چگونه یک روش مبتنی بر I‑score می‌تواند بی‌طرفی تستی یادگیری عمیق در تشخیص ضایعات پوستی را بهبود بخشد؟

خلاصه سریع برای خواننده

• هدف مطالعه: کاهش اختلاف عملکرد مدل‌های یادگیری عمیق بین مجموعه‌های تصاویر پوستی مختلف بدون جمع‌آوری داده‌های تازه.
• روش پیشنهادی: شناسایی و حذف ویژگی‌هایی که با منبع داده (dataset) همبستگی قوی دارند، با استفاده از معیار آماری I‑score و یک مدل کمکی برای پیش‌بینی منشا تصویر.
• نتیجه اصلی: مدل بازنگری‌شده توانایی تشخیص ضایعات پوستی را تقریباً حفظ کرده و اختلاف عملکرد بین دو مجموعه داده (ISIC ۲۰۱۹ و ASAN) را کاهش داده است.
• کاربرد بالینی محتمل: راهی عملی برای بهبود قابلیت تعمیم و عدالت مدل‌های تصویری در محیط‌های بالینی مختلف، اما نیازمند اعتبارسنجی بالینی و ارزیابی در جمعیت‌های دیگر است.
• محدودیت‌ها: مطالعه تجربی-محاسباتی روی چند مجموعه داده خاص؛ نتیجه‌گیری قطعی درباره کارایی در بقیه شرایط بالینی نیاز به شواهد بیشتر دارد.

مقدمه

در چند سال اخیر، مدل‌های مبتنی بر یادگیری عمیق توانایی چشمگیری در تحلیل تصاویر پزشکی از جمله تصاویر پوست نشان داده‌اند. با این حال، مدل‌هایی که از یک یا چند مجموعه داده مشخص آموزش می‌بینند ممکن است به ویژگی‌هایی وابسته شوند که با منشا داده (مانند بیمارستان، منطقه جغرافیایی، نوع دوربین یا شیوه تصویربرداری) مرتبط‌اند و نه تنها با مشخصه‌های بالینی بیماری. این مسأله می‌تواند باعث شود یک مدل در محیطی که تصاویر متفاوت‌اند عملکرد ضعیف‌تری داشته باشد و نهایتاً پیامدهای نابرابر در مراقبت‌های بهداشتی ایجاد کند.

مطالعه‌ای که در مجله PLOS Digital Health منتشر شده است، رویکردی عملی برای کاهش این نابرابری‌های عملکردی ارائه می‌دهد. این رویکرد مبتنی بر انتخاب ویژگی‌ها با استفاده از معیار آماری I‑score است و هدف آن حفظ دقت تشخیص در کنار کاهش اختلاف عملکرد بین زیرگروه‌های خارج از مجموعهٔ آموزش است.

چه چیزی در این مطالعه انجام شد؟

طراحی کلی و هدف

نویسندگان یک چارچوب دو‌مرحله‌ای پیشنهاد کردند: ابتدا با یک مدل کمکی سعی کردند تصاویر را از نظر منبع داده تفکیک کنند؛ سپس با محاسبهٔ I‑score برای زیرمجموعه‌های ویژگی‌ها، گروهی از ویژگی‌ها که بیشترین ارتباط را با منبع داده داشتند شناسایی و از مدل اصلی حذف (یا ماسک) شدند. هدف این بود که مدل اصلی کمتر به ویژگی‌های مرتبط با منبع وابسته شود و بر ویژگی‌های بالینی مرتبط با ضایعه تمرکز کند.

مجموعه‌های داده مورد استفاده

• ISIC 2019: یک مجموعهٔ باز و گسترده از تصاویر ضایعات پوستی که در پژوهش‌های متعددی به کار رفته است.
• ASAN: مجموعه‌ای از تصاویر که از جمعیت متفاوتی جمع‌آوری شده و ویژگی‌های تصویربرداری و جمعیت‌شناختی ممکن است با ISIC متفاوت باشد.
• PAD‑UFES‑20: به عنوان مجموعهٔ خارجی برای ارزیابی عمومی‌سازی مورد استفاده قرار گرفت.

معیار I‑score چیست؟

I‑score یک معیار آماری است که تعامل میان چند ویژگی را می‌سنجد؛ به عبارت دیگر، می‌تواند ترکیب‌های ویژگی‌ها را که بیشترین قدرت توضیح‌دهندگی برای یک خروجی (مانند برچسب داده یا منبع) دارند، شناسایی کند. این روش برخلاف رتبه‌بندی تک‌ویژگی‌ای، به دنبال مجموعه‌های کوچک یا متوسط از ویژگی‌هاست که در کنار هم اطلاعات معنی‌داری دربارهٔ منبع یا کلاس پیش‌بینی‌شده می‌دهند.

نتایج اصلی

نویسندگان گزارش کردند که پس از حذف ویژگی‌های مرتبط با منبع داده، مدل اصلاح‌شده (که در متن با نام fair I‑score model توصیف شده است) همچنان دقت بالایی در تشخیص انواع ضایعات پوستی حفظ می‌کند، اما اختلاف عملکرد بین مجموعه‌های ISIC و ASAN کاهش یافته است. همچنین ارزیابی بر روی مجموعهٔ خارجی PAD‑UFES‑۲۰ نشان داد که مدل بازنگری‌شده از نظر تعمیم‌پذیری عملکرد نسبتاً پایدارتری دارد.

نکتهٔ کلیدی این است که حذف ویژگی‌های مرتبط با منبع بدون نیاز به جمع‌آوری داده‌های جدید یا تغییر ساختار کلی شبکهٔ عصبی انجام شد؛ به عبارت دیگر، رویکرد تیمی عملی و کم‌هزینه برای بهبود «تست‌عدالت» ارائه می‌دهد.

روش‌شناسی فنی به زبان ساده

گام‌های اجرایی

• آموزش یک مدل پیش‌بینی‌کنندهٔ منبع داده (برای تمایز بین ISIC و ASAN) با استفاده از مجموعه داده‌ها.
• محاسبهٔ I‑score برای زیرمجموعه‌های ویژگی استخراج‌شده از لایه‌های میانی شبکه یا از نمای ویژگی‌ها.
• انتخاب زیرمجموعهٔ ویژگی‌هایی که بیشترین ارتباط با منبع را دارند و اعمال ماسک برای حذف آنها از فرایند پیش‌بینی اصلی.
• ارزیابی مدل اصلاح‌شده از منظر عملکرد تشخیصی و اختلاف عملکرد بین زیرگروه‌ها (تست‌عدالت).

معیارهای ارزیابی

نویسندگان از معیارهای معمول تشخیص از جمله حساسیت، اختصاصیت و AUC برای مقایسهٔ مدل‌ها استفاده کردند و همچنین شاخص‌هایی برای اندازه‌گیری اختلاف عملکرد بین مجموعه‌ها تعریف کردند تا تغییر در عدالت عملکرد مدل را بسنجند.

این یافته برای بیمار چه معنایی دارد؟

برای بیمارانی که تصاویر پوست‌شان توسط سیستم‌های هوش مصنوعی تحلیل می‌شود، این تحقیق نشان می‌دهد که:

• امکان دارد مدل‌هایی وجود داشته باشند که در یک بیمارستان یا منطقه عملکرد خوبی داشته باشند اما در محیط دیگری ضعیف باشند؛ این موضوع می‌تواند منجر به عدم قطعیت یا خطاهای نابرابر در تشخیص شود.
• روش پیشنهادی یک راه فنی برای کاهش این نوع نابرابری‌ها ارائه می‌دهد؛ یعنی می‌توان مدل‌هایی ساخت که کمتر به «نشانه‌های شناسایی منبع» متکی باشند و در نتیجه رفتار یکنواخت‌تری در جمعیت‌ها و مراکز مختلف داشته باشند.
• این تغییرات نمی‌توانند جایگزین معاینه پزشکی شوند؛ بلکه ممکن است ابزار کمکی قابل‌اعتمادتری برای پزشکان در محیط‌های متنوع فراهم کنند، مشروط بر اینکه پیش از استقرار در عمل، اعتبارسنجی بالینی و نظارتی مناسب انجام شود.

محدودیت‌ها و نکاتی که باید با احتیاط خواند

• نوع مطالعه: این یک مطالعهٔ محاسباتی و روش‌شناختی است؛ نه یک بررسی بالینی یا کارآزمایی بالینی. نتایج بر اساس مجموعه‌های دادهٔ موجود به‌دست آمده‌اند.
• انتخاب مجموعه داده: ISIC، ASAN و PAD‑UFES‑۲۰ نمونه‌هایی ارزشمند اما محدود از تنوع جهانی هستند. نتایج ممکن است در جمعیت‌ها یا شرایط تصویربرداری دیگر تکرار نشوند.
• معنای حذف ویژگی: ویژگی‌هایی که با منبع مرتبط‌اند ممکن است بعضاً حامل اطلاعات بالینی نیز باشند؛ حذف کامل آنها می‌تواند خطر از بین رفتن اطلاعات سودمند را در پی داشته باشد.
• تجربه بالینی نیاز است: کاهش اختلاف آماری عملکرد به معنی تضمین «عدالت» در تمام جنبه‌های بالینی نیست؛ مواردی مانند دسترسی، پذیرش توسط کاربران و پیامدهای بالینی باید جداگانه بررسی شوند.
• پیچیدگی عملیاتی: پیاده‌سازی این روش در سیستم‌های بالینی نیازمند توان محاسباتی، مدیریت مدل و ارزیابی‌های مداوم است.

تحلیل محدودیت‌ها و نقاط حساسیت

یکی از چالش‌های مهم این روش، تعیین مرز مناسب بین ویژگی‌های «مرتبط با منبع» و ویژگی‌های «مرتبط با بیماری» است. برخی از تفاوت‌های تصویربرداری میان مراکز می‌تواند بازتاب گزینه‌های درمانی یا الگوهای بیماری متفاوت در جمعیت‌ها باشد؛ در این صورت حذف این ویژگی‌ها ممکن است به کاهش دقت تشخیصی در برخی زیردسته‌ها منجر شود. همچنین، I‑score بر تعاملات میان ویژگی‌ها تاکید دارد و ممکن است به نمونه‌های با ابعاد بالا حساس باشد؛ انتخاب پارامترها و قابلیت تکرار روش در مجموعه‌های بزرگ‌تر باید با دقت انجام شود.

نظر تحریریه پزشک سایت

رویکرد ارائه‌شده در این مطالعه یک گام مهم به سوی عملیاتی کردن عدالت در مدل‌های یادگیری عمیق است. از منظر تحریریه پزشک سایت، نکات مثبت این روش عبارت‌اند از: نیاز کمتر به دادهٔ جدید، قابلیت پیاده‌سازی نسبتاً ساده و تمرکز بر حذف سیگنال‌های وابسته به منبع. با این حال، تاکید می‌کنیم که چنین روش‌هایی باید به‌عنوان بخشی از بستهٔ جامع ارزیابی مدل در نظر گرفته شوند—شامل اعتبارسنجی بیرونی، تحلیل‌های فرعی در زیرگروه‌های جمعیتی و ارزیابی پیامدهای بالینی—و نباید به‌تنهایی مبنای تصمیم‌گیری بالینی یا تایید محصول قرار گیرند.

کاربردهای بالینی و عملی

اگر این روش در یک محیط بالینی به‌درستی ارزیابی و پیاده‌سازی شود، می‌تواند به نفع بیماران و تیم‌های درمانی باشد:

• کاهش خطاهای سیستماتیک زمانی که مدل از محیط آموزش به محیط جدید منتقل می‌شود.
• افزایش اعتماد بالینی نسبت به ابزارهای کمکی تصویربرداری در مراکز با تجهیزات و جمعیت‌های متفاوت.
• کاهش نیاز به جمع‌آوری مجموعه‌های دادهٔ بزرگ و متنوع پیش از هر به‌کارگیری، اگرچه جمع‌آوری داده‌های محلی و اعتبارسنجی همچنان ضروری است.

چه زمانی باید با پزشک مشورت کرد؟

این مطالعه مبتنی بر الگوریتم‌ها و مجموعه‌های داده است و مستقیماً جایگزین مشاورهٔ پزشکی نیست. در موارد زیر حتماً با پزشک یا متخصص پوست مشورت کنید:

• وجود ضایعهٔ پوستی جدید، تغییر رنگ، رشد سریع، یا خون‌ریزی از ضایعه که نگران‌کننده است.
• اگر یک ابزار یا اپلیکیشن مبتنی بر هوش مصنوعی تشخیصی دربارهٔ ضایعه شما توصیه‌ای ارائه دهد که با احساس یا یافته‌های بالینی شما تناقض دارد.
• در صورت بارداری، بیماری‌های قلبی یا شرایط ایمنی‌سرکوب‌شده—هر گونه تغییر پوستی باید توسط پزشک ارزیابی شود.

پرسش‌های رایج

آیا این روش می‌تواند تضمین کند که مدل در همهٔ مراکز عملکرد برابری خواهد داشت؟

خیر. این روش می‌تواند اختلاف‌های مرتبط با سیگنال‌های منبع را کاهش دهد اما تضمینی برای عملکرد برابر در همهٔ محیط‌ها نیست. اعتبارسنجی در محیط هدف همچنان لازم است.

آیا حذف ویژگی‌ها می‌تواند باعث کاهش دقت تشخیص شود؟

ممکن است در برخی موارد که ویژگی‌های مرتبط با منبع، اطلاعات بالینی نیز حمل می‌کنند، حذف آنها باعث کاهش دقت شود. نویسندگان گزارش داده‌اند که در نمونه‌های مورد مطالعه دقت کلی حفظ شده اما این نتیجه عمومی نیست و باید برای هر کاربرد جداگانه آزمایش شود.

آیا این روش نیاز به داده‌های برچسب‌خوردهٔ جدید دارد؟

خیر؛ یکی از مزایای روش این است که بدون جمع‌آوری داده‌های جدید، با استفاده از برچسب منبع دادهٔ موجود، انجام می‌شود. با این حال، اعتبارسنجی خارجی معمولاً به داده‌های جدید یا مستقل نیاز دارد.

آیا می‌توان از I‑score در تصاویر غیرِپوستی یا داده‌های غیرتصویری استفاده کرد؟

به نظر می‌رسد کاربرد I‑score به عنوان معیاری برای شناسایی تعاملات میان ویژگی‌ها قابل تعمیم باشد، اما اثربخشی و تنظیمات دقیق برای هر نوع داده‌ای باید مستقل بررسی شود.

مقایسه با راهکارهای دیگر

روش‌های دیگری مانند داده‌افزایی، نرمال‌سازی، یادگیری حوزه‌محور (domain adaptation) یا آموزش مبتنی بر حساسیت جمعیتی نیز برای بهبود تعمیم‌پذیری پیشنهاد شده‌اند. تفاوت کلیدی روش I‑score در این است که به جای تغییر در داده یا ساختار مدل، بر انتخاب ویژگی متمرکز است و سعی دارد به‌طور صریح سیگنال‌های مرتبط با منبع را کاهش دهد. این می‌تواند به‌عنوان یک ابزار مکمل در کنار دیگر روش‌ها به کار رود.

ملاحظات عملی برای توسعه‌دهندگان و پژوهشگران

• قبل از اعمال ماسک‌ها، تحلیل دقیقی از اینکه کدام ویژگی‌ها ممکن است حامل اطلاعات بالینی باشند انجام دهید.
• از مجموعه‌های دادهٔ متنوع برای ارزیابی خروجی استفاده کنید تا خطر حذف اطلاعات حیاتی کاهش یابد.
• پارامترهای I‑score و آستانه‌های انتخاب ویژگی باید به‌صورت استنتاجی تعیین و گزارش شوند تا قابلیت بازتولید فراهم گردد.

جمع‌بندی کاربردی

مطالعهٔ مورد بررسی نشان می‌دهد که با استفاده از I‑score و یک مدل کمکی برای شناسایی و حذف ویژگی‌های مرتبط با منبع، می‌توان بی‌طرفی تستی مدل‌های یادگیری عمیق در تشخیص ضایعات پوستی را تا حدی بهبود داد، بدون آنکه دقت کلی به‌طرز محسوسی کاهش یابد. این رویکرد می‌تواند یک ابزار عملی برای توسعه‌دهندگان و مراکز پژوهشی باشد که می‌خواهند مدل‌های تصویری را برای استفاده در محیط‌های متنوع آماده‌تر کنند. با این وجود، لازم است هر اقدام فنی با اعتبارسنجی بیرونی و بررسی پیامدهای بالینی همراه باشد و نباید به‌عنوان جایگزین مشاوره یا تشخیص پزشکی تلقی شود.

منبع

مطالعه اصلی: “Test-fairness deep learning with influence score”, PLOS Digital Health, ۲۰۲۶. DOI: https://doi.org/10.1371/journal.pdig.0001513

توضیح نهایی: این مقاله بر پایهٔ نتایج منتشرشده در منبع فوق نوشته شده است و تحلیل‌های تحریریهٔ “پزشک سایت” تلاش کرده‌اند یافته‌ها را به زبان قابل‌فهم و با احتیاط علمی برای خوانندگان ایرانی توضیح دهند. این متن توصیهٔ درمانی یا تصمیم بالینی جایگزین پزشک نمی‌شود.

مطالب این مقاله فقط برای افزایش آگاهی عمومی است و جایگزین تشخیص یا درمان پزشکی نیست. برای اطلاعات بیشتر، صفحه سیاست پزشکی و سلب مسئولیت پزشک سایت را بخوانید.