یکی از بزرگترین چالشهای استفاده از هوش مصنوعی در پزشکی، ماهیت «جعبه سیاه» مدلهاست که باعث میشود پزشکان نتوانند به راحتی به تشخیصهای آنها اعتماد کنند. حالا محققان فریمورک جدیدی به نام KANEx معرفی کردهاند!
این مدل با بهرهگیری از معماری شبکه عصبی «کولموگوروف-آرنولد» (KAN)، به جای روشهای معمول، از واحدهای عملکردیِ قابل تفسیر برای تحلیل تصاویر پزشکی (مثل عکسهای رادیولوژی قفسه سینه) استفاده میکند. این یعنی مدل نه تنها تشخیص میدهد، بلکه دلیلِ تصمیم خود را نیز به زبان ساده و با دقتِ بالاتر (تا ۱۰٪ بهبود) توضیح میدهد.
این پیشرفت میتواند مسیر را برای پذیرش گستردهتر ابزارهای هوشمند در محیطهای درمانی و کلینیکها هموارتر کند. 💡
منبع: arXiv Computer Vision