W miarę postępu uczenia maszynowego jego zastosowania obejmują szybsze i dokładniejsze diagnozy medyczne. Shutterstock

Kiedy AlphaGo firmy Google DeepMind w szokujący sposób pokonał legendarnego gracza Go, Lee Sedola w 2016 r., terminy sztuczna inteligencja (AI), uczenie maszynowe i głębokie uczenie zostały wprowadzone do głównego nurtu technologicznego.

BBC Newsnight: AlphaGo i przyszłość sztucznej inteligencji.

{youtube]53YLZBSS0cc{/youtube}

AI jest ogólnie definiowana jako zdolność komputera lub maszyny do wykazywania lub symulowania inteligentnych zachowań, takich jak: Samojezdny samochód Tesli i Cyfrowy asystent Apple Siri. Jest to dobrze prosperująca dziedzina, będąca przedmiotem wielu badań i inwestycji. Uczenie maszynowe to zdolność systemu sztucznej inteligencji do wydobywania informacji z surowych danych i uczenia się przewidywania na podstawie nowych danych.

Głębokie uczenie łączy sztuczną inteligencję z uczeniem maszynowym. Zajmuje się algorytmami inspirowanymi strukturą i funkcją mózgu, zwanymi sztucznymi sieciami neuronowymi. Głębokie uczenie cieszy się ostatnio dużym zainteresowaniem zarówno w świecie konsumentów, jak i w całym środowisku medycznym.

Zainteresowanie głębokim uczeniem wzrosło wraz z sukcesem AlexNet, sieci neuronowej zaprojektowanej przez Alexa Krizhevsky'ego, która zdobyła 2012 ImageNet – wyzwanie dotyczące rozpoznawania wizualnego na dużą skalę, coroczny konkurs klasyfikacji wizerunkowej.

Innym stosunkowo niedawnym osiągnięciem jest zastosowanie procesorów graficznych (GPU) do zasilania algorytmów uczenia głębokiego. Procesory GPU doskonale sprawdzają się w obliczeniach (mnożeniu i dodawaniu) potrzebnych w aplikacjach uczenia głębokiego, co skraca czas przetwarzania aplikacji.

W naszym laboratorium na Uniwersytecie Saskatchewan prowadzimy interesujące badania głębokiego uczenia się związane z zastosowaniami opieki zdrowotnej — a jako profesor inżynierii elektrycznej i komputerowej kieruję zespołem badawczym. Jeśli chodzi o opiekę zdrowotną, wykorzystanie sztucznej inteligencji lub uczenia maszynowego do diagnozowania jest nowością, a postęp jest ekscytujący i obiecujący.

Ekstrakcja naczyń krwionośnych w oku

Wykrywanie nieprawidłowych naczyń krwionośnych siatkówki jest przydatne w diagnozowaniu cukrzycy i chorób serca. Aby zapewnić wiarygodne i znaczące interpretacje medyczne, naczynie siatkówki musi zostać wydobyte z obrazu siatkówki w celu uzyskania wiarygodnych i znaczących interpretacji. Chociaż ręczna segmentacja jest możliwa, jest to złożone, czasochłonne i żmudne zadanie, które wymaga zaawansowanych umiejętności zawodowych.

Mój zespół badawczy opracował system, który może segmentować naczynia krwionośne siatkówki, po prostu odczytując surowy obraz siatkówki. To jest system komputerowego wspomagania diagnostyki zmniejszający nakład pracy okulistów i okulistówi przetwarza obrazy 10 razy szybciej, zachowując przy tym wysoką dokładność.

Wykrywanie raka płuc

Tomografia komputerowa (CT) jest szeroko stosowana w diagnostyce raka płuc. Jednakże, ponieważ wizualne reprezentacje łagodnych (nienowotworowych) i złośliwych (rakowych) zmian w skanach CT są podobne, skan CT nie zawsze może zapewnić wiarygodną diagnozę. Dotyczy to nawet radiologa klatki piersiowej z wieloletnim doświadczeniem. Szybki wzrost Analiza tomografii komputerowej stworzył pilną potrzebę zaawansowanych narzędzi obliczeniowych, które pomogą radiologom w postępach badań przesiewowych.

Aby poprawić wydajność diagnostyczną radiologów, zaproponowaliśmy rozwiązanie do głębokiego uczenia. W oparciu o wyniki naszych badań nasze rozwiązanie przewyższa doświadczonych radiologów. Co więcej, korzystanie z rozwiązania opartego na głębokim uczeniu się poprawia ogólną wydajność diagnostyczną, a radiolodzy z mniejszym doświadczeniem odnoszą największe korzyści z systemu.

Zrzut ekranu oprogramowania do wykrywania raka płuc. Seokbum Ko, Autor pod warunkiem

Ograniczenia i wyzwania

Chociaż wielkie nadzieje przyniosły algorytmy uczenia głębokiego w różnych zadaniach w radiologii i medycynie, systemy te są dalekie od doskonałości. Uzyskanie wysokiej jakości zestawów danych z adnotacjami pozostanie wyzwaniem dla głębokiego uczenia się. Większość badań nad obrazami komputerowymi opiera się na naturalnych obrazach, ale do zastosowań w opiece zdrowotnej potrzebujemy dużych, opatrzonych adnotacjami zbiorów danych obrazów medycznych.

Kolejnym wyzwaniem z klinicznego punktu widzenia będzie czas na sprawdzenie, jak dobrze radzą sobie techniki uczenia głębokiego w porównaniu z radiologami.

Potrzebna jest większa współpraca między lekarzami a naukowcami zajmującymi się uczeniem maszynowym. Wysoki stopień złożoności fizjologii człowieka będzie również wyzwaniem dla technik uczenia maszynowego.

Innym wyzwaniem są wymagania dotyczące walidacji systemu głębokiego uczenia się do wdrożenia klinicznego, co prawdopodobnie wymagałoby współpracy między instytucjami i dużych zbiorów danych. Wreszcie, potrzebna jest wydajna platforma sprzętowa, aby zapewnić szybkie przetwarzanie systemów głębokiego uczenia.

W złożonym świecie opieki zdrowotnej narzędzia AI mogą wspierać lekarzy w zapewnianiu szybszej obsługi i dokładniejszych diagnoz oraz analizowaniu danych w celu identyfikacji trendów lub informacji genetycznych, które mogą predysponować kogoś do określonej choroby. Gdy oszczędzanie minut może oznaczać ratowanie życia, sztuczna inteligencja i uczenie maszynowe mogą być przełomowe dla pracowników służby zdrowia i pacjentów.

O autorze

Seokbum Ko, profesor, University of Saskatchewan

Artykuł został opublikowany ponownie Konwersacje na licencji Creative Commons. Przeczytać oryginalny artykuł.

Powiązane książki

at Rynek wewnętrzny i Amazon