روش جدید محققان دانشگاه MIT به از بین بردن عدم اطمینان از مدلهای هوش مصنوعی کمک می کند تا این مدل ها بتوانند اطلاعات بهتری را برای محققان و پزشکان برای تصمیم گیری در مورد تصمیم گیری فراهم کنند.
به گفته اینا ، تصاویر پزشکی در تصاویر پزشکی می تواند چالش های اساسی را برای پزشکانی که سعی در شناسایی این بیماری دارند ایجاد کند. به عنوان مثال ، هنگام تیراندازی X ، تجمع غیر طبیعی مایعات در ریه ها می تواند بسیار شبیه به بیماری انسداد مزمن ریوی باشد.
به نقل از MTA News ، الگوی جدید هوش مصنوعی در دانشگاه MIT (MIT) می تواند با شناسایی جزئیات ظریف و افزایش کارایی روند تشخیص ، به پزشک در تجزیه و تحلیل X -ray کمک کند ، اما از آنجا که بسیاری از بیماری ها می توانند در یک تصویر پزشکی وجود داشته باشند ، پزشک احتمالاً می خواهد به مجموعه ای از امکانات نگاه کند ، نه فقط پیش بینی هوش مصنوعی.
محققان دانشگاه MIA با روشی ساده و مؤثر روبرو شده اند که می تواند اندازه پیش بینی های تعیین شده را تا 5 ٪ کاهش دهد و پیش بینی ها را قابل اطمینان تر کند.
داشتن یک مجموعه کوچکتر از پیش بینی می تواند به پزشک کمک کند تا تشخیص صحیح را مؤثرتر کند. این می تواند بهبود یافته و درمان بیمار را تسهیل کند. این روش می تواند برای طیف گسترده ای از کارهای طبقه بندی ، مانند شناسایی گونه های حیوانات در تصویری از یک پارک حیات وحش ، مفید باشد ، زیرا مجموعه ای از گزینه های کوچکتر اما کندتر را ارائه می دهد. دیویا شانمگام ، یک محقق پروژه ، گفت: “با توجه به سطح پایین تر ، مجموعه پیش بینی ها به طور طبیعی اطلاعات بیشتری دارند زیرا شما گزینه های کوچکتر را انتخاب می کنید.”
این روش می تواند غیرقابل اعتماد باشد زیرا تغییرات کوچک در ورودی ها ، مانند چرخش جزئی یک تصویر ، می تواند مجموعه های کاملاً متفاوتی از پیش بینی ها را به همراه آورد. محققان از روشی به نام “TTA” برای بهبود طبقه بندی که برای بهبود صحت بینش رایانه طراحی شده است ، استفاده کردند.
روش TTA چندین نمونه تقویت شده از یک تصویر را در مجموعه ای از داده ها ایجاد می کند. سپس مدل Computer Insight در تمام نسخه های یک تصویر یکسان اعمال می شود و پیش بینی های آن را ترکیب می کند. Shanmogam ادامه داد: بنابراین از یک مثال چند پیش بینی می کنید. ادغام پیش بینی ها از این رو دقت و ثبات آنها را بهبود می بخشد.
محققان می خواهند اثربخشی روش خود را در مدلهایی که متن را به جای تصاویر طبقه بندی می کنند ، تأیید کنند. برای بهبود بیشتر کار خود ، آنها روشهای کاهش میزان محاسبات TTA را کشف می کنند.
پایان پیام
منبع خبر: https://www.isna.ir/news/1404021510188/%D8%B1%D9%88%D8%B4-%D8%AC%D8%AF%DB%8C%D8%AF%DB%8C-%D8%A8%D8%B1%D8%A7%DB%8C-%D9%82%D8%A7%D8%A8%D9%84-%D8%A7%D8%B9%D8%AA%D9%85%D8%A7%D8%AF%D8%AA%D8%B1-%D8%B4%D8%AF%D9%86-%D9%85%D8%AF%D9%84-%D9%87%D8%A7%DB%8C-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D9%85%D9%88%D9%82%D8%B9%DB%8C%D8%AA-%D9%87%D8%A7%DB%8C
