可以訓(xùn)練人工智能(AI)識別組織圖像是否包含腫瘤。然而，直到現(xiàn)在，它究竟是如何做出決定的仍然是一個謎。來自波鴻魯爾大學(xué)蛋白質(zhì)診斷研究中心(PRODI)的一個團隊正在開發(fā)一種新方法，該方法將使AI的決策透明并因此值得信賴。由AxelMosig教授領(lǐng)導(dǎo)的研究人員在醫(yī)學(xué)圖像分析雜志上描述了這種方法。

在這項研究中，生物信息學(xué)科學(xué)家AxelMosig與病理學(xué)研究所所長AndreaTannapfel教授、魯爾大學(xué)圣約瑟夫醫(yī)院的腫瘤學(xué)家AnkeReinacher-Schick教授以及生物物理學(xué)家和PRODI創(chuàng)始主任KlausGerwert教授合作。該小組開發(fā)了一種神經(jīng)網(wǎng)絡(luò)，即人工智能，可以對組織樣本是否包含腫瘤進行分類。為此，他們?yōu)槿斯ぶ悄芴峁┝舜罅康娘@微組織圖像，其中一些包含腫瘤，而另一些則沒有腫瘤。

AxelMosig解釋說：“神經(jīng)網(wǎng)絡(luò)最初是一個黑匣子：尚不清楚網(wǎng)絡(luò)從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)了哪些識別特征。”與人類專家不同，他們?nèi)狈忉屪约簺Q定的能力。“然而，特別是對于醫(yī)療應(yīng)用，人工智能能夠解釋并因此值得信賴是很重要的，”參與這項研究的生物信息學(xué)科學(xué)家大衛(wèi)舒馬赫補充道。

人工智能基于可證偽的假設(shè)

因此，波鴻團隊的可解釋人工智能基于科學(xué)已知的唯一一種有意義的陳述：基于可證偽的假設(shè)。如果假設(shè)是錯誤的，則必須通過實驗證明這一事實。人工智能通常遵循歸納推理的原則：使用具體的觀察，即訓(xùn)練數(shù)據(jù)，人工智能創(chuàng)建一個通用模型，并在此基礎(chǔ)上評估所有進一步的觀察。

250年前哲學(xué)家大衛(wèi)休謨已經(jīng)描述了潛在的問題，并且可以很容易地說明：無論我們觀察到多少白天鵝，我們都無法從這些數(shù)據(jù)中得出結(jié)論，所有天鵝都是白色的，而且根本不存在黑天鵝。因此，科學(xué)利用了所謂的演繹邏輯。在這種方法中，一般假設(shè)是起點。例如，當(dāng)發(fā)現(xiàn)一只黑天鵝時，所有天鵝都是白色的假設(shè)就被證偽了。

激活圖顯示檢測到腫瘤的位置

“乍一看，歸納人工智能和演繹科學(xué)方法似乎幾乎不相容，”同樣為這項研究做出貢獻的物理學(xué)家斯蒂芬妮·舍爾納(StephanieSchörner)說。但研究人員找到了一種方法。他們的新型神經(jīng)網(wǎng)絡(luò)不僅提供了組織樣本是否包含腫瘤或無腫瘤的分類，它還生成了微觀組織圖像的激活圖。

激活圖基于一個可證偽的假設(shè)，即源自神經(jīng)網(wǎng)絡(luò)的激活與樣本中的腫瘤區(qū)域完全對應(yīng)。位點特異性分子方法可用于檢驗這一假設(shè)。

“由于PRODI的跨學(xué)科結(jié)構(gòu)，我們擁有將基于假設(shè)的方法納入未來值得信賴的生物標志物AI開發(fā)的最佳先決條件，例如能夠區(qū)分某些與治療相關(guān)的腫瘤亞型，”Axel總結(jié)道莫西格。

標簽：