Alibaba, karın bölgesindeki yaklaşık 150 rahatsızlığı tespit eden BT taraması yapay zekası Damo Radar'ı açık kaynak yaptı

Alibaba genel amaçlı bir BT okuyucusunu açık kaynak yapıyor

Alibaba'nın araştırma kolu Damo Academy, karın BT taramalarını okuyarak kanserler dahil yaklaşık 150 farklı rahatsızlığı tanımlayan bir açık kaynak yapay zeka modeli yayınladı. South China Morning Post'un haberine göre Damo Radar adı verilen model, kontrastlı BT taramalarını 18 karın organı üzerinde analiz etmek için tasarlanmış bir vision-language sistemi; hastalıkların ve anormalliklerin geniş bir yelpazesini, aralarında malign tümörleri de tespit ediyor.

Model nasıl geliştirildi

Tek bir hastalığı tespit etmek üzere tasarlanmak yerine, Damo Radar, BT taramaları ve bu taramalarla birlikte yazılmış klinik raporlarla eşleştirilerek eğitildi. Görüntü ve metin eşleşmesinden öğrenmek, tek bir modelin dar kapsamlı bir görev yerine çok sayıda bulguyu kapsamasını sağlıyor; araştırma ekibi aynı eğitim yaklaşımının zamanla diğer tıbbi görüntüleme türlerine de genişletilebileceğini söylüyor.

Bildirilen performans

Enstitünün South China Morning Post'a verdiği bilgiye göre model, yaklaşık 40.000 gerçek dünya muayenesinde 146 klinik bulgu genelinde ortalama 0,913 eğri altı alan (AUC) değeri elde etti. 1,0'lık AUC kusursuz tanısal doğruluğu temsil ettiğinden, bildirilen skor yüksek ama kusursuz değil — ve bu bir ortalam olduğu için herhangi bir tek rahatsızlıktaki performans bu öne çıkan sayıdan farklı olabilir. Bu rakamlar ekibin kendisinden geliyor; haberde bağımsız bir klinik değerlendirme yer almıyor.

Araştırmacılar Damo Radar'ı "dünyanın ilk uzman seviyesindeki genel amaçlı tıbbi görüntüleme modeli" olarak tanımlıyor. Bu iddiadaki "ilk" ve "uzman seviyesinde" kısımları doğrulamak zor, çünkü hangi benchmark'ların kullanıldığına ve karşılaştırmanın hangi insan uzmanlara göre yapıldığına bağlılar.

Daha geniş bir tıbbi yapay zeka hamlesinin parçası

South China Morning Post yayını, Alibaba'nın büyüyen tıbbi yapay zeka programının son adımı olarak çerçeveliyor. Modeli açık kaynak yapmak, hastanelerin, üniversitelerin ve diğer laboratuvarların onu kendi hasta verileriyle test etme engelini düşürüyor — bu da bir tanısal modelin, eğitildiği verilerin ötesinde tutup tutmadığını nihayetinde belirleyecek adım.

Neden önemli

Günümüze kadarki tıbbi görüntüleme yapay zekasının çoğu dar kapsamlıydı: görev başına bir model, tek bir endikasyon için doğrulanmış. 18 organı ve 146 bulguyu kapsayan genel amaçlı bir model farklı bir yöne işaret ediyor — rutin okumalara yardımcı olabilecek, çalışma listelerini önceliklendirmeye destek verebilecek veya gözden kaçması kolay bulguları işaretleyebilecek tek bir sistem. Açık ağırlıklar, bu iddiaların dışarıdan test edilebilir olmasını sağlıyor; kelimeye güvenmek gerekmiyor.

Uyarılar da aynı derecede gerçek. Retrospektif olarak ölçülmüş, kendi tarafından bildirilen bir AUC, prospektif klinik doğrulama ile aynı şey değil ve gerçek hasta bakımındaki herhangi bir kullanım, bir tarama okuma modelinin tanısal ağırlık taşıyabilmesi için öncesinde düzenleyici incelemeye tabi olurdu. Karın BT'si ayrıca kontrast madde içeriyor ve tarayıcılara, protokollere ve hasta popülasyonlarına göre değişiyor; tüm bunlar gerçek dünyadaki performansı değiştirebilir.

Yine de geniş anatomik kapsam, rapor denetimli eğitim ve açık lisansın birleşimi, Damo Radar'ı tıbbi yapay zekada dikkat çeken bir girişim ve büyük araştırma laboratuvarlarının sağlık modellerini ticari ürünlerin içinde kapalı tutmak yerine açık artefaktlar olarak yayınlaması biçimindeki daha geniş bir eğilimin parçası haline getiriyor.