AI 也會抄捷徑，醫學研究發現深度學習演算法缺陷
作者 Alan Chen | 發布日期 2021 年 07 月 27 日 19:37 |
人工智慧在現今癌症治療上，具有相當大的幫助，透過深度學習，系統可以快速分析腫瘤切片影像，提供醫生有關癌症類型和治療建議等重要資訊，但美國芝加哥大學研究團隊發現，如果深度學習演算法沒有適當調整，AI 會做出偏頗的病理分析。
芝加哥大學（University of Chicago）研究團隊，在本月的《自然－通訊》（Nature Communication）期刊中發表研究指出，透過醫療影像學習的過程中，若沒有對演算法進行特別校正，AI 就會以資料上傳的地區、醫學機構等資訊自行歸類，並使用歸類資料進行比對分析，產生病理資訊和治療建議，但以這種方式而不是透過比較嚴謹的生理和病史資訊進行分析， AI 容易產生偏頗或不正確的分析和治療建議。
研究團隊在實驗中，讓 AI 系統透過美國國家癌症研究所（National Cancer Institute, NCI）與國家人類基因組研究所（National Human Genome Research Institute, NHGRI），共同合作的「癌症基因組圖譜（The Cancer Genome Atlas, TCGA）」資料庫內，大量的癌症組織切片影像進行深度學習，發現了 AI 這種透過演算法習性，產生偏頗判斷的問題。
「我們在這項研究中發現了 AI 的盲點，由於需要快速分析，因此演算法會合理的認為使用機構和區域分類，可以更有效歸類檔案，提高學習分析的效率。」芝加哥大學醫學系 Alexander Pearson 博士指出，但 AI 用這種歸類方式學習大量影像後，卻會開始忽略病患個人的生理數據和病史資料，改以上傳機構和地區之間的影像互相比對。
如此一來，醫療軟硬體條件較好，或比較富裕區域內的病患切片樣本，由於通常有比較多治療選項，治癒機率也較高，因此 AI 容易對這些區域的樣本提出比較樂觀的病理分析和治療方式，但是對於條件較差的機構或區域，產生的分析與建議就會比較差，等於將社會醫療資源的不平等反射出來。
研究團隊也表示，要避免出現這種盲點，系統開發者在訓練 AI 學習時，必須確保各種類型的腫瘤切片影像，是平均來自各個地區與機構上傳的資料，或是在學習過程出現判斷偏頗時，將影像樣本鎖定在一個特定條件，避免 AI 自行產生歸類和比對分析的習慣，才能產生比較準確的分析結果。
要如何避免 AI 出現「偷吃步」的情形，對於現代醫學越來越仰賴 AI 進行分析的狀況下，顯得格外重要，若是因為 AI 產生不準確的病理分析，導致醫生判斷失準，原本用來幫助人類健康的科技反而會成為病患生命的一大威脅。
附圖：▲主導研究團隊的芝加哥大學醫學系 Alexander Pearson 博士。（Source：University of Chicago）
▲AI 在面對大量資料時也會嘗試簡化歸類程序，產生盲點。（Source：BDAN）
資料來源：https://technews.tw/2021/07/27/university-of-chicago-team-found-out-machine-learning-flaw-that-will-produce-biased-medical-analysis/
