Neuroninis tinklas iš pradžių mokomas naudojant daug duomenų rinkinių, kad būtų galima atskirti naviko turinčius iš audinių vaizdų be naviko (įvestis iš diagramos viršaus). Tada jam pateikiamas naujas audinio vaizdas iš eksperimento (įvestis iš kairės). Per indukcinį samprotavimą neuroninis tinklas sukuria atitinkamo vaizdo klasifikaciją „turintis naviko“ arba „be naviko“. Tuo pačiu metu sukuriamas audinių vaizdo aktyvinimo žemėlapis. Aktyvinimo žemėlapis atsirado iš indukcinio mokymosi proceso ir iš pradžių nesusijęs su realybe. Koreliacija nustatoma remiantis klaidinga hipoteze, kad sritys su dideliu aktyvumu tiksliai atitinka mėginio naviko sritis. Šią hipotezę galima patikrinti tolesniais eksperimentais. Tai reiškia, kad metodas vadovaujasi dedukcine logika. Kreditas: PRODI Dirbtinį intelektą (DI) galima išmokyti atpažinti, ar audinio vaizde yra naviko. Tačiau, kaip tiksliai ji priima savo sprendimą, iki šiol liko paslaptis. Ruhr-Universität Bochum baltymų diagnostikos tyrimų centro (PRODI) komanda kuria naują metodą, kuris padarys AI sprendimą skaidrų ir patikimą. Profesoriaus Axelio Mosigo vadovaujami tyrėjai aprašo metodą žurnale Medicinos vaizdo analizė . Atliekant tyrimą bioinformatikas Axelis Mosigas bendradarbiavo su profesore Andrea Tannapfel, Patologijos instituto vadove, onkologu profesoriumi. Anke Reinacher-Schick iš Ruhr-Universität Šv. Josefo ligoninės ir biofizikas bei PRODI įkūrėjas profesorius Klausas Gerwertas. Grupė sukūrė neuroninį tinklą, ty AI, kuris gali klasifikuoti, ar audinio mėginyje yra naviko, ar ne. Šiuo tikslu jie AI davė daug mikroskopinių audinių vaizdų, iš kurių kai kuriuose buvo auglių, o kituose nebuvo auglių. „Neuroniniai tinklai iš pradžių yra juodoji dėžė: neaišku, kurias identifikavimo savybes tinklas išmoksta iš mokymo duomenų“, – aiškina Axelis Mosigas. Skirtingai nei žmonių ekspertai, jiems trūksta gebėjimo paaiškinti savo sprendimus. „Tačiau ypač medicinos reikmėms svarbu, kad dirbtinis intelektas galėtų paaiškinti ir todėl būtų patikimas“, – priduria bioinformatikos mokslininkas Davidas Schuhmacheris, kuris bendradarbiavo atliekant tyrimą . AI pagrįstas klaidingomis hipotezėmis
Todėl Bochumo komandos paaiškinamas dirbtinis intelektas yra pagrįstas vieninteliais prasmingais teiginiais, žinomais mokslui: falsifikuotomis hipotezėmis. . Jei hipotezė klaidinga, šis faktas turi būti įrodytas eksperimentu. Dirbtinis intelektas dažniausiai vadovaujasi indukcinio samprotavimo principu: naudodamas konkrečius stebėjimus, ty mokymo duomenis, AI sukuria bendrą modelį, kurio pagrindu įvertina visus tolesnius stebėjimus. Pagrindinę problemą aprašė filosofas Davidas Hume’as prieš metus ir gali būti lengvai iliustruojamas: Kad ir kiek baltųjų gulbių stebėtume, iš šių duomenų niekada negalėtume daryti išvados, kad visos gulbės yra baltos ir kad juodųjų gulbių nėra. Todėl mokslas naudojasi vadinamąja dedukcine logika. Taikant šį metodą, išeities taškas yra bendra hipotezė. Pavyzdžiui, hipotezė, kad visos gulbės yra baltos, suklastojama pastebėjus juodąją gulbę. Neuroninis tinklas gauna aktyvinimo žemėlapį (dešinėje) iš mikroskopinio audinio mėginio vaizdo (kairėje). Hipotezė nustato koreliaciją tarp aktyvacijos intensyvumo, kuris buvo nustatytas tik skaičiavimais, ir auglio regionų, kuriuos galima patikrinti eksperimentais, identifikavimo. Kreditas: PRODI Aktyvinimo žemėlapis rodo, kur aptiktas navikas
„Iš pirmo žvilgsnio indukcinis AI ir dedukcinis mokslinis metodas atrodo beveik nesuderinami“, – sako Stephanie Schörner, fizikė, kuri taip pat prisidėjo. į studiją. Tačiau mokslininkai rado būdą. Jų naujasis neuroninis tinklas ne tik suteikia klasifikaciją, ar audinio mėginyje yra navikas, ar jis be naviko, bet ir sukuria mikroskopinio audinio vaizdo aktyvinimo žemėlapį Aktyvinimo žemėlapis yra pagrįstas klaidinga hipoteze, ty kad aktyvinimas, gautas iš neuroninio tinklo, tiksliai atitinka mėginio naviko sritis. Šiai hipotezei patikrinti gali būti naudojami konkrečios vietos molekuliniai metodai. „Dėka PRODI tarpdisciplininių struktūrų, mes turi geriausias prielaidas hipotezėmis pagrįstą metodą įtraukti į patikimo biologinio žymeklio AI kūrimą ateityje, pavyzdžiui, kad būtų galima atskirti tam tikrus gydymui svarbius naviko potipius“, – daro išvadą Axel Mosig. Daugiau informacijos: David Schuhmacher ir kt., Sistema, skirta falsifikuotiems mašininio mokymosi modelių paaiškinimams, taikant skaičiavimo patologiją, Medicininė vaizdo analizė (250). DOI: .2022/j.media.1016.800 Citata: Kaip dirbtinis intelektas gali paaiškinti savo sprendimus (2022, rugsėjo 2 d.) Gauta rugsėjo 2 d. iš https://techxplore.com/news/2022–artificial-intelligence-decisions.html Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
