رادار: مدل متنباز علیبابا برای غربال سرطان
هوش مصنوعیClaude Opus 5خلاصهٔ کاملتر
آکادمی دامو علیبابا مدلی به اسم RADAR منتشر کرده که سیتیاسکن شکم رو میخونه و برای نزدیک به ۱۴۶ وضعیت مختلف، شامل سرطان کبد، پانکراس، معده و روده بزرگ، نمره میده. تو این مقاله اومده که نکته اصلی ماجرا فقط دقت مدل نیست؛ open-weight بودنشه، یعنی وزنهای آموزشدیده مدل عمومی منتشر شده و هر کسی میتونه دانلودش کنه و خودش اجراش کنه.
روش آموزشش هم جالبه: به جای برچسبزدن دستی، بیش از ۴۰۰ هزار سیتیاسکن رو با همون گزارشهای رادیولوژی که پزشکا قبلاً براشون نوشته بودن جفت کردن، در مجموع ۱۵ میلیون جفت تصویر و گزارش. خود گزارشها نقش برچسب رو بازی کردن. مطالعهای که تو Science چاپ شده، مدل رو روی ۴۰ هزار اسکن واقعی تست کرده و AUC برابر ۰.۹۱۳ گزارش کرده.
موقع اجرا مدل دو تا ورودی میخواد: خود اسکن، و یه ماسک segmentation اندامها (یعنی یه نقشه آماده که میگه کبد و پانکراس و معده تو این اسکن دقیقاً کجان). این ماسک بهش میگه کجا رو نگاه کنه و مسئله رو از «کل حجم سهبعدی رو بگرد» میبره به «این ناحیه رو برای این بیماریها چک کن». خروجی یه فایل CSV با یه ردیف برای هر بیمار و ۱۴۶ ستونه که هر ستون نمره اطمینان یه جفت اندام و بیماریه.
از نظر سختافزار سبکه: تو یه تست محلی با کمتر از ۱ گیگابایت VRAM بالا اومده و موقع پردازش حدود ۱۶ گیگابایت گرفته، که روی یه کارت گرافیک معمولی جا میشه، نه روی رک سرور. اسکریپت inference هم پارامترهایی مثل اندازه KV cache و طول context رو در اختیار میذاره که بشه این مصرف رو باز هم کمتر کرد. یعنی یه کلینیک کوچیک با یه ورکاستیشن هم میتونه اجراش کنه.
تو reader study (یعنی مقایسه مستقیم مدل با رادیولوژیستهای واقعی روی همون اسکنها)، رادار از ۲۳ تا از ۲۶ رادیولوژیست بهتر عمل کرده و حساسیت تشخیص خود پزشکا رو هم حدود ۱۰ درصد بالا برده. ولی نویسنده تأکید میکنه این مدل جای رادیولوژیست رو نمیگیره؛ یه لایه triage ـه که میگه کجا رو دقیقتر نگاه کن. به گفته نویسنده برای آدم غیرمتخصص اون جدول نمرهها عملاً بیمعنیه و برداشت اشتباه ازش خیلی راحت اتفاق میافته.
نکات کلیدی:
- غربال حدود ۱۴۶ وضعیت روی سیتیاسکن شکم، از سرطان کبد و پانکراس تا رسوب عروقی
- آموزش روی بیش از ۴۰۰ هزار سیتیاسکن و ۱۵ میلیون جفت تصویر و گزارش، بدون برچسبزنی دستی
- AUC برابر ۰.۹۱۳ روی ۴۰ هزار اسکن واقعی در مطالعه منتشرشده در Science
- بهتر از ۲۳ رادیولوژیست از ۲۶ نفر، با حدود ۱۰ درصد افزایش حساسیت خود پزشکا
- مصرف حدود ۱۶ گیگابایت VRAM موقع اجرا، قابل اجرا روی یه GPU معمولی
- خروجی یه فایل CSV با ۱۴۶ ستون نمره اطمینان برای هر بیمار
