Hurtigere, mere præcise diagnoser:Sundhedsmæssige anvendelser af AI -forskning

Da Google DeepMinds AlphaGo chokerende besejrede den legendariske Go -spiller Lee Sedol i 2016, udtrykkene kunstig intelligens (AI), maskinlæring og dyb læring blev drevet ind i den teknologiske mainstream.

AI defineres generelt som en computer eller maskines kapacitet til at udvise eller simulere intelligent adfærd, såsom Teslas selvkørende bil og Apples digitale assistent Siri. Det er et blomstrende felt og fokus for megen forskning og investeringer. Maskinlæring er et AI -systems evne til at udtrække information fra rådata og lære at forudsige nye data.

Deep learning kombinerer kunstig intelligens med maskinlæring. Det vedrører algoritmer inspireret af hjernens struktur og funktion kaldet kunstige neurale netværk. Deep learning har fået stor opmærksomhed på det seneste både i forbrugerverdenen og i hele det medicinske samfund.

Interessen for dyb læring steg med AlexNets succes, et neuralt netværk designet af Alex Krizhevsky, der vandt 2012 ImageNet Large Scale Visual Recognition Challenge, en årlig billedklassificeringskonkurrence.

En anden forholdsvis nylig fremgang er brugen af ​​grafiske behandlingsenheder (GPU'er) til at drive deep learning -algoritmer. GPU'er udmærker sig ved beregninger (multiplikationer og tilføjelser), der er nødvendige for deep learning -applikationer, derved reducerer ansøgningens behandlingstid.

I vores laboratorium ved University of Saskatchewan laver vi interessant dyb læringsforskning relateret til applikationer i sundhedsvæsenet - og som professor i elektrisk og computerteknik, Jeg leder forskergruppen. Når det kommer til sundhedspleje, at bruge AI eller maskinlæring til at stille diagnoser er nyt, og der har været spændende og lovende fremskridt.

Ekstraktion af blodkar i øjet

Detektering af unormale nethindeblodkar er nyttig til diagnosticering af diabetes og hjertesygdomme. For at give pålidelige og meningsfulde medicinske fortolkninger, nethindekarret skal udtrækkes fra et nethindebillede for pålidelige og meningsfulde fortolkninger. Selvom manuel segmentering er mulig, det er et kompleks, tidskrævende og kedelig opgave, som kræver avancerede faglige færdigheder.

Mit forskerhold har udviklet et system, der kan segmentere nethindeblodkar blot ved at læse et råt nethindebillede. Det er et computerstøttet diagnosesystem, der reducerer det arbejde, der kræves af øjenplejer og øjenlæger, og behandler billeder 10 gange hurtigere, samtidig med at den bevarer høj nøjagtighed.

Opdager lungekræft

Computertomografi (CT) er meget udbredt til diagnosticering af lungekræft. Imidlertid, fordi visuelle repræsentationer af godartede (ikke-kræftfremkaldende) og ondartede (kræftfremkaldende) læsioner i CT-scanninger er ens, en CT -scanning kan ikke altid give en pålidelig diagnose. Dette gælder selv for en thoraxradiolog med mange års erfaring. Den hurtige vækst i CT -scanningsanalyse har skabt et presserende behov for avancerede beregningsværktøjer til at hjælpe radiologer med screeningsfremskridt.

For at forbedre radiologers diagnostiske ydeevne, vi har foreslået en dyb læringsløsning. Baseret på vores forskningsresultater, vores løsning overgår erfarne radiologer. I øvrigt, ved hjælp af en dyb læringsbaseret løsning forbedrer den diagnostiske ydeevne generelt og radiologer med mindre erfaring drager mest fordel af systemet.

Begrænsninger og udfordringer

Selvom der er vist stort løfte med dybe læringsalgoritmer i en række opgaver på tværs af radiologi og medicin, disse systemer er langt fra perfekte. Det vil fortsat være en udfordring for dyb læringstræning at få annoterede datasæt af høj kvalitet. De fleste computer vision forskning er baseret på naturlige billeder, men til sundhedsapplikationer, vi har brug for store annoterede medicinske billeddatasæt.

En anden udfordring fra et klinisk synspunkt vil være tiden til at teste, hvor godt deep learning -teknikker fungerer i modsætning til menneskelige radiologer.

Der skal være mere samarbejde mellem læger og maskinlæringsforskere. Den høje grad af kompleksitet i menneskelig fysiologi vil også være en udfordring for maskinlæringsteknikker.

En anden udfordring er kravene til validering af et deep learning -system til klinisk implementering, hvilket sandsynligvis ville kræve multiinstitutionelt samarbejde og store datasæt. Endelig, en effektiv hardwareplatform er nødvendig for at sikre hurtig behandling af dybe læringssystemer.

I den komplekse verden af ​​sundhedsydelser, AI -værktøjer kan støtte mennesker til at levere hurtigere service og mere præcise diagnoser, og analysere data for at identificere tendenser eller genetiske oplysninger, der kan disponere en person for en bestemt sygdom. Når det at spare minutter kan betyde at redde liv, AI og maskinlæring kan være transformerende for sundhedspersonale og patienter.

Denne artikel er genudgivet fra The Conversation under en Creative Commons -licens. Læs den originale artikel.