Supercomputerul ajută la dezvoltarea unei AI mai de încredere pentru diagnosticarea cancerului de sân
Deși inteligența artificială (AI) poate îmbunătăți capacitatea experților umani de a diagnostica și trata boli precum cancerul de sân, erorile bine publicizate din domeniul AI ridică semne de întrebare.
O echipă de la Universitatea din Pittsburgh a utilizat supercomputerul Bridges-2 al PSC pentru a crea o rețea neurală profundă (DNN) care ia în considerare incertitudinea în diagnosticul imaginilor de mamografie. Prin furnizarea unui indicator al cât de precisă este predicția, AI-ul lor evaluează încrederea că răspunsul este corect pentru un pacient individual, nu doar în medie pentru o populație.
Importanța acestei cercetări este evidentă într-o perioadă de incertitudine pentru viitorul AI. Pe de o parte, AI-ul îmbunătățește multe aspecte ale vieții noastre, inclusiv cumpărăturile online, transportul și prevenirea fraudelor. Pe de altă parte, se confruntă cu critici, cum ar fi cărțile scrise de AI care conțin citate și fapte inventate, mașini autonome care nu recunosc pietonii și „asistenți” AI care manifestă comportamente rasiste.
AI are clar potențialul de a ne îmbunătăți viața, dar majoritatea dintre noi suntem de acord că trebuie să fim mai precauți în privința fiabilității sale; a oferi răspunsuri corecte nu ajută dacă acestea sunt însoțite de răspunsuri greșite cu aceeași încredere.
„Încerc să dezvolt modele AI eficiente sau metodologii care să facă dezvoltarea modelului AI mai ușoară, să facă diagnosticul cancerului de sân mai precis și să facă aceste modele, în special modelele de imagistică medicală AI, mai de încredere și, prin urmare, mai utile clinic”, a declarat Șandong Wu.
Șandong Wu a studiat utilizarea AI pentru a ajuta radiologii să identifice cancerul de sân mai devreme și mai eficient, precum și pentru a determina nevoile de tratament viitoare ale pacienților. Însă, el s-a gândit și la întrebarea fiabilității – câtă încredere putem și ar trebui să avem în rezultatele sale.
Jiren Li, un student la doctorat care colaborează cu Wu și cu un alt membru al facultății de radiologie, a avut ideea de a proiecta un AI pentru diagnosticarea cancerului de sân care să ia în considerare incertitudinea încă de la început. Astfel, AI-ul ar putea oferi estimări valide ale încrederii împreună cu predicțiile sale. Pentru a implementa AI-ul, el a apelat la sistemul Bridges-2, finanțat de NSF, printr-o alocare din rețeaua NSF de site-uri de supercomputing ACCESS.
Problema pe care cercetătorii de la Pitt au realizat-o este că este relativ simplu să proiectezi un AI bazat pe DNN care oferă răspunsuri corecte în majoritatea cazurilor. DNN-urile, concepute pentru a învăța dintr-un set de date de antrenament în care „răspunsurile corecte” au fost etichetate de oameni, sunt foarte eficiente în a prezice răspunsurile pentru o populație de pacienți. Însă, ele nu sunt la fel de bune în a determina cât de fiabil este un diagnostic pentru un pacient individual. În cazul în care AI-ul ghidează tratamentul unei boli amenințătoare de viață, chiar și câteva diagnostice greșite pot fi catastrofale pentru pacienții afectați.
Echipa a abordat problema printr-o metodă denumită învățare ponderată de incertitudine (UWL). În această abordare, arhitectura DNN a fost concepută pentru a oferi atât un diagnostic, cât și un „scor de incertitudine” asociat, prin analiza imaginilor de mamografie. Scorul de incertitudine devine parte a procesului de învățare al DNN-ului, ghidând modelul în a face față mai eficient acelor mostre incerte în timpul antrenamentului.
Crearea instrumentului UWL a generat provocări computaționale serioase. Învățarea DNN funcționează cel mai bine pe unități de procesare grafică (GPU), care dispun de numeroase căi computaționale, mai degrabă decât de viteză pură în calcularea unei singure sarcini. Deoarece mamografiile sunt imagini mari, de înaltă rezoluție, GPU-urile aveau nevoie de acces la memorie mare și partajată pentru a deconstrui și a învăța din fiecare imagine de antrenament. Aceasta ar preveni încetinirile cauzate de necesitatea de a reveni în mod repetat la stocarea datelor în timpul calculului. În plus, era necesară o stocare mare de date pentru a găzdui întreaga bibliotecă de date imagistice pentru antrenarea și testarea modelului AI.
Bridges-2 s-a dovedit a fi esențial pentru succesul acestor studii, deoarece, după cum se poate imagina, totul implică date de imagistică radiologică heterogene, de mare amploare și rezoluție. „Pentru a construi acest model AI, avem nevoie de GPU-uri, memorie și stocare mai mari pentru a face acest lucru posibil. Bridges-2 a fost sursa principală de resurse computaționale pentru laboratorul meu de mulți ani, susținându-ne în a stoca datele acolo, a construi mai multe modele AI și a evalua aceste modele… Deci, a fost cu adevărat un factor care ne-a permis să dezvoltăm modele AI inovatoare și să stocăm seturi mari de date medicale”, a afirmat Șandong Wu.
Bridges-2 a fost potrivit, având 47 de noduri GPU ce conțin 384 de GPU-uri de ultimă generație. Fiecare nod dispune de între 128 și 2.000 de gigabytes de RAM, comparativ cu 64 GB în total într-un laptop de ultimă generație. Sistemul activ de stocare a datelor al PSC, Ocean, a fost, de asemenea, la înălțime, având 15 petabytes de capacitate de date utilizabile la viteze mari de recuperare. Comparativ, un laptop performant poate avea aproximativ 2 terabytes de stocare a datelor, adică de 7.500 de ori mai puțin.
Rezultatele primei analize a grupului de la Pitt, folosind mai multe DNN-uri bazate pe UWL, au fost încurajatoare. Unul dintre DNN-uri, în special, a oferit evaluări bune ale incertitudinii răspunsului său, alertând medicii și pacienții atunci când un diagnostic ar putea fi mai puțin de încredere la nivelul unui pacient specific. Mai bine, a făcut acest lucru fără a reduce acuratețea la nivel de populație. Echipa a prezentat rezultatele la întâlnirea anuală a Societății Inginerilor de Instrumentație Foto-Optică (SPIE) în februarie 2026, la Vancouver, Canada.
Lucrările cercetătorilor de la Pitt au aplicații dincolo de obiectivul deja important de a face diagnosticul cancerului de sân mai precis și de încredere. Abordarea poate fi aplicată în aproape orice utilizare critică a AI unde incertitudinea, precum și predicția, sunt importante de știut. Direcțiile viitoare includ extinderea acestor abordări bazate pe incertitudine la sistemele AI care integrează imagini și alte tipuri de date din dosarele medicale și facilitarea colaborărilor mai bune între oameni și AI, în care deciziile pot fi adaptate în funcție de încrederea măsurată a modelului. Aceste progrese ar putea contribui la crearea unor sisteme AI mai de încredere și utile clinic, care să îmbunătățească atât acuratețea diagnosticării, cât și îngrijirea personalizată a pacienților.
