По мере развития машинного обучения его приложения включают более быструю и точную медицинскую диагностику. Shutterstock

Когда AlphaGo от Google DeepMind шокирующе победил легендарного игрока в Го Ли Седола в 2016, термины «искусственный интеллект», «машинное обучение» и «глубокое обучение» получили широкое распространение в технологическом русле.

BBC Newsnight: AlphaGo и будущее искусственного интеллекта.

{YouTube] 53YLZBSS0cc {/ YouTube}

AI обычно определяется как способность компьютера или машины демонстрировать или моделировать интеллектуальное поведение, такое как Автомобиль Теслы и Цифровой помощник Apple, Сири, Это процветающая сфера и центр многих исследований и инвестиций. Машинное обучение - это способность системы ИИ извлекать информацию из необработанных данных и учиться делать прогнозы на основе новых данных.

Глубокое обучение сочетает в себе искусственный интеллект с машинным обучением. Это касается алгоритмов, вдохновленных структурой и функциями мозга, называемых искусственными нейронными сетями. В последнее время глубокому изучению уделяется большое внимание как в мире потребителей, так и во всем медицинском сообществе.

Интерес к глубокому обучению возрастал с успехом AlexNet, нейронной сети, разработанной Алексом Крижевским, которая выиграла 2012 ImageNet - проблема масштабного визуального распознаванияЕжегодный конкурс по классификации изображений.

Другим относительно недавним достижением является использование графических процессоров (GPU) для разработки алгоритмов глубокого обучения. Графические процессоры превосходны в вычислениях (умножениях и сложениях), необходимых для приложений с глубоким обучением, тем самым сокращая время обработки приложений.

В нашей лаборатории в Университете Саскачевана мы проводим интересные глубокие исследования, связанные с приложениями для здравоохранения, и, как профессор электротехники и вычислительной техники, я возглавляю исследовательскую группу. Когда дело доходит до здравоохранения, использование искусственного интеллекта или машинного обучения для постановки диагноза является новым, и был достигнут интересный и многообещающий прогресс.

Извлечение кровеносных сосудов в глаза

Обнаружение аномальных сосудов сетчатки полезно для диагностики диабета и сердечных заболеваний. Чтобы обеспечить надежные и значимые медицинские интерпретации, сосуд сетчатки должен быть извлечен из изображения на сетчатке для надежных и значимых интерпретаций. Хотя ручная сегментация возможна, это сложная, трудоемкая и утомительная задача, требующая повышенных профессиональных навыков.

Моя исследовательская группа разработала систему, которая может сегментировать кровеносные сосуды сетчатки, просто считывая необработанное изображение сетчатки. Это компьютерная система диагностики, которая сокращает объем работы, требуемой специалистами по уходу за глазами и офтальмологамии обрабатывает изображения в 10 раз быстрее, сохраняя при этом высокую точность.

Обнаружение рака легких

Компьютерная томография (КТ) широко используется для диагностики рака легких. Однако, поскольку визуальные представления доброкачественных (незлокачественных) и злокачественных (злокачественных) поражений при КТ-сканировании схожи, КТ не всегда может обеспечить надежный диагноз. Это верно даже для грудного рентгенолога с многолетним опытом. Быстрый рост КТ-анализ возникла острая потребность в передовых вычислительных инструментах, чтобы помочь радиологам с прогрессом скрининга.

Чтобы улучшить диагностические характеристики рентгенологов, мы предложили решение для глубокого обучения. На основании результатов наших исследований наше решение превосходит опытных радиологов. Более того, использование решения, основанного на глубоком обучении, улучшает диагностические характеристики в целом, и радиологи с меньшим опытом получают наибольшую пользу от системы.

Скриншот программного обеспечения для обнаружения рака легких. Соокбум Ко, Автор условии

Ограничения и проблемы

Хотя большие возможности были продемонстрированы с помощью алгоритмов глубокого обучения в различных задачах радиологии и медицины, эти системы далеки от совершенства. Получение высококачественных аннотированных наборов данных останется проблемой для углубленного обучения. Большинство исследований в области компьютерного зрения основано на естественных изображениях, но для применения в здравоохранении нам нужны большие аннотированные наборы медицинских изображений.

Еще одной проблемой с клинической точки зрения будет время проверить, насколько хорошо методы глубокого обучения работают в отличие от человеческих радиологов.

Там должно быть больше сотрудничества между врачами и учеными машинного обучения. Высокая степень сложности физиологии человека также будет проблемой для методов машинного обучения.

Еще одна проблема заключается в требованиях к проверке системы глубокого обучения для клинической реализации, что, вероятно, потребовало бы многоинституционального сотрудничества и больших наборов данных. Наконец, требуется эффективная аппаратная платформа для обеспечения быстрой обработки систем глубокого обучения.

В сложном мире здравоохранения инструменты искусственного интеллекта могут помочь практикующим врачам предоставлять более быстрое обслуживание и более точные диагнозы, а также анализировать данные для выявления тенденций или генетической информации, которая может предрасполагать кого-либо к определенному заболеванию. Если экономия минут может означать спасение жизней, ИИ и машинное обучение могут быть преобразующими для работников здравоохранения и пациентов.

Об авторе

Seokbum Ko, профессор, Университет Саскачевана

Эта статья переиздана из Беседа под лицензией Creative Commons. Прочтите оригинал статьи.

Книги по этой теме

at Внутренний рынок самовыражения и Amazon