Koneen oppimisen edetessä sen sovellukset sisältävät nopeampia ja tarkempia lääketieteellisiä diagnooseja. Shutterstock

Kun Google DeepMindin AlphaGo järkyttävästi voitti legendaarisen Go-pelaaja Lee Sedolin 2016issa, termit keinotekoinen äly (AI), koneen oppiminen ja syvällinen oppiminen ajettiin teknologian valtavirtaan.

BBC Newsnight: AlphaGo ja keinotekoisen älykkyyden tulevaisuus.

{Youtube] 53YLZBSS0cc {/ youtube}

AI määritellään yleisesti tietokoneen tai koneen kyvyksi näyttää tai simuloida älykästä käyttäytymistä, kuten Teslan itseliikenteinen auto ja Applen digitaalinen avustaja Siri. Se on kukoistava ala, jossa keskitytään paljon tutkimukseen ja investointeihin. Koneen oppiminen on AI-järjestelmän kyky poimia tietoja raakadatasta ja oppia tekemään ennusteita uusista tiedoista.

Syvä oppiminen yhdistää keinotekoisen älykkyyden koneen oppimiseen. Se koskee algoritmeja, jotka ovat inspiroineet aivojen rakenteesta ja toiminnasta nimeltään keinotekoiset hermoverkot. Syvällinen oppiminen on viime aikoina saanut paljon huomiota sekä kuluttajamaailmassa että koko lääketieteellisessä yhteisössä.

Kiinnostus syvään oppimiseen lisääntyi Alex Krizhevskin suunnitteleman hermoverkon AlexNetin menestyksellä 2012 ImageNet Suuren kuvan visuaalisen tunnistuksen haaste, vuosittainen kuvan luokittelukilpailu.

Toinen suhteellisen uusi edistysaskel on graafisten prosessointiyksiköiden (GPU) käyttö syvien oppimisalgoritmien tehostamiseen. GPU: t ovat erinomaisia ​​laskennassa (kertolasku ja lisäys), joita tarvitaan syvissä oppimisohjelmissa, mikä alentaa sovellusten käsittelyaikaa.

Saskatchewanin yliopiston laboratoriossa teemme mielenkiintoisia syvällisiä tutkimuksia, jotka liittyvät terveydenhuollon sovelluksiin - ja sähkö- ja tietotekniikan professorina johtan tutkimusryhmää. Kun kyse on terveydenhuollosta, AI: n tai koneen oppimisen käyttäminen diagnoosien tekemiseen on uusi, ja on ollut jännittävää ja lupaavaa edistystä.

Verisuonten uuttaminen silmään

Epänormaalien verkkokalvon verisuonten havaitseminen on hyödyllistä diabeteksen ja sydänsairauksien diagnosoimiseksi. Luotettavien ja merkityksellisten lääketieteellisten tulkintojen aikaansaamiseksi verkkokalvon aluksen on oltava peräisin verkkokalvon kuvasta luotettavien ja mielekkäiden tulkintojen vuoksi. Vaikka manuaalinen segmentointi on mahdollista, se on monimutkainen, aikaa vievä ja työläs tehtävä, joka vaatii kehittyneitä ammattitaitoja.

Tutkimusryhmäni on kehittänyt järjestelmän, joka voi segmentoida verkkokalvon verisuonet yksinkertaisesti lukemalla raaka verkkokalvon kuvan. Se on tietokoneavusteinen diagnoosijärjestelmä, joka vähentää silmälääkärin ja silmälääkärin tarvitsemaa työtäja käsittelee kuvia 10-kertaa nopeammin säilyttäen samalla tarkkuuden.

Keuhkosyövän havaitseminen

Tietokonetomografiaa (CT) käytetään laajasti keuhkosyövän diagnosointiin. Koska hyvänlaatuisten (ei-syöpien) ja pahanlaatuisten (syöpä) vaurioiden visuaaliset esitykset CT-skannauksissa ovat kuitenkin samanlaisia, CT-skannaus ei aina anna luotettavaa diagnoosia. Tämä pätee myös rintakehän radiologiin, jolla on monen vuoden kokemus. Nopean kasvun CT-skannausanalyysi on tuottanut kiireellistä tarvetta kehittyneisiin laskentatyökaluihin radiologien avustamiseksi seulonnan edistymisessä.

Radiologien diagnostisen suorituskyvyn parantamiseksi olemme ehdottaneet syvällistä oppimisratkaisua. Tutkimustuloksemme pohjalta ratkaisumme ovat parempia kuin kokeneet radiologit. Syvällisen oppimispohjaisen ratkaisun käyttö parantaa myös diagnostista suorituskykyä ja radiologit, joilla on vähemmän kokemusta, hyötyvät järjestelmästä eniten.

Kuvakaappaus keuhkosyövän havaitsemisohjelmasta. Seokbum Ko, Tekijä toimitti

Rajoitukset ja haasteet

Vaikka suuri lupaus on osoitettu syvillä oppimisalgoritmeilla useissa erilaisissa tehtävissä radiologian ja lääketieteen välillä, nämä järjestelmät ovat kaukana täydellisistä. Korkealaatuisten annotoitujen tietokokonaisuuksien hankkiminen on haaste syvälle oppimiselle. Useimmat tietokonevision tutkimukset perustuvat luonnollisiin kuviin, mutta terveydenhuollon sovelluksiin tarvitaan suuria annotoituja lääketieteellisiä kuva-aineistoja.

Toinen kliinisestä näkökulmasta haastava haaste on aika testata, miten hyvin syvät oppimistekniikat toimivat toisin kuin ihmisen radiologit.

Lääkäreiden ja koneopiskelijoiden välillä on oltava enemmän yhteistyötä. Ihmisen fysiologian suuri monimutkaisuus on myös haaste koneen oppimismenetelmille.

Toinen haaste on vaatimus syvällisen oppimisen järjestelmän validoimiseksi kliinisessä toteutuksessa, joka todennäköisesti edellyttäisi monialaista yhteistyötä ja suuria tietokokonaisuuksia. Lopuksi tarvitaan tehokas laitteistoalusta, jotta varmistetaan syvien oppimisjärjestelmien nopea käsittely.

Terveyden monimutkaisessa maailmassa AI-työkalut voivat tukea ihmisen harjoittajia tarjoamaan nopeampaa palvelua ja tarkempia diagnooseja ja analysoimaan tietoja tunnistamaan suuntauksia tai geneettistä tietoa, joka voi altistaa jonkun tietylle taudille. Kun säästät minuutteja, se voi tarkoittaa ihmishenkien pelastamista, AI: n ja koneen oppimisen mahdollisuuksia terveydenhuollon työntekijöille ja potilaille.

Author

Seokbum Ko, professori, Saskatchewanin yliopisto

Tämä artikkeli julkaistaan ​​uudelleen Conversation Creative Commons -lisenssin alla. Lue alkuperäinen artikkeli.

Liittyvät kirjat

at InnerSelf Market ja Amazon