Etter hvert som maskinlæringen utvikler seg, inkluderer applikasjonene raskere og mer nøyaktige medisinske diagnoser. Shutterstock
Da Google DeepMinds AlphaGo sjokkerende beseiret legendariske Go-spilleren Lee Sedol i 2016, ble uttrykkene kunstig intelligens (AI), maskinlæring og dyp læring drevet inn i den teknologiske mainstream.
BBC Newsnight: AlphaGo og fremtiden for kunstig intelligens.
{Youtube] 53YLZBSS0cc {/ youtube}
AI er generelt definert som kapasiteten til en datamaskin eller maskin til å utstille eller simulere intelligent oppførsel som Teslas egenbil og Apples digitale assistent Siri. Det er et blomstrende felt og fokus for mye forskning og investeringer. Maskininnlæring er evnen til et AI-system til å trekke ut informasjon fra rå data og lære å lage spådommer fra nye data.
Dyp læring kombinerer kunstig intelligens med maskinlæring. Det er opptatt av algoritmer inspirert av strukturen og funksjonen av hjernen kalt kunstige nevrale nettverk. Dyp læring har fått stor oppmerksomhet i det siste både i forbrukerverdenen og i hele det medisinske samfunnet.
Interessen for dyp læring økte med suksessen til AlexNet, et neuralt nettverk designet av Alex Krizhevsky som vant 2012 ImageNet Large Scale Visual Recognition Challenge, en årlig bildeklassifiseringskonkurranse.
En annen relativt ny utvikling er bruken av grafiske prosesseringsenheter (GPUer) for å drive dype læringalgoritmer. GPUer utmerker seg ved beregninger (multiplikasjoner og tillegg) som trengs for dyplæringsapplikasjoner, og derved senker applikasjonsbehandlingstiden.
I vårt laboratorium ved University of Saskatchewan gjør vi interessant dyp læring forskning relatert til helseprogrammer - og som professor i elektroteknikk og datateknikk leder jeg forskergruppen. Når det kommer til helsevesenet, bruker AI eller maskinlæring for å gjøre diagnoser er nye, og det har vært spennende og lovende fremgang.
Ekstra blodkar i øyet
Detektere unormale retinal blodkar er nyttig for å diagnostisere diabetes og hjertesykdom. For å gi pålitelige og meningsfulle medisinske tolkninger, må retinalfartøyet utvinnes fra et retinalbilde for pålitelige og meningsfulle tolkninger. Selv om manuell segmentering er mulig, er det en komplisert, tidkrevende og kjedelig oppgave som krever avanserte faglige ferdigheter.
Forskningsteamet mitt har utviklet et system som kan segmentere retinal blodkar ganske enkelt ved å lese et rå retinalt bilde. Det er en datamaskinstøttet diagnosesystem som reduserer arbeidet som kreves av øyeomsorgspersoner og øyeleger, og behandler bilder 10 ganger raskere, samtidig som de beholder høy nøyaktighet.
Påvisning av lungekreft
Datatomografi (CT) er mye brukt for lungekreftdiagnose. Fordi visuelle representasjoner av godartede (ikke-kreftige) og ondartede (kreft) lesjoner i CT-skanninger er liknende, kan en CT-skanning ikke alltid gi en pålitelig diagnose. Dette gjelder selv for en thorax radiolog med mange års erfaring. Den raske veksten av CT scan analyse har generert et presserende behov for avanserte beregningsverktøy for å hjelpe radiologer med screeningsframgangen.
For å forbedre radiologens diagnostiske ytelse, har vi foreslått en dyp læringsløsning. Basert på våre forskningsresultater, utgjør vår løsning bedre erfarne radiologer. Videre, ved hjelp av en dyp læringsbasert løsning, forbedres diagnostisk ytelse generelt, og radiologer med mindre erfaring har mest fordel av systemet.
Et skjermbilde av lungekreft deteksjon programvare. Seokbum Ko, Forfatter gitt
Begrensninger og utfordringer
Selv om stort løfte har blitt vist med dype læringalgoritmer i en rekke oppgaver på tvers av radiologi og medisin, er disse systemene langt fra perfekte. Å skaffe høykvalitets annoterte datasett vil forbli en utfordring for dyp læringstrening. De fleste datasynsforskningene er basert på naturlige bilder, men for helseprogrammer trenger vi store annoterte medisinske bildedatasett.
En annen utfordring fra et klinisk synspunkt vil være på tide å teste hvor godt dyp læringsteknikker utfører i motsetning til menneskelige radiologer.
Det må være mer samarbeid mellom leger og maskinlæringsforskere. Den høye grad av kompleksitet i menneskelig fysiologi vil også være en utfordring for maskinlæringsteknikker.
En annen utfordring er kravene til å validere et dypt læringssystem for klinisk gjennomføring, noe som sannsynligvis krever multisentral samarbeid og store datasett. Endelig er det nødvendig med en effektiv maskinvareplattform for å sikre rask behandling av dype læringssystemer.
I den komplekse helsevesenet kan AI-verktøy støtte menneskelige utøvere for å gi raskere service og mer nøyaktige diagnoser, og analysere data for å identifisere trender eller genetisk informasjon som kan predisponere noen til en bestemt sykdom. Når du lagrer minutter kan det bety at du sparer liv, kan AI og maskinlæring være transformativ for helsepersonell og pasienter.
Om forfatteren
Seokbum Ko, professor, University of Saskatchewan
Denne artikkelen er publisert fra Den Conversation under en Creative Commons-lisens. Les opprinnelige artikkelen.
Relaterte bøker
at InnerSelf Market og Amazon
