När maskininlärning fortskrider, innehåller applikationerna snabbare och mer noggranna medicinska diagnoser. Shutterstock

När Google DeepMinds AlphaGo stötte på den legendariska Go-spelaren Lee Sedol i 2016 chockerades termen artificiell intelligens (AI), maskininlärning och djup inlärning in i den teknologiska mainstreamen.

BBC Newsnight: AlphaGo och framtiden för artificiell intelligens.

{Youtube] 53YLZBSS0cc {/ youtube}

AI definieras allmänt som kapaciteten för en dator eller maskin att uppvisa eller simulera intelligent beteende, såsom Teslas självgående bil och Apples digitala assistent Siri. Det är ett blomstrande fält och fokus för mycket forskning och investeringar. Maskininlärning är ett AI-systems förmåga att extrahera information från rådata och lära sig att göra förutsägelser från nya data.

Deep learning kombinerar artificiell intelligens med maskininlärning. Det handlar om algoritmer som inspireras av hjärnans struktur och funktion, kallad artificiella neurala nätverk. Den djupa inlärningen har fått stor uppmärksamhet nyligen både i konsumentvärlden och i hela det medicinska samhället.

Intresset för djupt lärande ökade med AlexNets framgång, ett neuralt nätverk designat av Alex Krizhevsky som vann 2012 ImageNet Storskalig Visual Recognition Challenge, en årlig bildklassificeringskonkurrens.

En annan relativt ny utveckling är användningen av grafiska bearbetningsenheter (GPU) för att driva djupa inlärningsalgoritmer. GPU: er excel vid beräkningar (multiplikationer och tillägg) som behövs för djupa inlärningsapplikationer, vilket sänker applikationens bearbetningstid.

I vårt laboratorium vid Saskatchewans universitet gör vi intressant djupläringsforskning relaterad till vårdapplikationer - och som professor i elektroteknik och datateknik leder jag forskargruppen. När det gäller hälsovård, använder AI eller maskininlärning för att göra diagnoser är nya, och det har varit spännande och lovande framsteg.

Extrahera blodkärl i ögat

Detektera onormala retinala blodkärl är användbart för att diagnostisera diabetes och hjärtsjukdom. För att ge tillförlitliga och meningsfulla medicinska tolkningar måste retinalkärlet extraheras från en retinalbild för pålitliga och meningsfulla tolkningar. Även om manuell segmentering är möjlig är det en komplicerad, tidskrävande och tråkig uppgift som kräver avancerade yrkeskunskaper.

Mitt forskningsteam har utvecklat ett system som kan segmentera retinala blodkärl helt enkelt genom att läsa en rå retinalbild. Det är en datorstödda diagnosystem som minskar det arbete som krävs av ögonvårdspersonal och ögonläkare, och bearbetar bilder 10 gånger snabbare, samtidigt som de behåller hög noggrannhet.

Detekterar lungcancer

Datortomografi (CT) används ofta för diagnos av lungcancer. Eftersom visuella representationer av godartade (icke-cancerösa) och maligna (cancerösa) skador i CT-skanningar liknar varandra, kan en CT-skanning inte alltid ge en tillförlitlig diagnos. Detta är sant även för en thorax radiolog med många års erfarenhet. Den snabba tillväxten av CT-scanningsanalys har skapat ett pressande behov av avancerade beräkningsverktyg för att hjälpa radiologer med screeningframstegen.

För att förbättra radiologernas diagnostiska prestanda har vi föreslagit en djup inlärningslösning. Baserat på våra forskningsresultat överträffar vår lösning erfarna radiologer. Dessutom, med hjälp av en djupt lärande-baserad lösning förbättras diagnostiska prestanda övergripande och radiologer med mindre erfarenhet nytta av systemet mest.

En skärmdump av lungcancerdetekteringsprogrammet. Seokbum Ko, författaren förutsatt

Begränsningar och utmaningar

Även om stort löfte har visats med djupa inlärningsalgoritmer i olika uppdrag inom radiologi och medicin, är dessa system långt ifrån perfekt. Att erhålla högkvalitativa annoterade dataset kommer att förbli en utmaning för djupt lärande. De flesta datasynsforskning baseras på naturliga bilder, men för hälsoprogram behöver vi stora, annoterade medicinska bilddatasatser.

En annan utmaning ur klinisk synvinkel är dags att testa hur väl djupt lärande tekniker utför i motsats till mänskliga radiologer.

Det måste finnas mer samarbete mellan läkare och maskininlärningsforskare. Den mänskliga fysiologins höga grad av komplexitet kommer också att vara en utmaning för maskininlärningstekniker.

En annan utmaning är kraven att validera ett djupt lärande system för kliniskt genomförande, vilket sannolikt kräver multinationellt samarbete och stora dataset. Slutligen krävs en effektiv maskinvaruplattform för att säkerställa snabb bearbetning av djupa inlärningssystem.

I den komplicerade hälsovårdsverksamheten kan AI-verktyg stödja mänskliga utövare för att tillhandahålla snabbare service och mer noggranna diagnoser och analysera data för att identifiera trender eller genetisk information som kan predisponera någon för en viss sjukdom. När du sparar minuter kan det innebära att du räddar liv, kan AI och maskininlärning vara transformativ för vårdpersonal och patienter.

Om författaren

Seokbum Ko, professor, University of Saskatchewan

Denna artikel publiceras från Avlyssningen under en Creative Commons licens. Läs ursprungliga artikeln.

relaterade böcker

at InnerSelf Market och Amazon