Mas Mapagkakatiwalaang AI para sa mga Kritikal na Gamit tulad ng Medisina

Mas Maliit na Prediction Sets, Mas Malinaw na Desisyon

Isang bagong pamamaraan na binuo ng mga mananaliksik mula MIT ang nagpapahusay sa kakayahan ng mga AI model na magbigay ng mas tiyak at mas kapaki-pakinabang na prediksyon, lalo na sa mga high-stakes na larangan gaya ng medical imaging.

Sa larangan ng radiology, halimbawa, madaling mapagkamalang pareho sa X-ray ang pleural effusion (likido sa baga) at pulmonary infiltrates (nana o dugo). Ang isang AI model ay maaaring tumulong sa mga doktor upang mas mabilis at eksaktong matukoy ang problema—ngunit kailangang maipakita nito ang antas ng katiyakan ng mga posibleng diagnosis.

---

Conformal Classification: Mas Maraming Sagot, Pero Minsang Sobra

Ang tinatawag na conformal classification ay isang paraan kung saan nagbibigay ang AI ng listahan ng posibleng sagot na may kasamang katiyakan na ang tamang sagot ay naroon.

Ang problema: Minsan napakarami ng binibigay na opsyon — halimbawa, 200 klase sa 10,000 na posibilidad. Mahirap itong suriin para sa mga clinician o eksperto.

---

Solusyon ng MIT: Test-Time Augmentation (TTA)

Pinagbuti ng mga mananaliksik ang prosesong ito gamit ang isang teknik mula sa computer vision na tinatawag na test-time augmentation (TTA):

• Paano ito gumagana?
• Gumagawa ang TTA ng maraming bersyon ng parehong larawan (hal. rotated, cropped, zoomed).
• Ipinoproseso ng AI ang bawat bersyon, at pagkatapos ay pinagsasama-sama ang resulta.
• Dahil dito, mas tumpak ang prediksyon at mas matatag sa mga pagbabago.

Ang pagsasama ng TTA sa conformal classification ay nagpaliit ng prediction sets ng 10–30% nang hindi bumababa ang antas ng katiyakan (confidence level).

---

Mas Kaunting Sagot, Mas Makabuluhang Gamit

Ayon kay Divya Shanmugam, lead author ng pag-aaral at kasalukuyang postdoc sa Cornell Tech:

Mas kapaki-pakinabang ang mas kaunting pagpipilian kung pareho pa rin ang antas ng katiyakan.

• Mas maliit na listahan = Mas mabilis na diagnosis.
• Ginamit nila ang kaunting labeled data para sa TTA training, ngunit nagresulta pa rin ito sa mas mahusay na performance.
• Hindi kailangan ang muling training ng AI model — plug-and-play lang ang TTA.

---

Mga Potensyal na Gamit at Susunod na Hakbang

• Medikal na diagnosis, wildlife identification, at iba pang larangan ng AI classification ay makikinabang dito.
• Balak ng mga mananaliksik na subukan ang TTA-enhanced conformal classification sa mga text classification models.
• Isa rin sa kanilang layunin ay ang pagbawas ng computation cost ng TTA, upang mas maging accessible ito sa mas maraming setting.

---

AI na May Mas Maingat na Katiyakan

Ang bagong metodolohiyang ito ay isang mahalagang hakbang tungo sa mas mapagkakatiwalaang AI, lalo na sa mga larangang hindi puwedeng magkamali — tulad ng medisina. Sa pamamagitan ng pagbibigay ng mas maliit ngunit mas makabuluhang hanay ng prediksyon, binibigyan nito ng mas matibay na batayan ang mga eksperto upang gumawa ng desisyon.