Negevo Ben-Guriono universiteto mokslininkai sukūrė skaičiavimo metodą, leidžiantį jiems „atgręžti“ dirbtinio intelekto „sprendimą“, padalijant medicininius vaizdus į komponentus, turinčius skirtingą klinikinį aiškinimą, kurie yra svarbūs AI. Norint iššifruoti biologinius procesus ir medicininius sprendimus, labai svarbu suprasti AI modelių sprendimų priėmimo mechanizmą.
Tyrimo išvados buvo paskelbtos m Gamtos komunikacijos.
Gilus mokymasis, naudojant dirbtinius neuroninius tinklus, yra AI pagrįstas skaičiavimo metodas, galintis mokytis modelių tiesiogiai iš duomenų, imituojant žmogaus smegenų mokymosi procesą. Pagrindinis tokių dirbtinio intelekto metodų naudojimo trūkumas yra nesugebėjimas iššifruoti neuroninio tinklo sprendimo motyvų.
Šis apribojimas kyla dėl to, kad tinklo mokymo procesas vyksta automatiškai, tiesiogiai iš duomenų, be žmogaus įsikišimo. Šis trūkumas yra didelė kliūtis platesniam naudojimui tokiose srityse kaip biologija ir medicina, kur paaiškinimas yra ne mažiau svarbus nei mašinos gebėjimas priimti teisingus sprendimus.
Doktorantas Odedas Rotemas, vadovaujamas prof. Assafo Zaritsky iš Negevo Ben-Guriono universiteto Programinės įrangos ir informacinių sistemų inžinerijos katedros, sukūrė skaičiavimo metodą, vadinamą DISCOVER, skirtą apgręžti AI, semantiškai suskaidant vaizdą į. reikšmingų komponentų, per kuriuos AI priima sprendimą.
Bendradarbiaudami su Izraelio startuoliu AIVF, mokslininkai pademonstravo technologijos gebėjimą apibūdinti apvaisinimo in vitro (IVF) embriono ypatybes, kurios buvo svarbiausios AI priimant sprendimą dėl embriono regėjimo kokybės.
Siekdami užtikrinti, kad technologiją būtų galima pritaikyti ir kitose srityse, išskyrus IVF, tyrėjai pademonstravo AI sprendimų interpretaciją Alzheimerio liga sergančių pacientų smegenų MRT vaizdavimui ir net vaizduose, užfiksuotuose standartine kamera, kad aiškintų, kaip AI skiria šunis ir kates ir tarp vyrų ir moterų.
Tyrimo grupė naudojo turtingą tūkstančių AIVF surinktų embrionų duomenų bazę. Embrionai buvo vaizduojami naudojant šviesos mikroskopą, o įmonės embriologai ištyrė ir suskirstė kiekvieną embrioną pagal keletą savybių, tokių kaip embriono dydis ir embrioną supančių ląstelių grandinė pradiniame vystymosi etape, kliniškai vadinama trofektoderma.
Tyrėjai įrodė, kad dirbtinis intelektas gali sėkmingai numatyti embriono kokybę, kaip ir žmogaus ekspertas, tačiau AI nepateikė tyrėjams užuominų apie tai, kurios embriono savybės lėmė sėkmingą prognozavimą.
„Gilusis mokymasis gali nustatyti paslėptus modelius, kurių žmogaus akis negali aptikti biomedicininiuose vaizduose. Tačiau to nepakanka – kad galėtume priimti klinikinius ar mokslinius sprendimus, turime iššifruoti paslaptį, kaip atrasti tai, ką AI nustatė, interpretuoti biologinius ar klinikinius duomenis. paaiškinimo svarbą ir pagal interpretaciją nuspręsti dėl tolesnių gydymo ar tyrimų žingsnių“, – aiškino prof. Zaritsky.
DISCOVER interpretavimo mechanizmas remiasi „giliai padirbtu“ generatyviniu AI, kuris leidžia, pavyzdžiui, pakeisti vieno žmogaus veidą vaizde kitu. Tiksliau, antrasis neuroninis tinklas gali sukurti sintetinius embrionų vaizdus kontroliuojamu būdu.
Vaizdų kūrimas grindžiamas tam tikrų tinklo komponentų apibrėžimu, todėl kiekvienas komponentas, viena vertus, bus reikšmingas numatant embriono kokybę, o kita vertus, užkoduotų reikšmingas vaizdo dalis. Kiekvienas toks komponentas koduoja unikalias vaizdo dalis, darant prielaidą, kad jos pavirs į aiškias ir aiškiai interpretuojamas savybes.
Palaipsniui keičiant šiuos komponentus po vieną komponentą, galima generuoti embrionų vaizdus, kurių kiekvienas skiriasi nuo tikrojo vaizdo vienoje savybėje, kuri yra svarbi AI sprendimų priėmimo procesui.
Taigi tą patį embrioną galima pateikti ekspertui keliais būdais, kad kiekviename vaizde viena savybė būtų dirbtinai „pastiprinta“, o likusi dalis išliktų nepakitusi. Šis metodas leidžia ekspertui interpretuoti AI veikimo režimą ir pateikia objektyvius matavimus, kurie parodo kiekvienos savybės svarbą priimant sprendimą.
Sukūrę „netikrų“ embrionų vaizdų, kurių niekada nebuvo, seriją, tyrėjai sugebėjo nustatyti embriono dydžio ir jį supančios ląstelių grandinės pokyčius – vadovaudamiesi embriologo sprendimu klinikoje.
Be to, mokslininkai sugebėjo nustatyti naują savybę, kurią AI nustatė kaip svarbų embriono kokybės rodiklį be žmogaus nurodymų – specifinę embriono vidinės ertmės struktūrą, kurioje yra maistinių medžiagų, reikalingų vidinei ląstelių masei. kaip „blastocistų tankis“.
„Embriologai puikiai supranta tam tikrų biologinių savybių svarbą nustatant embriono kokybę, tačiau žmogaus akis dažnai yra ribota, nes gebėjimas juos tiksliai išmatuoti ir įvertinti“, – paaiškino Daniela Gilboa, AIVF generalinė direktorė ir klinikinė embriologė.
„Puikus to pavyzdys yra blastocistų tankis, labai svarbus embriono kokybės požymis, kuris nėra plačiai naudojamas kliniškai, nes labai sunku kiekybiškai įvertinti embrioną vizualiai tiriant laboratorijoje. Dabar, vizualiai interpretuojant DISCOVER, tai yra galima tiksliau ir objektyviau nustatyti ir analizuoti svarbias biologines savybes.
„Dėl to mes galime pagerinti embriono, turinčio didžiausią sėkmingo implantavimo į gimdą tikimybę, atrankos procesą ir taip padidinti vaisingumo gydymo sėkmės tikimybę.
„DISCOVER gebėjimai nustatyti ir dirbtinai sustiprinti vaizdų modelius, kurie yra svarbūs dirbtiniam intelektui, gali būti pritaikyti kitose biologinio ir medicininio vaizdavimo srityse, kur AI plačiai taikomas“, – pažymėjo metodą sumanęs ir sukūręs doktorantas Odedas Rotemas.
Dr. Galit Mazuz Perlmutter iš BGN, Negevo Ben-Guriono universiteto komercializavimo įmonės, taip pat atkreipė dėmesį į būdingą DISCOVER potencialą, sakydamas: „Prof. Zaritsky laboratorijos sukurta technologija yra svarbi įvairioms medicinos reikmėms.”