بازی‌سازی برچسب‌گذاری داده‌های پزشکی برای پیشرفت هوش مصنوعی | اخبار MIT

زمانی که Erik Duhaime PhD ’19 روی پایان نامه خود در مرکز اطلاعات جمعی MIT کار می کرد، متوجه شد که همسرش که در آن زمان دانشجوی پزشکی بود، ساعت ها را صرف مطالعه روی برنامه هایی می کند که فلش کارت ها و آزمون ها را ارائه می دهند. تحقیقات او نشان داده بود که به عنوان یک گروه، دانشجویان پزشکی می توانند ضایعات پوستی را با دقت بیشتری نسبت به متخصصان پوست حرفه ای طبقه بندی کنند. ترفند این بود که به طور مداوم عملکرد هر دانش آموز را در مواردی با پاسخ های شناخته شده اندازه گیری کنید، نظرات افرادی را که در انجام کار بد عمل می کردند، کنار بگذارید، و به طور هوشمندانه نظرات افراد خوب را جمع آوری کنید.

Duhaime با ترکیب عادات مطالعه همسرش با تحقیقات خود، Centaur Labs را تأسیس کرد، شرکتی که یک برنامه تلفن همراه به نام DiagnostUs برای جمع آوری نظرات متخصصان پزشکی در مورد داده های علمی و زیست پزشکی دنیای واقعی ایجاد کرد. از طریق این برنامه، کاربران هر چیزی را از تصاویر ضایعات پوستی بالقوه سرطانی یا کلیپ‌های صوتی صداهای قلب و ریه که می‌تواند نشان دهنده وجود مشکل باشد را بررسی می‌کنند. اگر کاربران دقیق باشند، Centaur از نظرات آنها استفاده می کند و جوایز نقدی کوچکی به آنها اهدا می کند. این نظرات به نوبه خود به شرکت های هوش مصنوعی پزشکی کمک می کند تا الگوریتم های خود را آموزش دهند و بهبود بخشند.

این رویکرد تمایل متخصصان پزشکی برای تقویت مهارت‌های خود را با نیاز مبرم به داده‌های پزشکی با برچسب توسط شرکت‌هایی که از هوش مصنوعی برای بیوتکنولوژی، توسعه داروها یا تجاری‌سازی دستگاه‌های پزشکی استفاده می‌کنند، ترکیب می‌کند.

Duhaime به یاد می آورد: “من متوجه شدم که تحصیل همسرم می تواند کار سازنده ای برای توسعه دهندگان هوش مصنوعی باشد.” «امروزه ده‌ها هزار نفر از برنامه ما استفاده می‌کنند و حدود نیمی از آن‌ها دانشجویان پزشکی هستند که از کسب درآمد در فرآیند تحصیل غافلگیر شده‌اند. بنابراین، ما این پلتفرم بازی‌سازی شده را داریم که در آن افراد با یکدیگر رقابت می‌کنند تا داده‌ها را آموزش دهند و اگر هم زمان خوب باشند و مهارت‌های خود را بهبود ببخشند، پول برنده می‌شوند – و با انجام این کار، داده‌ها را برای تیم‌هایی که هوش مصنوعی نجات‌دهنده زندگی می‌سازند، برچسب‌گذاری می‌کنند.

بازی‌سازی برچسب‌های پزشکی

Duhaime دکترای خود را زیر نظر توماس مالون، استاد مدیریت پاتریک جی مک گاورن و مدیر مؤسس مرکز اطلاعات جمعی به پایان رساند.

دوهایمی می‌گوید: «آنچه برای من جالب بود، پدیده‌ی خرد جمعیت بود. «از یک دسته از مردم بپرسید که چند دانه ژله در یک شیشه وجود دارد، و میانگین پاسخ همه بسیار نزدیک است. برایم جالب بود که چگونه می‌توانید آن مشکل را در کاری که به مهارت یا تخصص نیاز دارد هدایت کنید. بدیهی است که شما نمی خواهید فقط از یک سری افراد تصادفی بپرسید که آیا سرطان دارید یا خیر، اما در عین حال، ما می دانیم که نظرات دوم در مراقبت های بهداشتی می تواند بسیار ارزشمند باشد. شما می توانید پلتفرم ما را به عنوان یک راه فوق العاده برای گرفتن نظر دوم در نظر بگیرید.

Duhaime شروع به کاوش در راه هایی برای استفاده از هوش جمعی برای بهبود تشخیص های پزشکی کرد. در یک آزمایش، او گروه‌هایی از افراد غیرمتخصص و دانش‌آموزان دانشکده پزشکی را که به‌عنوان «نیمه متخصص» توصیف می‌کند، آموزش داد تا شرایط پوستی را طبقه‌بندی کنند، و دریافت که با ترکیب نظرات بالاترین عملکرد، می‌تواند از متخصصان پوست حرفه‌ای پیشی بگیرد. او همچنین دریافت که با ترکیب الگوریتم‌های آموزش دیده برای تشخیص سرطان پوست با نظرات متخصصان، می‌تواند به تنهایی از هر یک از روش‌ها بهتر عمل کند.

Duhaime توضیح می دهد: “بینش اصلی این بود که شما دو کار را انجام دادید.” “اولین کار اندازه گیری عملکرد افراد است – که واضح به نظر می رسد، اما حتی در حوزه پزشکی نیز کار زیادی انجام نمی شود. اگر از یک متخصص پوست بپرسید که آیا آنها خوب هستند، آنها می گویند: “بله، البته، من یک متخصص پوست هستم.” آنها لزوما نمی دانند که چقدر در کارهای خاص خوب هستند. نکته دوم این است که وقتی چندین نظر دریافت می کنید، باید مکمل های بین افراد مختلف را شناسایی کنید. باید بدانید که تخصص چند بعدی است، بنابراین کمی بیشتر شبیه گردآوری تیم ایده‌آل بهینه است تا جذب پنج نفر که در یک کار بهترین هستند. به عنوان مثال، یک متخصص پوست ممکن است در شناسایی ملانوم بهتر باشد، در حالی که دیگری ممکن است در طبقه بندی شدت پسوریازیس بهتر باشد.

دوهایم در حالی که هنوز دکترای خود را دنبال می کرد، سنتور را تأسیس کرد و شروع به استفاده از اکوسیستم کارآفرینی MIT برای توسعه بیشتر این ایده کرد. او در سال 2017 از صندوق نوآوری Sandbox MIT بودجه دریافت کرد و در شتاب دهنده استارتاپ delta v شرکت کرد که توسط مرکز اعتماد مارتین برای کارآفرینی MIT در تابستان 2018 اداره می شد. این تجربه به او کمک کرد تا اواخر همان سال وارد شتاب دهنده معتبر Y Combinator شود.

برنامه DiagnostUs که Duhaime با بنیانگذاران Centaur Zach Rausnitz و Tom Gellatly توسعه داده است، برای کمک به کاربران در تست و بهبود مهارت های خود طراحی شده است. Duhaime می گوید که حدود نیمی از کاربران را دانشجویان دانشکده پزشکی و نیمی دیگر را اکثراً پزشکان، پرستاران و سایر متخصصان پزشکی تشکیل می دهند.

Duhaime می گوید: «این بهتر از مطالعه برای امتحانات است، جایی که ممکن است سؤالات چند گزینه ای داشته باشید. “آنها موارد واقعی را می بینند و تمرین می کنند.”

سنتور هر هفته میلیون ها نظر از ده ها هزار نفر در سراسر جهان جمع آوری می کند. Duhaime می‌گوید اکثر مردم پول قهوه به دست می‌آورند، اگرچه فردی که بیشترین درآمد را از این پلتفرم کسب کرده است، یک پزشک در شرق اروپا است که حدود 10000 دلار درآمد دارد.

دوهایمی می‌گوید: «مردم می‌توانند این کار را روی مبل انجام دهند، می‌توانند آن را روی T انجام دهند. “این کار به نظر نمی رسد – سرگرم کننده است.”

این رویکرد در تضاد شدید با برچسب‌گذاری داده‌های سنتی و تعدیل محتوای هوش مصنوعی است که معمولاً به کشورهای کم‌منبع برون‌سپاری می‌شوند.

رویکرد سنتور نتایج دقیقی را نیز به همراه دارد. در یک کاغذ با محققانی از بیمارستان بریگهام و زنان، بیمارستان عمومی ماساچوست (MGH) و دانشگاه فناوری آیندهوون، سنتاور نظرات جمع‌سپاری خود را نشان داد که سونوگرافی‌های ریه را به همان اندازه قابل اعتماد کارشناسان نشان دادند. مطالعه دیگری با محققان Memorial Sloan Kettering نشان داد که برچسب‌گذاری جمع‌سپاری تصاویر درموسکوپی دقیق‌تر از برچسب‌گذاری‌های متخصصان پوست با تجربه است. فراتر از تصاویر، پلت فرم Centaur همچنین با ویدئو، صدا، متن از منابعی مانند مقالات تحقیقاتی یا مکالمات ناشناس بین پزشکان و بیماران، و امواج الکتروانسفالوگرام (EEG) و الکتروکاردیوگرافی (ECG) کار می کند.

یافتن کارشناسان

Centaur دریافته است که بهترین بازیگران از مکان های شگفت انگیز می آیند. در سال 2021، برای جمع‌آوری نظرات متخصص در مورد الگوهای EEG، محققان مسابقه‌ای را از طریق اپلیکیشن DiagnostUs در کنفرانسی با حضور حدود 50 متخصص صرع، که هر کدام بیش از 10 سال تجربه داشتند، برگزار کردند. برگزارکنندگان یک پیراهن سفارشی ساختند تا به برنده مسابقه بدهند، که تصور می‌کردند در کنفرانس حضور خواهد داشت.

اما زمانی که نتایج به دست آمد، یک جفت دانشجوی پزشکی در غنا، جفری دانکواه و اندروز گیاباه، همه حاضران را شکست داده بودند. بالاترین رتبه شرکت کننده در کنفرانس در رتبه نهم قرار گرفت.

Gyabaah بعداً به تیم Centaur گفت: “من با انجام این کار برای پول شروع کردم، اما متوجه شدم که در واقع شروع به کمک زیادی به من کرد.” زمان‌هایی در کلینیک بود که متوجه شدم به دلیل چیزهایی که در برنامه DiagnostUs یاد گرفتم، بهتر از دیگران کار می‌کنم.»

از آنجایی که هوش مصنوعی به تغییر ماهیت کار ادامه می دهد، Duhaime معتقد است که Centaur Labs به عنوان یک بررسی مداوم در مدل های هوش مصنوعی استفاده خواهد شد.

دوهایمی می‌گوید: «در حال حاضر، ما به مردم کمک می‌کنیم الگوریتم‌ها را در درجه اول آموزش دهند، اما فکر می‌کنم به طور فزاینده‌ای برای نظارت بر الگوریتم‌ها و در ارتباط با الگوریتم‌ها، اساساً به‌عنوان انسان در حلقه برای طیف وسیعی از وظایف، استفاده خواهیم کرد. “شما ممکن است ما را کمتر به عنوان راهی برای آموزش هوش مصنوعی و بیشتر به عنوان بخشی از چرخه زندگی کامل در نظر بگیرید، جایی که ما در حال ارائه بازخورد در مورد خروجی های مدل ها یا نظارت بر مدل هستیم.”

Duhaime می بیند که کار انسان ها و الگوریتم های هوش مصنوعی به طور فزاینده ای یکپارچه می شوند و معتقد است که Centaur Labs نقش مهمی در آینده ایفا می کند.

Duhaime می‌گوید: «این فقط الگوریتم آموزش نیست، الگوریتم را به کار می‌گیرد. در عوض، این خطوط مونتاژ دیجیتال در سرتاسر اقتصاد وجود خواهد داشت و شما به قضاوت انسانی متخصص بر حسب تقاضا نیاز دارید که در مکان‌های مختلف در طول زنجیره ارزش تزریق شود.