Maszyna lepiej rozpoznaje czerniaka od lekarzy

Naukowcy wytrenowali głęboką, uczącą się splotową sieć neuronową (CNN), która miała za zadanie odróżniać czerniaki od łagodnych znamion na podstawie ponad 100 000 zdjęć. Następnie porównano wskaźnik skuteczności sztucznej inteligencji ze skutecznością 58 dermatologów z 17 różnych krajów. I ludzie niestety wypadli dużo gorzej.

- Splotowa sieć neuronowa ominęła mniej czerniaków, co oznacza, że sztuczna inteligencja wykazała większą wrażliwość niż dermatolodzy. Co więcej, błędnie zdiagnozowało mniej łagodnych znamion jako czerniaka, co oznacza, że wykazało większą specyficzność skutkującą rzadszymi niepotrzebnymi operacjami - powiedział Holger Haenssle, lekarz z Wydziału Dermatologii Uniwersytetu w Heidelbergu.

Sieci neuronowe są rodzajem oprogramowania do maszynowego uczenia, które działa podobnie do sieci neuronowych mózgu. Od dzieciństwa używamy naszych zmysłów do absorbowania informacji z otoczenia, dzięki czemu uczymy się rozpoznawać wzorce. Weźmy psy jako przykład. Każdy, kto po raz pierwszy zobaczył psa, nie wiedział, co to jest - dopóki ktoś nam tego nie powiedział. W toku dorastania każdy ma kontakt z wieloma psami o różnych kolorach i rozmiarach, więc nabywamy zdolność rozróżniania psów od kotów. Mimo że istnieją setki ras psów, które różnią się od siebie. Sieć neuronowa nie jest w stanie "widzieć" w taki sam sposób jak my, ale może nauczyć się rozpoznawać wzorce i kategoryzować obiekty poprzez ekspozycję i powtarzanie.

- Przy każdym obrazie treningowym CNN poprawia swoją zdolność do rozróżniania zmian łagodnych i złośliwych - powiedział Haenssle.

Dermatolodzy prawidłowo wykryli średnio 86,6 proc. czerniaków i 71,3 proc. zmian łagodnych. CNN zidentyfikował taki sam procent łagodnych zmian, ale w przypadku czerniaków diagnozował aż 95 proc. przypadków.

Opracowaną sztuczną inteligencję należy traktować nie jako pierwszą cegiełkę do budowy lekarza-robota, ale jako przydatne narzędzie diagnostyczne, które pomoże ocalić tysiące żyć na całym świecie.