کمتر از یک ماه گذشته یک اپیزود در پادکست This Week In Machine Learning & AI منتشر شد که در قالب مصاحبه با آقای پرشانت واریر بود. آقای واریر که بنیانگذار شرکت Qure.ai در هند هست که در زمینه پردازش تصاویر اسکن‌های پزشکی بوسیله هوش مصنوعی فعالیت دارد. قبل از افتتاح این شرکت آقای واریر دکترای Computer Science رو از Georgia Institute of Technology از آمریکا می‌گیرند و بعد به هند برمی‌گردند. واریر در این مصاحبه به برخی تفاوت‌ها بین یک مقاله علمی و ساخت یک سرویس برای دنیای واقعی اشاره دارد که در نوع خودش جالب هست. می‌توانید در ادامه خلاصه مطالب گفته شده را بخوانید یا خود پادکست که به زبان انگلیسی هست را گوش بدهید.

نکته اول که در پادکست بهش اشاره شد این بود که محصولاتی که برای ارائه دارند دو محصول هست که بر روی عکس‌های رادیولوژی‌های مربوط به سرطان سینه و تومور مغزی کار می‌کند و می‌تواند با دقت بالایی یعنی بیشتر از ۹۰ درصد تشخیص صحیح دهند. همچنین علاوه بر تشخیص نرمال و آنرمال بودن مشکلات مختلفی رو به صورت دسته‌بندی شده سیستم تشخیص می‌دهد. اما معمولا در مقالات اکادمیک تنها نرمال یا آنرمال بودن بررسی می‌شدند. همچنین شرکت Qure.ai توانسته اطلاعات زیادی را به مدل‌ها اضافه کند. برای مثال اگر نوع خاصی از ضایعه تنها در قسمت بالای تصویر رخ می‌دهد این اطلاعات را به مدل اضافه کرده‌اند تا کیفیت بالاتری بگیرد. یک تفاوت دیگر که در پادکست مطرح شد این بود که دیتاست‌های موجود معمولا شامل تصاویر آنلاین هستند، تعداد تصاویرشان برای آموزش و تست کم است، دستگاه‌های پزشکی که تصاویر با آنها گرفته شده مشابه هستند اما از یک سیستم همچین انتظاری نمی‌رود. نکته تا حدی خنده‌دار دیگر اینکه شبکه‌های CNNای که بر روی این دیتاست‌های موجود آموزش می‌دیدند با بررسی دقیق‌تری که انجام شد بر خلاف حساسیت به خود عکس، به نوشته‌های روی عکس حساس می‌شدند. زیرا تصاویر غیرطبیعی دارای تعداد زیادی متن روی عکس بودند. مدل بر خلاف انتظار یاد گرفته بود هرجا چیزی شبیه نوشته در عکس دید تشخیص بدهد که این عکس غیرطبیعی است. دیتاست استفاده شده توسط Qure.ai بجای چندهزار دارای چندصدهزار نمونه عکس از دستگاه‌های مختلف است که اینطور توانسته به جامعیت بیشتری برسد. همچنین شرکت Qure.ai توانسته یک روش جدید برای آموزش از روی تصاویر با رزلوشن بالا بسازد که در این مصاحبه واریر حاضر به توضیح بیشتری در مورد این روش نشد. با کمک این روش دیگر نیاز به Scale و کوچک‌کردن عکس که منجر به از بین رفتن جزئیات می‌شود نیست. در جواب به سوال «آیا از مقالات روز هم استفاده می‌کنید؟» گفته شد که «ما روش‌های مختلفی را تست کردیم اما تعداد خیلی کمی از این بین، توانستند واقعا بهبود ببخشند برای مثال استفاده از شبکه‌های GAN در این Task بهبودی حاصل نکرد. به این نتیجه رسیدیم که هرچه ایده‌ها ساده‌تر باشند، کیفیت بهتری می‌توان انتظار داشت.»