Η τεχνητή νοημοσύνη υπόσχεται ταχύτερες και ακριβέστερες ιατρικές διαγνώσεις και βελτίωση στα θεραπευτικά αποτελέσματα των ασθενών, από την διάγνωση μέχρι την εξατομικευμένη ιατρική και την πρόβλεψη επιπλοκών.
Παρόλα αυτά όμως, ερευνητές του Πανεπιστημίου της Ουάσιγκτον, ανακάλυψαν ότι τα μοντέλα της τεχνητής νοημοσύνης, όπως και οι άνθρωποι, τείνουν να ψάχνουν τη συντομότερη διαδρομή και όταν πρόκειται για τη διερεύνηση μιας ασθένειας, τότε τα πιο σύντομα μονοπάτια μπορούν να οδηγήσουν σε διαγνωστικό λάθος.
Μελέτη που δημοσιεύθηκε στο επιστημονικό περιοδικό Nature Machine Intelligence, εξέτασε πολλαπλά μοντέλα που χρησιμοποιήθηκαν τελευταία για την διερεύνηση της ακρίβειάς τους στην αναγνώριση της covid – 19 από ακτινογραφίες θώρακος.
Η επιστημονική ομάδα διαπίστωσε πως τα μοντέλα, αντί να στηρίζονται στην φυσιολογία και την παθολογία, στηρίζονται σε λανθασμένους συνδυασμούς παραγόντων που δεν σχετίζονται μεταξύ τους και με την κατάσταση από την ασθένεια.
Αναλυτικότερα, τα μοντέλα αγνόησαν εντελώς βασικούς δείκτες και εστίασαν στη θέση του ασθενή με σκοπό να διαγνώσουν αν ο ασθενής είχε τη νόσο ή όχι.
«Ένας γιατρός θα περίμενε να εντοπίσει την covid – 19 από μια ακτινογραφία, στηριζόμενος σε συγκεκριμένα ευρήματα που θα απεικονίζουν την εξέλιξη της ασθένειας.
Όμως ένα σύστημα τεχνητής νοημοσύνης, αντί να στηρίζεται σε αυτά τα ευρήματα, θα μπορούσε να θεωρήσει ότι το πρόβλημα είναι η ηλικία του ασθενή και να καταλήξει ότι είναι πιθανότερο να υπάρχει η νόσος επειδή είναι πιο συχνή στους ηλικιωμένους.
Μπορεί αυτή η συντόμευση να μην είναι λάθος, όμως είναι απρόβλεπτη και αδιαφανής.
Και αυτό θα μπορούσε να οδηγήσει σε λάθος διάγνωση», επισημαίνει ένας από τους συγγραφείς της μελέτης, ο Άλεξ ΝτεΓκράβ, γιατρός από το Πανεπιστήμιο της Ουάσιγκτον που κάνει το διδακτορικό του στη Σχολή Πώλ Άλεν Μηχανικών Υπολογιστών.
Πρόσθεσε δε, ότι «Ένα μοντέλο που βασίζεται σε συντομεύσεις λειτουργεί συχνά μόνο στο νοσοκομείο όπου αναπτύχθηκε, οπότε όταν μεταφέρεται σε ένα νέο νοσοκομείο...
Πηγή/Περισσότερα: in.gr


































