External Validation and Interpretability Analysis of a Deep Learning Model for Forensic Age Estimation Across Brazilian and Romanian Populations
تُظهر هذه الدراسة أنه في حين يمكن لنماذج التعلم العميق التقاط أنماط الشيخوخة البيولوجية لتقدير العمر الجنائي، إلا أن موثوقيتها تتأثر بشكل كبير بالتحولات السكانية والتقنية، مما يؤكد الحاجة الماسة إلى التحقق الخارجي وتحليل القابلية للتفسير للكشف عن المسارات غير التشريحية المختصرة قبل التطبيق الجنائي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 تحاول تعليم روبوت كيفية تخمين عمر شخص ما بمجرد النظر إلى صورة أسنانه. هذا ليس مجرد خدعة للتسلية؛ ففي عالم العلوم الجنائية، يمكن أن يساعد النجاح في هذا الأمر في تحديد هوية المفقودين، أو حل الجرائم، أو تحديد ما إذا كان الشخص الصغير في السن مؤهلاً للمثول أمام المحكمة. لعقود من الزمن، قام الخبراء بذلك عن طريق قياس العظام يدويًا ومراقبة كيفية نمو الأسنان، لكن هذه العملية بطيئة وتعتمد بشكل كبير على الشخص الذي يقوم بالقياس. مؤخرًا، بدأ العلماء في استخدام "التعلم العميق" (Deep Learning)، وهو نوع من الذكاء الاصطناعي يعمل كدماغ فائق القدرة. تنظر نماذج الذكاء الاصطناعي هذه إلى آلاف الصور الشعاعية للأسنان (تحديدًا الصور البانورامية التي تظهر الفك بأكمله) لتتعلم أنماط الشيخوخة. ومع ذلك، فإن السؤال الكبير هو ما إذا كان بإمكان روبوت تم تدريبه على مجموعة من الناس أن يخمن بدقة عمر مجموعة مختلفة تمامًا، أم أنه اكتفى فقط بحفظ المظهر المحدد لأجهزة الأشعة الخاصة بالمجموعة الأولى.
تتعمق هذه الدراسة، التي تحمل عنوان "التحقق الخارجي وتحليل القابلية للتفسير لنموذج تعلم عميق لتقدير العمر الجنائي عبر المجموعات السكانية البرازيلية والرومانية"، في هذه المشكلة تحديدًا. أراد الباحثون معرفة ما إذا كان نموذج الذكاء الاصطناعي، الذي تم تدريبه على مجموعة ضخمة من الأشعة السينية للأسنان من البرازيل، لا يزال قادرًا على العمل بشكل صحيح عند عرضه على أشعة سينية من رومانيا. كما أرادوا إلقاء نظرة داخل "دماغ" الذكاء الاصطناعي لمعرفة ما إذا كان ينظر بالفعل إلى الأسنان والعظام، أم أنه يعتمد على ميزات غير تشريحية مثل حواف الصورة أو الحروف الصغيرة المستخدمة لتمييز اليسار واليمين.
اختبر الفريق ثلاثة "بنيات" مختلفة للذكاء الاصطناعي (فكر في هذه البنيات كأنها ثلاثة تصميمات مختلفة للدماغ): VGG-16 وInceptionV4 وResNet-18. قاموا بتغذية النموذج الأفضل أداءً، وهو ResNet-18، بـ 10,036 صورة أشعة سينية برازيلية للتعلم منها. وعندما اختبروا النموذج على نفس البيانات البرازيلية، كان الذكاء الاصطناعي جيدًا للغاية، حيث بلغ متوسط الخطأ في تخمين الأعمار 3.61 سنة فقط. ولكن بعد ذلك جاء الاختبار الحقيقي: فقد عرضوا على الذكاء الاصطناعي 150 صورة أشعة سينية جديدة تمامًا لمرضى من رومانيا، تم التقاطها بأجهزة مختلفة ومن قبل أطباء مختلفين. كانت النتائج بمثابة واقع صادم؛ فقد انخفضت دقة الذكاء الاصطناعي، وقفز متوسط الخطأ إلى 5.8 سنة.
لماذا ساء أداء الذكاء الاصطناعي؟ استخدم الباحثون أداة خاصة تسمى Grad-CAM لتصور ما كان "ينظر إليه" الذك- الاصطناعي فعليًا عندما كان يقدم تخميناته. ووجدوا أنه بينما كان الذكاء الاصطناعي يولي اهتمامًا لأشياء مهمة مثل جذور الأسنان وعظام الفك، إلا أنه اعتمد أيضًا على "طرق مختصرة". فقد بدأ في التركيز على أشياء غير تشريحية، مثل علامات التوجيه (الحروف الصغيرة مثل "R" لليمين) وحواف الصورة. يبدو أن الذكاء الاصطناعي تعلم أن بعض الأجهزة تضع هذه العلامات دائمًا في أماكن محددة، لذا استخدم تلك المواقع لتخمين العمر بدلاً من مجرد النظر إلى الأسنان. هذا يشبه طالبًا، بدلاً من دراسة المسائل الرياضية، حفظ أن الإجابة هي دائمًا "ج" لأن المعلم يضع حرف "ج" دائمًا في زاوية الصفحة. وعندما يغير المعلم التنسيق، يرتبك الطالب.
كما نظرت الدراسة في "المساحة الكامنة" (latent space)، وهي طريقة تقنية لوصف الخريطة الداخلية التي يبنيها الذكاء الاصطناعي في عقله. وباستخدام تصورات مثل PHATE وPCA، رأى الباحثون أن الذكاء الاصطناعي نجح في تنظيم المرضى في خط سلس من الصغير إلى الكبير، مما يشير إلى أنه تعلم المفهوم العام للشيخوخة. ومع ذلك، نظرًا لاعتماده على تلك "الطرق المختصرة" واختلاف إعدادات السطوع والتباين في الأجهزة الرومانية المختلفة، لم يستطع الذكاء الاصطناعي ترجمة تلك المعرفة بشكل مثالي إلى المجموعة الجديدة.
باختصر، تشير الورقة البحثية إلى أنه على الرغم من قدرة الذكاء الاصطناعي على التعرف على أنماط الشيخوخة، إلا أنه حاليًا يتسم بهشاشة شديدة. فإذا قمت بتدريبه على نوع واحد من أجهزة الأشعة السينية وسكان معينين، فقد يواجه صعوبة عند الانتقال إلى جهاز مختلف أو بلد مختلف. ويخلص المؤلفون إلى أنه قبل الوثوق بأنظمة الذكاء الاصطناعي هذه في أي قضاق قانونية أو جنائية، يجب اختبارها بصرامة على مجموعات وأجهزة مختلفة تمامًا للتأكد من أنها لا تعتمد فقط على إطار الصورة بدلاً من الأسنان. إن الذكاء الاصطناعي ليس معطلًا، لكنه ليس مستعدًا تمامًا ليكون محققًا مستقلاً بعد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.