهای پایین به دست میآیند، وجود دارد».
دکتر ریچارد ال. وال ادامه میدهد: «در این مسیر، در آزمایشگاه خودمان، الگوریتمی برای پردازش تصاویر SPECT قلبی با دوز پایین ایجاد کردیم و از نتایج هیجانزده شدیم، زیرا تصاویر حاصل از نظر بصری عالی به نظر میرسند، اما این مهم نیست که آنها عالی به نظر میرسند، بلکه مهم این است که آنها چگونه کار مورد نیاز از تصاویر را انجام میدهند، ما متوجه شدیم در حالی که تصاویر خوب به نظر میرسند، در برخی موارد ضایعات اصلی را برداشته و در برخی موارد ضایعات کاذب را معرفی کردهاند.
هیچ یک از این نتایج قابل قبول نیست و نیاز به ارزیابی الگوریتمها بر اساس کار بالینی را نشان میدهد.
رونالد بولارد، استاد رادیولوژی میگوید: «تعریف صحیح و روشن از یک ادعا که نشان دهنده کاربرد مورد نظر و اعتبار الگوریتم هوش مصنوعی باشد، بسیار مهم است و این ادعا باید با ارزیابی مناسب و گسترده روش هوش مصنوعی اثبات شود. این ادعا باید به طور مشخص نشان دهد که الگوریتم تحت چه شرایطی و برای چه بیمارانی میتواند مورد استفاده قرار گیرد؟ همچنین هر گونه محدودیت یا عاملی که میتواند منجر به عملکرد نادرست یا کمتر دقیق شود.
او میگوید: هوش مصنوعی پتانسیل گسترش تخصص را در سطح جهانی دارد، اما اگر به درستی اجرا نشود، میتواند نادرستیها را گسترش دهد، بنابراین نتیجه این کارآزمایی برای حصول اطمینان از توسعه و بکارگیری روشهای AI معتبر جمعیت و کار خاص بسیار مهم است.
هدف این چارچوب این است که توسعهدهندگان هوش مصنوعی را هدایت کند تا مطالعه ارزیابی را انجام دهند که شواهدی برای حمایت از ادعای مورد نظرشان ارائه میکند.
مدیر موسسه فوق میگوید: «ما میخواهیم مطمئن شویم که این الگوریتمها به خوبی ارزیابی میشوند تا بتوانند به خوبی در کارهای بالینی کمک کرده و به این ترتیب بیماران بهترین درمان را دریافت کنند. ما میخواهیم هوش مصنوعی به بیمار کمک کند، نه اینکه به بیمار آسیب برساند.»
