A gépi tanulás előrehaladtával alkalmazásai gyorsabb, pontosabb orvosi diagnózist tartalmaznak. Shutterstock
Amikor 2016-ban a Google DeepMind AlphaGo megdöbbentően legyőzte a legendás Go játékost, Lee Sedolt, a mesterséges intelligencia (AI), a gépi tanulás és a mély tanulás kifejezéseket a technológiai mainstreambe terelték.
A BBC Newsnight: AlphaGo és a mesterséges intelligencia jövője.
{youtube] 53YLZBSS0cc {/ youtube}
Az AI-t általában úgy határozzák meg, mint egy számítógép vagy gép azon képességét, hogy intelligens viselkedést mutasson be vagy szimuláljon, mint pl Tesla önvezető autója és a Az Apple digitális asszisztense, Siri. Ez egy virágzó terület, és sok kutatásra és beruházásra összpontosít. A gépi tanulás az AI rendszer azon képessége, hogy információkat nyerjen ki a nyers adatokból, és megtanuljon előrejelzéseket készíteni új adatokból.
A mély tanulás ötvözi a mesterséges intelligenciát a gépi tanulással. Olyan algoritmusokkal foglalkozik, amelyeket az agy felépítése és működése inspirált, az úgynevezett mesterséges neurális hálózatoknak. A mély tanulás az utóbbi időben nagy figyelmet kapott mind a fogyasztói világban, mind az orvosi közösségben.
Az érdeklődés a mély tanulás iránt az AlexN Krizhevsky által tervezett ideghálózat sikerével nőtt, amely elnyerte a 2012-es ImageNet nagyméretű vizuális felismerési kihívás, évi képosztályozási verseny.
Egy másik viszonylag nemrégiben elért haladás a grafikus processzorok (GPU) használata a mély tanulási algoritmusok meghonosítására. A GPU-k kiválóan teljesítenek a mély tanulási alkalmazásokhoz szükséges számításokban (szorzásokban és összeadásokban), ezáltal csökkentve az alkalmazás feldolgozási idejét.
A Saskatchewani Egyetem laboratóriumában érdekes mély tanulási kutatásokat végzünk az egészségügyi alkalmazásokkal kapcsolatban - és mint villamos- és számítástechnikai professzor vezetem a kutatócsoportot. Az egészségügy területén új a mesterséges intelligencia vagy a gépi tanulás felhasználása a diagnózis felállításához, és izgalmas és ígéretes előrelépés történt.
A szem erek kivonása
A retina rendellenes erének kimutatása hasznos a cukorbetegség és a szívbetegségek diagnosztizálásában. A megbízható és értelmes orvosi értelmezések biztosítása érdekében a retina erét ki kell vonni a retina képéből a megbízható és értelmes értelmezés érdekében. Bár manuális szegmentálás lehetséges, ez egy összetett, időigényes és fárasztó feladat, amely fejlett szakmai készségeket igényel.
Kutatócsoportom kifejlesztett egy rendszert, amely a nyálkahártya képének leolvasásával képes a retina erek szegmentálására. Ez egy számítógéppel segített diagnosztikai rendszer, amely csökkenti a szemészeti szakemberek és a szemészek által igényelt munkát, és tízszer gyorsabban dolgozza fel a képeket, miközben megtartja a nagy pontosságot.
A tüdőrák kimutatása
A számítógépes tomográfiát (CT) széles körben használják a tüdőrák diagnosztizálására. Mivel azonban a jóindulatú (nem rákos) és a rosszindulatú (rákos) elváltozások vizuális ábrázolása a CT-vizsgálatokban hasonló, a CT-vizsgálat nem mindig nyújt megbízható diagnózist. Ez még a sokéves tapasztalattal rendelkező mellkasi radiológusra is igaz. A gyors növekedés CT-vizsgálat elemzése sürgető igényt támasztott fejlett számítási eszközökre, amelyek segítik a radiológusokat a szűrés előrehaladásában.
A radiológusok diagnosztikai teljesítményének javítása érdekében mélyreható tanulási megoldást javasoltunk. Kutatási eredményeink alapján megoldásunk felülmúlja a tapasztalt radiológusokat. Sőt, a mély tanuláson alapuló megoldás használata összességében javítja a diagnosztikai teljesítményt, és a kevesebb tapasztalattal rendelkező radiológusok profitálnak a rendszerből leginkább.
Képernyőkép a tüdőrák-felderítő szoftverről. Seokbum Ko, Szerző biztosított
Korlátozások és kihívások
Bár nagy ígéretet mutattak be a mély tanulási algoritmusok a radiológia és az orvostudomány különféle feladataiban, ezek a rendszerek korántsem tökéletesek. A magas színvonalú jegyzetekkel ellátott adatkészletek megszerzése továbbra is kihívást jelent a mély tanulási képzés számára. A legtöbb számítógépes látáskutatás természetes képeken alapul, de az egészségügyi alkalmazásokhoz nagy, annotált orvosi képadatokra van szükségünk.
Klinikai szempontból egy másik kihívás az az idő, amikor tesztelni kell a mély tanulási technikák teljesítményét, ellentétben az emberi radiológusokkal.
Több együttműködésre van szükség az orvosok és a gépi tanulással foglalkozó tudósok között. Az emberi fiziológia nagyfokú komplexitása kihívást jelent majd a gépi tanulási technikák számára is.
Egy másik kihívás a mély tanulási rendszer validálásának követelménye a klinikai megvalósításhoz, amely valószínűleg több intézményi együttműködést és nagy adatállományokat igényel. Végül egy hatékony hardverplatformra van szükség a mély tanulási rendszerek gyors feldolgozásának biztosításához.
Az egészségügy bonyolult világában az AI-eszközök támogathatják az embereket a gyorsabb szolgáltatás és a pontosabb diagnózis biztosítása érdekében, és elemezhetik az adatokat annak érdekében, hogy azonosítsák azokat a trendeket vagy genetikai információkat, amelyek hajlamosíthatnak valakit egy adott betegségre. Amikor a percek megmentése életmentést jelenthet, az AI és a gépi tanulás átalakító lehet az egészségügyi dolgozók és a betegek számára.
A szerzőről
Seokbum Ko professzor, Saskatchewani Egyetem
Ezt a cikket újra kiadják A beszélgetés Creative Commons licenc alatt. Olvassa el a eredeti cikk.
Kapcsolódó könyvek
at InnerSelf Market és Amazon
