AI-ის ახალ თაობას შესაძლებლობა ექნება წინ წაწიოს სამედიცინო ტექნოლოგიები

ღრმა სწავლების ერთ – ერთი ყველაზე დიდი გადაუჭრელი პრობლემაა მისი დაუცველობა ეგრეთ წოდებულ „მოწინააღმდეგე შეტევებზე“. ინფორმაციის შემთხვევითი ან ფარული დამატება AI სისტემაში შეყვანის შემთხვევაში შეიძლება გამოიწვიოს გაუმართაობა. კონკურენტუნარიანი კვლევების უმეტესობა ფოკუსირებულია გამოსახულების ამოცნობ სისტემებზე, მაგრამ ღრმა სწავლების სურათი რეკონსტრუქციის სისტემები ასევე დაუცველია. ეს დიდ საფრთხეს უქმნის ჯანდაცვის სექტორს.როსადაც ასეთი სისტემები ხშირად გამოიყენება რენტგენული მონაცემების მისაღებად, როგორიცაა კომპიუტერული ტომოგრაფია ან MRI. მაგალითად, მიზანმიმართულმა შეტევამ შეიძლება გამოიწვიოს სისტემამ სიმსივნის ჩვენება,იქ სადაც არ უნდა იყოს.

AI-ის ახალ თაობას შესაძლებლობა ექნება წინ წაწიოს სამედიცინო ტექნოლოგიები

ღრმა სწავლების ერთ – ერთი ყველაზე დიდი გადაუჭრელი პრობლემაა მისი დაუცველობა ეგრეთ წოდებულ „მოწინააღმდეგე შეტევებზე“. ინფორმაციის შემთხვევითი ან ფარული დამატება AI სისტემაში შეყვანის შემთხვევაში შეიძლება გამოიწვიოს გაუმართაობა. კონკურენტუნარიანი კვლევების უმეტესობა ფოკუსირებულია გამოსახულების ამოცნობ სისტემებზე, მაგრამ ღრმა სწავლების სურათი რეკონსტრუქციის სისტემები ასევე დაუცველია. ეს დიდ საფრთხეს უქმნის ჯანდაცვის სექტორს.როსადაც ასეთი სისტემები ხშირად გამოიყენება რენტგენული მონაცემების მისაღებად, როგორიცაა კომპიუტერული ტომოგრაფია ან MRI. მაგალითად, მიზანმიმართულმა შეტევამ შეიძლება გამოიწვიოს სისტემამ სიმსივნის ჩვენება,იქ სადაც არ უნდა იყოს.

ურბანა-შამპანიაში, ილინოისის უნივერსიტეტის სპეციალისტებმა შემოგვთავაზეს ახალი მეთოდი ღრმა ნერვული ქსელების მომზადებისთვის, რომელიც უზრუნველყოფს ნაკლებ შეცდომებს და აუმჯობესებს კრიტიკულ სიტუაციებში ასეთი სისტემების სანდოობას.

მეთოდი მოიცავს ნერვული ქსელების შესაბამისობას, რომლებიც პასუხისმგებელნი არიან სურათებისა და ქსელების რეკონსტრუქციაზე, რაც წარმოადგენს კონკურენტული შეტევების მაგალითებს, GAN ალგორითმის ტიპის მიხედვით. განმეორებითი ციკლის საშუალებით, მოწინააღმდეგე ქსელი შეეცდება დახატოს ქსელი, რომელიც პასუხისმგებელია სურათების რეკონსტრუქციაზე, ისე, რომ ის წარმოქმნის ელემენტებს, რომლებიც არ არიან ორიგინალური მონაცემების ნაწილი. თავის მხრივ, სარეკონსტრუქციო ქსელი მუდმივად შეიცვლება ისე, რომ არ მოატყუოს საკუთარი თავი, რითაც იზრდება მისი საიმედოობა.