Cum promite inteligența artificială diagnostice de sănătate mai rapide și mai precise Pe măsură ce învățarea automată progresează, aplicațiile sale includ diagnostice medicale mai rapide și mai precise. Shutterstock

Când AlphaGo de la Google DeepMind l-a învins în mod șocant pe legendarul jucător Go Lee Sedol în 2016, termenii de inteligență artificială (AI), învățare automată și învățare profundă au fost propulsați în mainstreamul tehnologic.

BBC Newsnight: AlphaGo și viitorul inteligenței artificiale.

{youtube] 53YLZBSS0cc {/ youtube}

AI este în general definită ca fiind capacitatea pentru un computer sau o mașină de a prezenta sau simula un comportament inteligent, cum ar fi Mașina cu conducere automată a Tesla și Asistentul digital Apple, Siri. Este un domeniu înfloritor și se concentrează pe multe cercetări și investiții. Învățarea automată este capacitatea unui sistem AI de a extrage informații din date brute și de a învăța să facă predicții din date noi.

Învățarea profundă combină inteligența artificială cu învățarea automată. Este preocupat de algoritmi inspirați de structura și funcția creierului numite rețele neuronale artificiale. Învățarea profundă a primit multă atenție în ultima vreme atât în ​​lumea consumatorilor, cât și în întreaga comunitate medicală.


innerself abonare grafică


Interesul pentru învățarea profundă a crescut odată cu succesul AlexNet, o rețea neuronală proiectată de Alex Krizhevsky care a câștigat 2012 Provocarea recunoașterii vizuale pe scară largă ImageNet, un concurs anual de clasificare a imaginilor.

Un alt progres relativ recent este utilizarea unităților de procesare grafică (GPU) pentru a alimenta algoritmii de învățare profundă. GPU-urile excelează la calculele (înmulțiri și adunări) necesare pentru aplicațiile de învățare profundă, reducând astfel timpul de procesare a aplicației.

În laboratorul nostru de la Universitatea din Saskatchewan facem cercetări interesante de învățare profundă legate de aplicațiile din domeniul sănătății - și, în calitate de profesor de inginerie electrică și informatică, conduc echipa de cercetare. Când vine vorba de îngrijirea sănătății, utilizarea AI sau a învățării automate pentru a face diagnostice este nouă și au existat progrese interesante și promițătoare.

Extragerea vaselor de sânge în ochi

Detectarea vaselor de sânge retiniene anormale este utilă pentru diagnosticarea diabetului și a bolilor de inimă. Pentru a oferi interpretări medicale fiabile și semnificative, vasul retinei trebuie extras dintr-o imagine a retinei pentru interpretări fiabile și semnificative. Deși este posibilă segmentarea manuală, este o sarcină complexă, consumatoare de timp și plictisitoare, care necesită abilități profesionale avansate.

Echipa mea de cercetare a dezvoltat un sistem care poate segmenta vasele de sânge retiniene prin simpla citire a unei imagini retiniene brute. Este un sistem de diagnostic asistat de computer care reduce munca necesară de către specialiștii în ochi și oftalmologi, și procesează imaginile de 10 ori mai rapid, păstrând în același timp o precizie ridicată.

Detectarea cancerului pulmonar

Tomografia computerizată (CT) este utilizată pe scară largă pentru diagnosticarea cancerului pulmonar. Cu toate acestea, deoarece reprezentările vizuale ale leziunilor benigne (necanceroase) și maligne (canceroase) în scanările CT sunt similare, o scanare CT nu poate oferi întotdeauna un diagnostic fiabil. Acest lucru este valabil chiar și pentru un radiolog toracic cu mulți ani de experiență. Creșterea rapidă a Analiza CT a generat o nevoie urgentă de instrumente de calcul avansate pentru a ajuta radiologii cu progresul screening-ului.

Pentru a îmbunătăți performanța diagnosticului radiologilor, am propus o soluție de învățare profundă. Pe baza rezultatelor cercetării noastre, soluția noastră depășește radiologii experimentați. Mai mult decât atât, utilizarea unei soluții bazate pe învățare profundă îmbunătățește performanța diagnosticului în general, iar radiologii cu mai puțină experiență beneficiază cel mai mult de sistem.

O captură de ecran a software-ului de detectare a cancerului pulmonar. Seokbum Ko, Autorul a oferit

Limitări și provocări

Deși s-au demonstrat mari promisiuni cu algoritmi de învățare profundă într-o varietate de sarcini de radiologie și medicină, aceste sisteme sunt departe de a fi perfecte. Obținerea seturilor de date adnotate de înaltă calitate va rămâne o provocare pentru formarea în învățare profundă. Majoritatea cercetărilor privind viziunea pe computer se bazează pe imagini naturale, dar pentru aplicațiile din domeniul sănătății avem nevoie de seturi de date mari de imagini medicale adnotate.

O altă provocare din punct de vedere clinic va fi timpul de a testa cât de performante sunt tehnicile de învățare profundă, spre deosebire de radiologii umani.

Trebuie să existe o mai mare colaborare între medici și oamenii de știință în domeniul învățării automate. Gradul ridicat de complexitate a fiziologiei umane va fi, de asemenea, o provocare pentru tehnicile de învățare automată.

O altă provocare este cerințele pentru validarea unui sistem de învățare profundă pentru implementarea clinică, care ar necesita probabil o colaborare multi-instituțională și seturi de date mari. În cele din urmă, este necesară o platformă hardware eficientă pentru a asigura procesarea rapidă a sistemelor de învățare profundă.

În lumea complexă a asistenței medicale, instrumentele de AI pot sprijini practicienii umani să ofere servicii mai rapide și diagnostice mai precise și să analizeze date pentru a identifica tendințele sau informațiile genetice care pot predispune pe cineva la o anumită boală. Când economisirea de minute poate însemna salvarea de vieți, AI și învățarea automată pot fi transformatoare pentru lucrătorii din domeniul sănătății și pentru pacienți.Conversaţie

Despre autor

Seokbum Ko, profesor, Universitatea din Saskatchewan

Acest articol este republicat de la Conversaţie sub licență Creative Commons. Citeste Articol original.

Cărți conexe

at InnerSelf Market și Amazon