Soos masjienleer vorder, sluit die aansoeke vinniger, meer akkurate mediese diagnoses in. Shutter
Toe Google DeepMind se AlphaGo skokkend die legendariese Go-speler Lee Sedol in 2016 verslaan het, is die terme kunsmatige intelligensie (AI), masjienleer en diep leer aangeskakel in die tegnologiese hoofstroom.
BBC Newsnight: AlphaGo en die toekoms van kunsmatige intelligensie.
{Youtube] 53YLZBSS0cc {/ youtube}
AI word algemeen gedefinieer as die kapasiteit vir 'n rekenaar of masjien om intelligente gedrag uit te beeld of te simuleer Tesla se selfry-motor en Apple se digitale assistent Siri. Dit is 'n florerende veld en die fokus van baie navorsing en belegging. Masjienleer is die vermoë van 'n AI-stelsel om inligting uit rou data te onttrek en om voorspellings te maak van nuwe data.
Diep leer kombineer kunsmatige intelligensie met masjienleer. Dit gaan oor algoritmes wat geïnspireer word deur die struktuur en funksie van die brein wat kunsmatige neurale netwerke genoem word. Diep leer het die afgelope tyd baie aandag gekry, sowel in die verbruikerswêreld as in die mediese gemeenskap.
Belangstelling in diep leer het gestyg met die sukses van AlexNet, 'n neurale netwerk ontwerp deur Alex Krizhevsky wat die 2012 ImageNet Grootskaalse Visuele Erkenningsuitdaging, 'n jaarlikse beeldklassifikasie kompetisie.
Nog 'n betreklik onlangse bevordering is die gebruik van grafiese verwerkingseenhede (GPU's) om diep leer algoritmes te dryf. GPU's presteer by berekeninge (vermenigvuldigings en toevoegings) wat benodig word vir diep leerprogramme, waardeur die verwerkingstyd van die aansoek verlaag word.
In ons laboratorium aan die Universiteit van Saskatchewan doen ons interessante, diepgaande navorsing oor gesondheidsorgtoepassings - en as professor in elektriese en rekenaaringenieurswese lei ek die navorsingspan. As dit gaan om gesondheidsorg, is die gebruik van AI of masjienleer om diagnoses te maak, nuut en daar is opwindende en belowende vordering.
Onttrek bloedvate in die oog
Die opsporing van abnormale retinale bloedvate is nuttig vir die diagnose van diabetes en hartsiektes. Ten einde betroubare en betekenisvolle mediese interpretasies te verskaf, moet die retinale vat uit 'n retinale beeld verkry word vir betroubare en betekenisvolle interpretasies. Hoewel handmatige segmentering moontlik is, is dit 'n komplekse, tydrowende en vervelige taak wat gevorderde professionele vaardighede vereis.
My navorsingspan het 'n stelsel ontwikkel wat retinale bloedvate kan segmenteer deur bloot 'n rou retinale beeld te lees. Dit is 'n rekenaargesteunde diagnosesisteem wat die werk verlaag wat benodig word deur oogkundiges en oogheelkundiges, en verwerk beelde 10 keer vinniger, terwyl hoë akkuraatheid behoue bly.
Opsporing van longkanker
Rekenaartomografie (CT) word wyd gebruik vir die diagnose longkanker. Aangesien visuele voorstellings van goedaardige (nie-kanker) en kwaadaardige (kanker) letsels in CT-skanderings soortgelyk is, kan 'n CT-skandering nie altyd 'n betroubare diagnose lewer nie. Dit is waar selfs vir 'n torakale radioloog met baie jare ondervinding. Die vinnige groei van CT scan analise het 'n dringende behoefte aan gevorderde rekenkundige gereedskap gegenereer om radioloë by te staan met die siftingsverloop.
Om die diagnostiese prestasie van radioloë te verbeter, het ons 'n diep leeroplossing voorgestel. Op grond van ons navorsingsbevindings, is ons oplossing beter as die ervare radioloë. Verder, met behulp van 'n diep leer-gebaseerde oplossing, verbeter die diagnostiese prestasie algehele en radioloë met minder ondervinding voordeel uit die stelsel die meeste.
'N kiekie van die longkanker opsporing sagteware. Seokbum Ko, skrywer met dien verstande
Beperkings en uitdagings
Alhoewel groot belofte getoon is met diep leer algoritmes in 'n verskeidenheid take oor radiologie en medisyne, is hierdie stelsels ver van perfek. Die verkryging van geannoteerde datastelle van hoë gehalte sal 'n uitdaging bly vir diepgaande opleiding. Die meeste rekenaarvisie-navorsing is gebaseer op natuurlike beelde, maar vir gesondheidsorgtoepassings benodig ons groot geannoteerde mediese beelddatastelle.
'N Ander uitdaging vanuit 'n kliniese oogpunt sal die tyd wees om te toets hoe goed die diepste tegnieke in teenstelling met menslike radioloë uitvoer.
Daar moet meer samewerking tussen dokters en masjienleerwetenskaplikes wees. Die hoë graad van kompleksiteit van menslike fisiologie sal ook 'n uitdaging wees vir masjienleertegnieke.
Nog 'n uitdaging is die vereistes om 'n diep leerstelsel vir kliniese implementering te bekragtig, wat waarskynlik multi-institusionele samewerking en groot datastelle benodig. Ten slotte is 'n doeltreffende hardeware platform nodig om vinnige verwerking van diepleersisteme te verseker.
In die komplekse wêreld van gesondheidsorg kan AI-instrumente menslike praktisyns ondersteun om vinniger diens en meer akkurate diagnoses te lewer, en data te ontleed om tendense of genetiese inligting te identifiseer wat iemand aan 'n spesifieke siekte kan voorspel. Wanneer spaar minute kan lei tot reddende lewens, kan AI en masjienleer transformatief wees vir gesondheidswerkers en pasiënte.
Oor Die Skrywer
Seokbum Ko, Professor, Universiteit van Saskatchewan
Hierdie artikel is gepubliseer vanaf Die gesprek onder 'n Creative Commons lisensie. Lees die oorspronklike artikel.
verwante Boeke
at InnerSelf Market en Amazon
