A Generative AI Approach for Reducing Skin Tone Bias in Skin Cancer Classification
تقترح هذه الورقة البحثية مسار عمل للذكاء الاصطناعي التوليدي باستخدام نموذج "Stable Diffusion" الذي تم ضبطه بدقة عبر تقنية "LoRA" لتخليق صور جلدية لمرضى ذوي بشرة داكنة غير ممثلة كفاية، مما يثبت أن هذا التعزيز يحسن بشكل كبير من عدالة ودقة نماذج تقسيم وتصنيف سرطان الجلد المدربة على مجموعة بيانات "ISIC" غير المتوازنة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تقوم بتدريب طبيب جديد على اكتشاف سرطان الجلد. تعطيه ألبوماً ضخماً من الصور لآفات جلدية لدراستها. لكن هنا تكمن المشكلة: 92% من الصور في الألبوم هي لأشخاص ذوي بشرة فاتحة، و8% فقط لأشخاص ذوي بشرة داكنة.
إذا دربت طبيبك الجديد باستخدام هذا الألبوم، فسيصبح خبيراً في رصد السرطان على البشرة الفاتحة. ولكن عندما يرى مريضاً ذا بشرة داكنة، فقد يغفل عن علامات التحذير لأنه لم يرَ كيف تبدو تلك العلامات على لون بشرة محدد. هذه هي مشكلة التحيز في الذكاء الاصطناعي الطبي.
تقترح هذه الورقة البحثية حلاً ذكياً باستخدام الذكاء الاصطناوي التوليدي (نوع من أنواع الذكاء الاصطناعي الذي يمكنه إنشاء صور جديدة من الصفر) لإصلاح هذا الخلل.
إليك قصة كيف فعلوا ذلك، مشروحة ببعض التشبيهات من الحياة اليومية:
1. المشكلة: دليل التدريب "الذي يناسب الجميع"
نظر الباحثون في قاعدة بيانات شهيرة لصور الجلد (تسمى ISIC). وجدوا أنها تشبه مكتبة حيث 9 la 90% من الكتب مكتوبة باللغة الإنجليزية، وفقط جزء ضئيل جداً منها باللغة الإسبانية. إذا قرأت الكتب الإنجليزية فقط، فلن تفهم المتحدثين بالإسبانية.
في العالم الطبي، يعني هذا أن أدوات الذكاء الاصطناعي غالباً ما تفشل في تشخيص سرطان الجلد بدقة لدى الأشخاص ذوي البشرة الداكنة (من نوع فيتزباتريك V و VI)، مما يؤدي إلى تشخيصات خاطئة ونتائج رعاية صحية غير عادلة.
2. الحل: "آلة التصوير بالذكاء الاصطناعي"
بدلاً من الانتظار لسنوات لجمع المزيد من الصور الحقيقية للمرضى ذوي البشرة الداكنة (وهو أمر صعب بسبب قوانين الخصوصية وندرة البيانات)، قام الفريق ببناء آلة تصوير بالذكاء الاصطناعي التوليدي.
- الأداة: استخدموا مولداً قوياً للصور يسمى Stable Diffusion (نفس التقنية التي تقف وراء مولدات الصور الشهيرة مثل Midjourney).
- التدريب الخاص (LoRA): تخيل أنك تأخذ رساماً ماهراً يعرف كيف يرسم كل شيء، ولكنك تعرض عليه فقط مجموعة صغيرة ومحددة من صور البشرة الداكنة. أنت تعطيه "ورقة غش" (تسمى LoRA) تعلمه تحديداً كيفية رسم درجات البشرة الداكنة والطريقة الفريدة التي يظهر بها سرطان الجلد عليها.
- النتيجة: تعلم الذكاء الاصطناعي رسم 808 صورة جديدة وواقعية لسرطان الجلد على البشرة الداكنة. لم يكتفِ بنسخ الصور الموجودة فحسب، بل ابتكر أمثلة جديدة ومنطقية تبدو كأنها صور طبية حقيقية.
3. الاختبار: هل "الزيف" يساعد "الحقيقة"؟
الآن، السؤال الكبير: هل يمكنك الوثوق بطبيب درس على صور مزيفة؟
اختبر الباحثون هذا بطريقتين:
الاختبار (أ): "لعبة الحدود" (التجزئة)
تخيل أنك تطلب من الذكاء الاصطناعي رسم خط حول بقعة السرطان. قاموا بتدريب ذكاء اصطناعي على الصور الأصلية، وآخر على الصور الأصلية بالإضافة إلى الصور الجديدة التي تم إنتاجها بواسطة الذكاء الاصطناعي.- المفاجأة: عندما اختبروا كلا النوعين من الذكاء الاصطناعي على صور حقيقية لم يروها من قبل، كان النوع الذي درس الصور المزيفة أفضل في رسم الخطوط.
- التشبيه: الأمر يشبه ممارسة كرة السلة عبر رمي الكرات في صالة رياضية تستخدم كرة مختلفة قليلاً. عندما تعود إلى الملعب الحقيقي، ستكون "ذاكرة العضلات" لديك في الواقع أدق لأنك تدربت أكثر. الصور المزيفة ساعدت الذكاء الاصطناعي على فهم "شكل" السرطان بشكل أفضل.
الاختبار (ب): "لعبة التشخيص" (التصنيف)
طلبوا من الذكاء الاصطناعي ببساطة أن يقول: "هل هذا سرطان أم لا؟"- النتيجة: الذكاء الاصطناعي الذي تدرب مع الصور المزيفة الإضافية حقق دقة بنسبة 92%، مقارنة بـ 85% للذكاء الاصطناعي بدونها.
- الملاحظة: أصبح الذكاء الاصطناعي أسوأ قليلاً في ترتيب مدى ثقته (مقياس يسمى AUC)، لكنه أصبح أفضل بكثير في الحصول على الإجابة الصحيحة فعلياً. الأمر يشبه طالباً يحصل على إجابات صحيحة أكثر في الامتحان النهائي، حتى لو كان أقل تأكداً من إجاباته في الأسئلة الأكثر صعوبة.
4. لماذا هذا مهم؟
هذه الورقة البحثية تعد طفرة لأنها تظهر أننا لسنا مضطرين للانتظار حتى نحصل على مجموعة بيانات مثالية لإصلاح عدم العدالة في الذكاء الاصطناعي. يمكننا إنشاء القطع المفقودة.
- التشبيه: فكر في الذكاء الاصطناعي كطباخ. إذا كان لدى الطباخ وصفات لكعكة الفانيليا فقط، فسيكون سيئاً في صنع كعكة الشوكولاتة. توضح هذه الورقة أنه إذا أعطيت الطباخ بعض وصفات الشوكولاتة "المولدة بالذكاء الاصطناعي"، فيمكنه فجأة صنع كعكة شوكولاتة لذيذة لأول مرة.
الخلاصة
أثبت الباحثون أن استخدام صور اصطناعية تولدها تقنيات الذكاء الاصطناعي لمجموعات غير ممثلة كفاية يمكن أن يجعل أدوات الطب أكثر عدلاً ودقة للجميع.
ومع ذلك، لا يزال هناك عمل يجب القيام به:
- "الفحص البشري": لم يتم فحص الصور المزيفة من قبل أطباء بشريين بعد للتأكد من أنها مثالية من الناحية الطبية.
- المزيد من البيانات: لقد صنعوا 808 صورة فقط. ولإصلاح المشكلة حقاً، يحتاجون لصنع الآلاف غيرها.
باختصار: لقد استخدموا فناناً رقمياً لرسم الصور المفقودة لكتاب طبي، وقد ساعد ذلك الذكاء الاصطناعي على تعلم كيفية إنقاذ الأرواً للأشخاص الذين كان يتجاهلهم سابقاً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.