เมื่อปีที่แล้ว ชุมชนวิทยาศาสตร์ได้สร้างแบบจำลองการเรียนรู้ของเครื่องและระบบปัญญาประดิษฐ์อื่นๆ หลายพันรายการเพื่อระบุ บนภาพเอกซเรย์ทรวงอกและ CT นักวิจัยบางคนไม่เชื่อในผลลัพธ์: แบบจำลองระบุพยาธิสภาพหรือพวกเขาตัดสินใจโดยอิงจากผู้ก่อกวน เช่น ลูกศรและคุณสมบัติที่ไม่เกี่ยวข้องทางการแพทย์อื่นๆ แทน ปัญหาการย้ายโดเมนนักวิจัยของมหาวิทยาลัยวอชิงตันต้องการทราบว่า
แบบจำลอง
ที่เผยแพร่สามารถสรุปได้ทั่วไปหรือไม่ แบบจำลอง ML ที่ปรับเปลี่ยนได้ทั่วไปจะจัดประเภทรังสีเอกซ์ทรวงอกเป็น COVID-19 บวกหรือ COVID-19 ลบอย่างถูกต้อง ไม่ว่าเอกซเรย์ทรวงอกจะมาจากไหนก็ตาม โมเดลที่ไม่สามารถทำให้เป็นแบบทั่วไปได้จะไม่ทำงานได้ดี ตัวอย่างเช่น เมื่อเห็นเอ็กซ์เรย์
ทรวงอกที่ได้มาที่โรงพยาบาลอื่นนักวิทยาศาสตร์คอมพิวเตอร์เรียกสิ่งนี้ว่าการเปลี่ยนแปลงโดเมนประสิทธิภาพการทำงานที่ลดลง แบบจำลอง ML ที่ได้รับผลกระทบจากการเปลี่ยนโดเมนจะเกิดขึ้นในนาทีที่ ความแตกต่างอย่างเป็นระบบระหว่างชุดข้อมูลที่แข็งแกร่งและชัดเจนกว่าแบบจำลอง
มากกว่าการบ่งชี้เล็กน้อยของการติดเชื้อ COVID-19 จากนั้น โมเดล ML เหล่านี้ใช้การเรียนรู้ทางลัด การฝึกอบรมเกี่ยวกับตัวก่อกวน เช่น ลูกศรและป้ายข้อความ และสร้างการเชื่อมโยงปลอมๆ ที่เกิดขึ้น แม้ว่าโมเดลจะได้รับการฝึกอบรมและทดสอบในชุดข้อมูลอื่นๆ ด้วยวิธีนี้ โมเดล ที่ใช้การเรียนรู้ทางลัด
จะแสดงให้เห็นถึงการเปลี่ยนแปลงโดเมนและไม่สามารถทำให้เป็นข้อมูลทั่วไปได้ ในขณะที่โมเดล ML ที่อาศัยคุณลักษณะที่เกี่ยวข้องกับการแพทย์ในการตัดสินใจมีแนวโน้มที่จะทำให้เป็นข้อมูลทั่วไปและรักษาประสิทธิภาพการทำงานในชุดข้อมูลต่างๆ ได้ การตรวจสอบสไตล์การเรียนรู้ของเครื่อง
แม้ว่าโมเดล ML ที่ออกแบบมาเพื่อจำแนกเอกซเรย์ทรวงอกมักจะใช้สถาปัตยกรรม วิธีการฝึกอบรม และแผนการเพิ่มประสิทธิภาพที่คล้ายคลึงกัน แต่อุปสรรคแรกที่นักวิจัยแห่งมหาวิทยาลัยวอชิงตันเผชิญคือการสร้างโมเดล ML ที่เผยแพร่ขึ้นมาใหม่ “โมเดลอาจแตกต่างกันด้วยวิธีที่ละเอียดอ่อน…
และแทนที่
จะแจกจ่ายโมเดลที่ได้รับการฝึกอบรม นักวิจัยจะให้คำแนะนำเกี่ยวกับวิธีการสร้างโมเดลของพวกเขา” ผู้เขียนร่วมคนแรกในการศึกษา กล่าว “มีโมเดลมากมายที่คุณอาจเลิกใช้แนวทางนั้นเนื่องจากการสุ่มในกระบวนการฝึกอบรม [โมเดล]” เพื่อสะท้อนถึงรูปแบบต่างๆ ที่อาจเกิดขึ้นระหว่างการฝึกอบรม
ผู้เขียนร่วมคนแรก พร้อมด้วยที่ปรึกษาและผู้เขียนอาวุโสได้ออกแบบตัวแทนโมเดล ML ของต้นแบบที่แนะนำในการศึกษาหลายสิบชิ้น จากนั้นทำการปรับเปลี่ยนเล็กน้อยใน รุ่นตัวแทน. ในที่สุดพวกเขาได้สร้างและตรวจสอบแบบจำลองหลายร้อยแบบและจัดประเภทของรังสีเอกซ์ทรวงอกหลายพันแบบ
หลังจากแนะนำโมเดลของตนกับชุดข้อมูลใหม่และสังเกตการลดลงของประสิทธิภาพการจำแนกประเภทซึ่งบ่งชี้ถึงการเปลี่ยนโดเมนและการเรียนรู้ทางลัด นักวิจัยจึงตัดสินใจระบุทางลัดด้วยตนเอง สิ่งนี้เป็นสิ่งที่ท้าทายเนื่องจากการตัดสินใจของโมเดล ML มาจาก “กล่องดำ” ซึ่งแน่นอนว่าโมเดลเหล่านี้
ตัดสินใจ
จัดหมวดหมู่นั้นเป็นสิ่งที่ไม่เป็นที่รู้จักแม้แต่กับนักออกแบบโมเดล แยกโครงสร้าง “กล่องดำ” นี้ด้วยแผนที่ความเด่นที่เน้นพื้นที่ที่ตัวแบบเห็นว่าสำคัญ โดยใช้วิธีการสร้างที่แปลงภาพ และแก้ไขภาพด้วยตนเอง แผนที่ความเด่นบางแผนที่แสดงพื้นที่ที่เกี่ยวข้องทางการแพทย์ เช่น ปอด
ในขณะที่แผนที่อื่นๆ ชี้ไปที่ข้อความหรือลูกศรบนภาพ หรือมุมของภาพ ซึ่งบ่งชี้ว่าโมเดล เรียนรู้และตัดสินใจสถานะ ตามคุณลักษณะเหล่านี้มากกว่าพยาธิสภาพ เพื่อตรวจสอบความถูกต้องของผลลัพธ์เหล่านี้ นักวิจัยได้ใช้วิธีการเชิงกำเนิดเพื่อทำให้รังสีเอกซ์ทรวงอกที่ให้ผลลบ มีลักษณะเหมือน
กับการเอกซเรย์ทรวงอกที่มีผลตรวจ และในทางกลับกัน“เราพบว่าหากเราย้อนกลับไปป้อนภาพที่ [แก้ไข] เหล่านี้ลงในเครือข่ายเดิมที่เรากำลังตรวจสอบ โดยทั่วไปจะหลอกเครือข่ายเหล่านั้นให้คิดว่าเป็นภาพจากคลาสตรงข้าม” “นั่นหมายความว่าสิ่งที่เครือข่ายกำเนิดเหล่านี้กำลังเปลี่ยนแปลงเป็นสิ่งที่เครือข่าย
ที่เรากำลังตรวจสอบดูอยู่” นักวิจัยพบอีกครั้งว่าประสิทธิภาพของแบบจำลองขึ้นอยู่กับตัวทำเครื่องหมายข้อความเมื่อสลับข้อความที่เขียนบนรูปภาพคู่หนึ่ง การทดลองของนักวิจัยยังเผยให้เห็นว่าสถาปัตยกรรมแบบจำลองมีผลกระทบเพียงเล็กน้อยต่อประสิทธิภาพของแบบจำลอง
“วรรณกรรมมีจุดสนใจมากมายเกี่ยวกับ ‘เรามีสถาปัตยกรรมใหม่ที่สวยงามและน่าสนใจที่สุด’ เราพบว่าแท้จริงแล้วมีผลกระทบค่อนข้างจำกัด… ในขณะที่ทำงานกับข้อมูลและเปลี่ยนแปลงข้อมูล รวบรวมข้อมูลที่ดีขึ้น มีผลกระทบอย่างมาก” สร้างและตรวจสอบระบบ AI ที่น่าเชื่อถือ
ผลการวิจัยชี้ให้เห็นถึงแรงดึงดูดของการเรียนรู้ทางลัด พวกเขายังชี้ให้เห็นถึงความต้องการปัญญาประดิษฐ์ที่อธิบายได้ ซึ่งต้องการให้มนุษย์เข้าใจการตัดสินใจที่ทำโดยโมเดล ML และตรวจสอบย้อนกลับได้ดังนั้น นักวิจัยจะสร้างเครือข่ายแมชชีนเลิร์นนิงที่เรียนรู้จากคุณสมบัติที่เกี่ยวข้องทางการแพทย์
และนำไปใช้ได้ทั่วไปได้อย่างไร ให้คำแนะนำหลายประการ ขั้นแรก นักวิจัยควรรวบรวมข้อมูลในอนาคตและมีเป้าหมายของแบบจำลองในใจ และชุดข้อมูลควรมีความสมดุลกับการเหลื่อมที่ดี ตัวอย่างเช่น สถาบันแต่ละแห่งที่เกี่ยวข้องกับการศึกษาควรรวบรวมข้อมูลเชิงบวกและข้อมูลเชิงลบไม่ใช่ข้อมูลใด
ข้อมูลหนึ่ง ประการที่สอง แพทย์ควรมีส่วนร่วมในการออกแบบการศึกษาและการรวบรวมข้อมูล และนักวิจัยควรทำงานร่วมกับแพทย์เพื่อระบุตัวก่อกวนประเภทต่างๆ ที่แบบจำลอง ML อาจใช้ ประการที่สาม แบบจำลอง ML ควรได้รับการตรวจสอบก่อนที่จะนำไปใช้ที่อื่น
แนะนำ 666slotclub / hob66
