Наскільки штучний інтелект обіцяє швидші, точніші діагнози здоров’я У міру машинного навчання його застосування включає більш швидкі та точні медичні діагнози. Shutterstock

Коли AlphaGo Google DeepMind шокуючий переможець легендарного гравця Go Lee Лі Sedol у 2016, терміни штучного інтелекту (AI), машинного навчання та глибокого навчання були задіяні в технологічну основу.

BBC Newsnight: AlphaGo і майбутнє штучного інтелекту.

{youtube] 53YLZBSS0cc {/ youtube}

ШІ зазвичай визначається як здатність комп’ютера чи машини демонструвати або імітувати інтелектуальну поведінку, таку як Самохідний автомобіль Тесли та Цифрова помічниця Apple Siri. Це процвітаюча сфера, в центрі якої багато досліджень та інвестицій. Машинне навчання - це здатність системи ШІ витягувати інформацію з необроблених даних і вчитися робити прогнози на основі нових даних.

Глибоке навчання поєднує штучний інтелект з машинним навчанням. Це стосується алгоритмів, натхненних структурою та функцією мозку, які називаються штучними нейронними мережами. Останнім часом глибокому навчанню приділяють велику увагу як у споживчому світі, так і в медичній спільноті.

Innersele підписатися графіка

Інтерес до глибокого навчання зростав із успіхом AlexNet, нейронної мережі, розробленої Алексом Крижевським, яка виграла 2012 Великий масштабний виклик візуального розпізнавання ImageNet, щорічний конкурс з класифікації зображень.

Інший відносно недавній прогрес - використання графічних процесорів (GPU) для створення алгоритмів глибокого навчання. Графічні процесори перевершують обчислення (множення та додавання), необхідні для програм глибокого навчання, тим самим скорочуючи час обробки додатків.

У нашій лабораторії в Університеті Саскачевана ми проводимо цікаві дослідження глибокого навчання, пов’язані із застосуванням медичних послуг - і як професор електротехніки та комп’ютерної техніки я очолюю дослідницьку групу. Що стосується охорони здоров’я, використання ШІ чи машинного навчання для постановки діагнозів є новим, і тут відбувся захоплюючий та перспективний прогрес.

Витяг кровоносних судин в оці

Виявлення патологічних судин сітківки корисно для діагностики діабету та серцевих захворювань. Для забезпечення надійних та значущих медичних інтерпретацій судини сітківки повинні бути витягнуті із зображення сітківки для надійних та значущих інтерпретацій. Хоча ручна сегментація можлива, це складне, трудомістке і нудне завдання, яке вимагає вдосконалених професійних навичок.

Моя дослідницька група розробила систему, яка дозволяє сегментувати кровоносні судини сітківки, просто читаючи вихідне зображення сітківки. Це автоматизована система діагностики, яка зменшує роботу, необхідну спеціалістам з очних лікарів та офтальмологамта обробляє зображення в 10 разів швидше, зберігаючи при цьому високу точність.

Виявлення раку легенів

Комп’ютерна томографія (КТ) широко використовується для діагностики раку легенів. Однак, оскільки візуальні зображення доброякісних (неракових) та злоякісних (ракових) уражень при КТ схожі, КТ не завжди може забезпечити надійний діагноз. Це справедливо навіть для торакального рентгенолога з багаторічним досвідом. Швидке зростання КТ-аналіз породило нагальну потребу в вдосконалених обчислювальних інструментах, щоб допомогти рентгенологам у прогресі скринінгу.

Для поліпшення діагностичних показників рентгенологів ми запропонували глибоке навчальне рішення. На основі результатів наших досліджень наше рішення перевершує досвідчених радіологів. Більше того, використання глибокого рішення, що базується на навчанні, покращує загальну ефективність діагностики, і рентгенологи з меншим досвідом найбільше виграють від системи.

Знімок екрана програмного забезпечення для виявлення раку легенів. Seokbum Ko, Автор надано

Обмеження та проблеми

Незважаючи на те, що алгоритми глибокого навчання виявили великі перспективи для різноманітних завдань у галузі радіології та медицини, ці системи далеко не ідеальні. Отримання високоякісних анотованих наборів даних залишатиметься проблемою для глибокого навчання. Більшість досліджень комп’ютерного зору базуються на природних зображеннях, але для медичних програм нам потрібні великі набори даних з анотованими медичними зображеннями.

Іншою проблемою з клінічної точки зору буде час перевірити, наскільки ефективні методи глибокого навчання на відміну від людських рентгенологів.

Потрібно більше співпраці між лікарями та науковцями машинного навчання. Високий ступінь складності людської фізіології також буде проблемою для методів машинного навчання.

Іншим викликом є ​​вимоги до перевірки системи глибокого навчання для клінічного впровадження, яка, ймовірно, потребуватиме міжінституційної співпраці та великих наборів даних. Нарешті, для забезпечення швидкої обробки систем глибокого навчання необхідна ефективна апаратна платформа.

У складному світі охорони здоров’я інструменти ШІ можуть допомогти практикуючим людям надавати швидші послуги та більш точні діагнози, а також аналізувати дані для виявлення тенденцій або генетичної інформації, яка може схилити когось до певного захворювання. Якщо економія хвилин може означати порятунок життя, штучний інтелект та машинне навчання можуть стати змінними для медичних працівників та пацієнтів.Бесіда

про автора

Seokbum Ko, професор, Університет Саскачевану

Ця стаття перевидана з Бесіда за ліцензією Creative Commons. Читати оригінал статті.

Суміжні книги

at InnerSelf Market і Amazon