وقتی به تصاویر پوست تیره‌تر نگاه می‌کنند، پزشکان در تشخیص بیماری با مشکل بیشتری مواجه می‌شوند

این مطالعه که شامل بیش از 1000 متخصص پوست و پزشک عمومی بود، نشان داد که متخصصان پوست حدود 38 درصد از تصاویری را که می‌دیدند، دقیقاً مشخص می‌کردند، اما فقط 34 درصد از تصاویری که پوست تیره‌تری داشتند. پزشکان عمومی، که عموماً دقت کمتری دارند، با پوست تیره تر، دقت مشابهی را کاهش می دهند.

تیم تحقیقاتی همچنین دریافت که کمک از یک الگوریتم هوش مصنوعی می‌تواند دقت پزشکان را بهبود بخشد، اگرچه این پیشرفت‌ها در تشخیص بیماران با پوست روشن‌تر بیشتر بود.

اگرچه این اولین مطالعه ای است که تفاوت های تشخیصی پزشکی را در رنگ پوست نشان می دهد، مطالعات دیگر نشان داده اند که تصاویر استفاده شده در کتاب های درسی پوست و مواد آموزشی عمدتاً رنگ پوست روشن تر را نشان می دهند. تیم MIT می‌گوید این ممکن است یکی از عواملی باشد که به نابرابری کمک می‌کند، همراه با احتمال اینکه برخی از پزشکان تجربه کمتری در درمان بیماران با پوست تیره‌تر داشته باشند.

Matt Groh PhD ’23، دستیار می گوید: “هیچ پزشکی احتمالاً قصد ندارد با هر نوع فردی بدتر کند، اما ممکن است به این دلیل باشد که شما دانش و تجربه کافی را ندارید و بنابراین ممکن است با گروه های خاصی از مردم بدتر شوید.” استاد دانشکده مدیریت کلوگ دانشگاه نورث وسترن. این یکی از آن موقعیت‌هایی است که در آن به شواهد تجربی نیاز دارید تا به مردم کمک کنید بفهمند چگونه می‌خواهید سیاست‌های مربوط به آموزش پوست را تغییر دهید.»

Groh نویسنده اصلی این مطالعه است که امروز در طب طبیعی. روزالیند پیکارد، استاد علوم و هنرهای رسانه ای MIT، نویسنده ارشد مقاله است.

مغایرت های تشخیصی

چند سال پیش، یک مطالعه MIT به سرپرستی دکتر جوی بولاموینی ’22 نشان داد که برنامه‌های آنالیز صورت دارای میزان خطای بسیار بالاتری در پیش‌بینی جنسیت افراد با پوست تیره‌تر هستند. این کشف الهام بخش گرو بود، که همکاری هوش مصنوعی انسان را مطالعه می کند تا بررسی کند که آیا مدل های هوش مصنوعی، و احتمالاً خود پزشکان، ممکن است در تشخیص بیماری های پوستی با رنگ پوست تیره تر مشکل داشته باشند یا خیر – و اینکه آیا این توانایی های تشخیصی می توانند بهبود یابند.

گرو می‌گوید: «به نظر می‌رسد این فرصت خوبی است تا بفهمیم آیا مشکلی اجتماعی وجود دارد یا خیر و چگونه می‌خواهیم آن را برطرف کنیم، و همچنین شناسایی بهترین روش برای گنجاندن کمک هوش مصنوعی در تصمیم‌گیری پزشکی». من بسیار علاقه مند هستم که چگونه می توانیم یادگیری ماشین را برای مشکلات دنیای واقعی به کار ببریم، به ویژه اینکه چگونه به متخصصان کمک کنیم تا در شغل خود بهتر عمل کنند. پزشکی فضایی است که مردم در آن تصمیمات واقعاً مهمی می‌گیرند و اگر بتوانیم تصمیم‌گیری آنها را بهبود ببخشیم، می‌توانیم نتایج بیماران را بهبود ببخشیم.»

برای ارزیابی دقت تشخیصی پزشکان، محققان مجموعه‌ای از 364 تصویر از کتاب‌های درسی پوست و سایر منابع را گردآوری کردند که نشان‌دهنده 46 بیماری پوستی در رنگ‌های مختلف پوست بود.

اکثر این تصاویر یکی از هشت بیماری التهابی پوست، از جمله درماتیت آتوپیک، بیماری لایم و سیفلیس ثانویه، و همچنین شکل نادری از سرطان به نام لنفوم سلول T پوستی (CTCL) را نشان می‌دهند که می‌تواند شبیه به یک بیماری التهابی پوست به نظر برسد. بسیاری از این بیماری ها، از جمله بیماری لایم، می توانند در پوست های تیره و روشن ظاهر متفاوتی داشته باشند.

تیم تحقیقاتی از طریق سرمو، یک سایت شبکه اجتماعی برای پزشکان، افراد را برای مطالعه انتخاب کردند. کل گروه مورد مطالعه شامل 389 متخصص پوست دارای گواهی هیئت مدیره، 116 دستیار پوست، 459 پزشک عمومی و 154 نوع دیگر از پزشکان بود.

به هر یک از شرکت کنندگان در مطالعه 10 تصویر نشان داده شد و از سه بهترین حدس آنها در مورد بیماری هر تصویر پرسیده شد. همچنین از آنها پرسیده شد که آیا بیمار را برای بیوپسی ارجاع خواهند داد. علاوه بر این، از پزشکان عمومی پرسیده شد که آیا بیمار را به متخصص پوست ارجاع خواهند داد یا خیر.

پیکارد می گوید: “این به اندازه تریاژ حضوری جامع نیست، جایی که پزشک می تواند پوست را از زوایای مختلف بررسی کند و نور را کنترل کند.” با این حال، تصاویر پوست برای مرتب‌سازی آنلاین مقیاس‌پذیرتر هستند و به راحتی به الگوریتم یادگیری ماشینی وارد می‌شوند که می‌تواند به سرعت تشخیص‌های احتمالی را ارزیابی کند.

محققان دریافتند که جای تعجب نیست که متخصصان پوست میزان دقت بالاتری داشتند: آنها 38 درصد از تصاویر را به درستی طبقه بندی کردند، در مقایسه با 19 درصد برای پزشکان عمومی.

هر دو گروه هنگام تلاش برای تشخیص بیماری‌های پوستی بر اساس تصاویر پوست تیره‌تر، حدود چهار درصد از دقت را از دست دادند که از نظر آماری کاهش معنی‌داری داشت. علاوه بر این، متخصصان پوست به احتمال کمتری تصاویری از پوست تیره‌تر CTCL را برای بیوپسی ارجاع می‌دهند، اما به احتمال زیاد آنها را برای نمونه‌برداری از شرایط پوستی غیرسرطانی ارجاع می‌دهند.

تقویت از هوش مصنوعی

پس از ارزیابی عملکرد پزشکان به تنهایی، محققان همچنین تصاویر اضافی را برای تجزیه و تحلیل با استفاده از الگوریتم هوش مصنوعی که توسط محققان ایجاد شده بود، به آنها دادند. محققان این الگوریتم را بر روی حدود 30000 تصویر آموزش دادند و از آن خواستند تا تصاویر را به عنوان یکی از هشت بیماری که بیشتر تصاویر نشان می دهند، به علاوه دسته نهم “سایر” طبقه بندی کند.

این الگوریتم دقتی در حدود 47 درصد داشت. محققان همچنین نسخه دیگری از الگوریتم را با نرخ موفقیت متورم مصنوعی 84 درصد ایجاد کردند که به آنها امکان می داد ارزیابی کنند که آیا دقت مدل بر احتمال پذیرش توصیه های پزشکان تأثیر می گذارد یا خیر.

این به ما امکان می‌دهد تا کمک هوش مصنوعی را با مدل‌هایی ارزیابی کنیم که در حال حاضر بهترین هستند، و با کمک هوش مصنوعی که می‌تواند دقیق‌تر باشد، شاید پنج سال آینده، با داده‌ها و مدل‌های بهتری که گرو می‌گوید.

هر دو طبقه بندی کننده برای پوست های روشن و تیره به یک اندازه دقیق هستند. محققان دریافتند که استفاده از هر یک از این الگوریتم‌های هوش مصنوعی دقت را هم برای متخصصان پوست (تا 60 درصد) و هم برای پزشکان عمومی (تا 47 درصد) بهبود می‌بخشد.

آنها همچنین دریافتند که پزشکان پس از ارائه چندین پاسخ صحیح، احتمالاً پیشنهادات الگوریتم را با دقت بالاتری می‌پذیرند، اما به ندرت پیشنهادات هوش مصنوعی نادرست را درج می‌کنند. گرو می گوید، این نشان می دهد که پزشکان در رد کردن بیماری ها مهارت بالایی دارند و پیشنهادات هوش مصنوعی را برای بیماری ای که قبلاً رد کرده اند نمی پذیرند.

زمانی که هوش مصنوعی اشتباه است و پزشکان درست می‌گویند، آنها خیلی خوب هستند که توصیه‌های هوش مصنوعی را نپذیرند. این چیزی است که دانستن آن مفید است.”

در حالی که متخصصان پوست با کمک هوش مصنوعی هنگام تماشای تصاویر پوست روشن یا تیره افزایش دقت مشابهی را نشان دادند، پزشکان عمومی با تصاویر پوست روشن‌تر نسبت به پوست تیره‌تر، بهبود بیشتری نشان دادند.

گرو می‌گوید: «این مطالعه به ما امکان می‌دهد نه تنها ببینیم که کمک‌های هوش مصنوعی چگونه تأثیر می‌گذارد، بلکه چگونه بر سطوح تخصص تأثیر می‌گذارد». “آنچه که می تواند در آنجا اتفاق بیفتد این است که PCP ها تجربه زیادی ندارند، بنابراین آنها نمی دانند که آیا باید یک بیماری را رد کنند یا نه، زیرا آنها به جزئیات مربوط به اینکه چگونه شرایط پوستی مختلف می توانند متفاوت به نظر برسند عمیق نیستند. سایه های روی پوست.”

محققان امیدوارند که یافته‌های آنها به تشویق دانشکده‌های پزشکی و کتاب‌های درسی کمک کند تا آموزش‌های بیشتری را برای بیماران با پوست تیره‌تر لحاظ کنند. این یافته ها همچنین ممکن است به اجرای برنامه های پوستی با کمک هوش مصنوعی که اکنون بسیاری از شرکت ها در حال توسعه هستند کمک کند.

این تحقیق توسط کنسرسیوم آزمایشگاه رسانه MIT و صندوق تحقیقات دانشجویی هارولد هوروویتز تأمین مالی شد.