Καθώς η μηχανική μάθηση προχωρά, οι εφαρμογές της περιλαμβάνουν ταχύτερες και ακριβέστερες ιατρικές διαγνώσεις. Shutterstock
Όταν το AlphaGo του Google DeepMind νίκησε σοκαριστικά τον θρυλικό Go player Lee Sedol το 2016, οι όροι τεχνητή νοημοσύνη (AI), μηχανική μάθηση και βαθιά μάθηση προωθήθηκαν στο τεχνολογικό ρεύμα.
BBC Newsnight: AlphaGo και το μέλλον της Τεχνητής Νοημοσύνης.
{youtube]53YLZBSS0cc{/youtube}
Η τεχνητή νοημοσύνη ορίζεται γενικά ως η ικανότητα ενός υπολογιστή ή μηχανής να επιδεικνύει ή να προσομοιώνει έξυπνη συμπεριφορά όπως π.χ. Το αυτοοδηγούμενο αυτοκίνητο της Tesla και Ο ψηφιακός βοηθός Siri της Apple. Είναι ένα ακμάζον πεδίο και το επίκεντρο πολλών ερευνών και επενδύσεων. Η μηχανική μάθηση είναι η ικανότητα ενός συστήματος AI να εξάγει πληροφορίες από ακατέργαστα δεδομένα και να μαθαίνει να κάνει προβλέψεις από νέα δεδομένα.
Η βαθιά εκμάθηση συνδυάζει την τεχνητή νοημοσύνη με τη μηχανική μάθηση. Ασχολείται με αλγόριθμους εμπνευσμένους από τη δομή και τη λειτουργία του εγκεφάλου που ονομάζονται τεχνητά νευρωνικά δίκτυα. Η βαθιά μάθηση έχει λάβει μεγάλη προσοχή τον τελευταίο καιρό τόσο στον καταναλωτικό κόσμο όσο και σε ολόκληρη την ιατρική κοινότητα.
Το ενδιαφέρον για τη βαθιά μάθηση αυξήθηκε με την επιτυχία του AlexNet, ενός νευρωνικού δικτύου που σχεδιάστηκε από τον Alex Krizhevsky που κέρδισε το Πρόκληση οπτικής αναγνώρισης μεγάλης κλίμακας ImageNet 2012, ένας ετήσιος διαγωνισμός ταξινόμησης εικόνων.
Μια άλλη σχετικά πρόσφατη πρόοδος είναι η χρήση μονάδων γραφικής επεξεργασίας (GPU) για την τροφοδοσία αλγορίθμων βαθιάς εκμάθησης. Οι GPU υπερέχουν στους υπολογισμούς (πολλαπλασιασμούς και προσθήκες) που απαιτούνται για εφαρμογές βαθιάς εκμάθησης, μειώνοντας έτσι τον χρόνο επεξεργασίας των εφαρμογών.
Στο εργαστήριό μας στο Πανεπιστήμιο του Saskatchewan κάνουμε ενδιαφέρουσα έρευνα βαθιάς μάθησης που σχετίζεται με εφαρμογές υγειονομικής περίθαλψης — και ως καθηγητής ηλεκτρολογίας και μηχανικής υπολογιστών, ηγούμαι της ερευνητικής ομάδας. Όσον αφορά την υγειονομική περίθαλψη, η χρήση της τεχνητής νοημοσύνης ή της μηχανικής μάθησης για την πραγματοποίηση διαγνώσεων είναι νέα και υπήρξε συναρπαστική και πολλά υποσχόμενη πρόοδος.
Εξαγωγή αιμοφόρων αγγείων στο μάτι
Η ανίχνευση μη φυσιολογικών αιμοφόρων αγγείων του αμφιβληστροειδούς είναι χρήσιμη για τη διάγνωση του διαβήτη και των καρδιακών παθήσεων. Προκειμένου να παρέχονται αξιόπιστες και ουσιαστικές ιατρικές ερμηνείες, το αγγείο του αμφιβληστροειδούς πρέπει να εξαχθεί από μια εικόνα αμφιβληστροειδούς για αξιόπιστες και ουσιαστικές ερμηνείες. Αν και η χειροκίνητη τμηματοποίηση είναι δυνατή, είναι μια πολύπλοκη, χρονοβόρα και κουραστική εργασία που απαιτεί προηγμένες επαγγελματικές δεξιότητες.
Η ερευνητική μου ομάδα έχει αναπτύξει ένα σύστημα που μπορεί να τμηματοποιήσει τα αιμοφόρα αγγεία του αμφιβληστροειδούς απλά διαβάζοντας μια ακατέργαστη εικόνα του αμφιβληστροειδούς. Είναι ένα σύστημα διάγνωσης με τη βοήθεια υπολογιστή που μειώνει την εργασία που απαιτείται από ειδικούς οφθαλμολογικούς και οφθαλμίατρουςκαι επεξεργάζεται τις εικόνες 10 φορές πιο γρήγορα, διατηρώντας παράλληλα υψηλή ακρίβεια.
Ανίχνευση καρκίνου του πνεύμονα
Η αξονική τομογραφία (CT) χρησιμοποιείται ευρέως για τη διάγνωση του καρκίνου του πνεύμονα. Ωστόσο, επειδή οι οπτικές αναπαραστάσεις καλοήθων (μη καρκινικών) και κακοήθων (καρκινικών) βλαβών στις αξονικές τομογραφίες είναι παρόμοιες, μια αξονική τομογραφία δεν μπορεί πάντα να παρέχει αξιόπιστη διάγνωση. Αυτό ισχύει ακόμη και για έναν ακτινολόγο θώρακα με πολυετή εμπειρία. Η ταχεία ανάπτυξη των Ανάλυση αξονικής τομογραφίας έχει δημιουργήσει μια πιεστική ανάγκη για προηγμένα υπολογιστικά εργαλεία που θα βοηθούν τους ακτινολόγους στην πρόοδο του προσυμπτωματικού ελέγχου.
Για να βελτιώσουμε τη διαγνωστική απόδοση των ακτινολόγων, έχουμε προτείνει μια λύση βαθιάς μάθησης. Με βάση τα ευρήματα της έρευνάς μας, η λύση μας ξεπερνά τους έμπειρους ακτινολόγους. Επιπλέον, η χρήση μιας λύσης που βασίζεται σε βαθιά μάθηση βελτιώνει τη διαγνωστική απόδοση συνολικά και οι ακτινολόγοι με λιγότερη εμπειρία επωφελούνται περισσότερο από το σύστημα.
Στιγμιότυπο οθόνης του λογισμικού ανίχνευσης καρκίνου του πνεύμονα. Seokbum Ko, Συγγραφέας παρέχεται
Περιορισμοί και προκλήσεις
Παρόλο που έχει αποδειχθεί μεγάλη υπόσχεση με αλγόριθμους βαθιάς μάθησης σε μια ποικιλία εργασιών στην ακτινολογία και την ιατρική, αυτά τα συστήματα απέχουν πολύ από το να είναι τέλεια. Η απόκτηση υψηλής ποιότητας σχολιασμένων συνόλων δεδομένων θα παραμείνει μια πρόκληση για την εκπαίδευση σε βάθος. Οι περισσότερες έρευνες για την όραση υπολογιστή βασίζονται σε φυσικές εικόνες, αλλά για εφαρμογές υγειονομικής περίθαλψης χρειαζόμαστε μεγάλα σύνολα δεδομένων ιατρικών εικόνων με σχολιασμό.
Μια άλλη πρόκληση από κλινική άποψη θα είναι ο χρόνος να δοκιμαστεί πόσο καλά αποδίδουν οι τεχνικές βαθιάς μάθησης σε αντίθεση με τους ανθρώπινους ακτινολόγους.
Πρέπει να υπάρξει περισσότερη συνεργασία μεταξύ των γιατρών και των επιστημόνων της μηχανικής μάθησης. Ο υψηλός βαθμός πολυπλοκότητας της ανθρώπινης φυσιολογίας θα είναι επίσης μια πρόκληση για τις τεχνικές μηχανικής μάθησης.
Μια άλλη πρόκληση είναι οι απαιτήσεις για την επικύρωση ενός συστήματος βαθιάς μάθησης για κλινική εφαρμογή, το οποίο πιθανότατα θα απαιτούσε πολυϊδρυματική συνεργασία και μεγάλα σύνολα δεδομένων. Τέλος, απαιτείται μια αποτελεσματική πλατφόρμα υλικού για τη διασφάλιση της γρήγορης επεξεργασίας των συστημάτων βαθιάς μάθησης.
Στον περίπλοκο κόσμο της υγειονομικής περίθαλψης, τα εργαλεία τεχνητής νοημοσύνης μπορούν να υποστηρίξουν τους επαγγελματίες για να παρέχουν ταχύτερες υπηρεσίες και πιο ακριβείς διαγνώσεις και να αναλύουν δεδομένα για να εντοπίσουν τάσεις ή γενετικές πληροφορίες που μπορεί να προδιαθέσουν κάποιον σε μια συγκεκριμένη ασθένεια. Όταν η εξοικονόμηση λεπτών μπορεί να σημαίνει τη διάσωση ζωών, η τεχνητή νοημοσύνη και η μηχανική μάθηση μπορεί να μεταμορφώσουν τους εργαζόμενους στον τομέα της υγείας και τους ασθενείς.
Σχετικά με το Συγγραφέας
Seokbum Ko, καθηγητής, Πανεπιστήμιο του Saskatchewan
Αυτό το άρθρο αναδημοσιεύθηκε από το Η Συνομιλία υπό την άδεια Creative Commons. Διαβάστε το αρχικό άρθρο.
Σχετικά βιβλία
at InnerSelf Market και Amazon
