Bagaimana Kecerdasan Buatan Menjanjikan Lebih Pantas, Diagnosis Kesihatan Lebih Tepat

Bagaimana Kecerdasan Buatan Menjanjikan Lebih Pantas, Diagnosis Kesihatan Lebih Tepat Memandangkan pembelajaran mesin berlangsung, aplikasinya termasuk diagnosis perubatan yang lebih cepat dan lebih tepat. Shutterstock

Apabila GoogleGo mengetepikan AlphaGo mengejutkan pemain Go legenda Lee Sedol di 2016, istilah kecerdasan buatan (AI), pembelajaran mesin dan pengajaran mendalam digerakkan ke arus utama teknologi.

BBC Newsnight: AlphaGo dan masa depan Kepintaran Buatan.

{youtube] 53YLZBSS0cc {/ youtube}

AI umumnya ditakrifkan sebagai kapasiti untuk komputer atau mesin untuk mempamerkan atau mensimulasikan tingkah laku pintar seperti Kereta sendiri memandu Tesla artikel Pembantu digital Siri Apple. Ia adalah bidang yang berkembang maju dan fokus penyelidikan dan pelaburan. Pembelajaran mesin adalah keupayaan sistem AI untuk mengekstrak maklumat dari data mentah dan belajar membuat ramalan dari data baru.

Pembelajaran dalam menggabungkan kecerdasan buatan dengan pembelajaran mesin. Ia berkenaan dengan algoritma yang diilhamkan oleh struktur dan fungsi otak yang dikenali sebagai rangkaian saraf buatan. Pembelajaran yang mendalam telah mendapat perhatian sejak kebelakangan ini di dunia pengguna dan di seluruh komuniti perubatan.

Kepentingan dalam pembelajaran mendalam melonjak dengan kejayaan AlexNet, rangkaian saraf yang direka oleh Alex Krizhevsky yang memenanginya Cabaran Pengiktirafan Visual Skala Besar 2012 ImageNet, pertandingan klasifikasi imej tahunan.

Satu lagi kemajuan yang agak baru-baru ini ialah penggunaan unit pemprosesan grafik (GPU) untuk memaksimumkan algoritma pembelajaran mendalam. GPU cemerlang dalam pengiraan (pendaraban dan penambahan) yang diperlukan untuk aplikasi pembelajaran mendalam, dengan itu menurunkan masa memproses permohonan.


Dapatkan yang terbaru dari InnerSelf


Di makmal kami di Universiti Saskatchewan kami melakukan penyelidikan pembelajaran dalam yang menarik berkaitan dengan aplikasi penjagaan kesihatan - dan sebagai profesor kejuruteraan elektrik dan komputer, saya mengetuai pasukan penyelidikan. Ketika datang ke penjagaan kesihatan, menggunakan AI atau pembelajaran mesin untuk membuat diagnosis baru, dan ada kemajuan yang menarik dan menjanjikan.

Mengeluarkan pembuluh darah di mata

Mengesan saluran darah retina yang tidak normal berguna untuk mendiagnosis diabetes dan penyakit jantung. Untuk memberikan tafsiran perubatan yang boleh dipercayai dan bermakna, vesel retina mesti diekstrak daripada imej retina untuk tafsiran yang boleh dipercayai dan bermakna. Walaupun segmentasi manual mungkin, ia adalah tugas yang rumit, memakan masa dan membosankan yang memerlukan kemahiran profesional yang canggih.

Pasukan penyelidikan saya telah membangunkan satu sistem yang boleh membahagikan saluran darah retina hanya dengan membaca imej retina mentah. Ia adalah sistem diagnosis bantuan komputer yang mengurangkan kerja yang diperlukan oleh pakar penjagaan mata dan pakar oftalmologi, dan memproses gambar 10 kali lebih cepat, sambil mengekalkan ketepatan yang tinggi.

Mengesan kanser paru-paru

Komputer tomografi (CT) digunakan secara meluas untuk diagnosis kanser paru-paru. Walau bagaimanapun, kerana perwakilan visual barah (tidak kanser) dan malignan (kanser) luka dalam imbasan CT adalah serupa, imbasan CT tidak boleh selalu memberikan diagnosis yang boleh dipercayai. Ini benar walaupun untuk ahli radiologi toraks dengan pengalaman bertahun-tahun. Pertumbuhan pesat Analisis imbasan CT telah menghasilkan keperluan mendesak untuk alat pengkomputeran lanjutan untuk membantu ahli radiologi dengan kemajuan penyaringan.

Untuk meningkatkan prestasi diagnostik ahli radiologi, kami telah mencadangkan penyelesaian pembelajaran yang mendalam. Berdasarkan penemuan penyelidikan kami, penyelesaian kami mengatasi ahli radiologi yang berpengalaman. Lebih-lebih lagi, dengan menggunakan penyelesaian berasaskan pembelajaran mendalam meningkatkan prestasi diagnostik keseluruhan dan ahli radiologi dengan kurang pengalaman mendapat manfaat daripada sistem yang paling.

teknologi Gambaran tangkapan perisian pengesanan kanser paru-paru. Seokbum Ko, Pengarang disediakan

Had dan cabaran

Walaupun janji besar telah ditunjukkan dengan algoritma pembelajaran mendalam dalam pelbagai tugas merentasi radiologi dan perubatan, sistem ini jauh dari sempurna. Mendapatkan dataset beranotasi berkualiti tinggi akan terus menjadi cabaran untuk latihan pembelajaran mendalam. Kebanyakan penyelidikan visi komputer adalah berdasarkan imej semulajadi, tetapi untuk aplikasi penjagaan kesihatan, kita memerlukan dataset imej perubatan beranotasi yang besar.

Satu lagi cabaran dari sudut klinikal adalah masa untuk menguji sejauh mana teknik pembelajaran yang mendalam dilakukan berbanding dengan ahli radiologi manusia.

Perlu ada lebih banyak kerjasama antara pakar perubatan dan saintis pembelajaran mesin. Tahap tinggi kerumitan fisiologi manusia juga akan menjadi cabaran untuk teknik pembelajaran mesin.

Cabaran lain adalah keperluan untuk mengesahkan sistem pembelajaran mendalam untuk pelaksanaan klinikal, yang mungkin memerlukan kolaborasi multi-institusi dan dataset yang besar. Akhirnya, platform perkakasan yang cekap diperlukan untuk memastikan pemprosesan sistem pembelajaran yang mendalam.

Di dunia penjagaan kesihatan yang rumit, alat AI dapat menyokong pengamal manusia untuk menyediakan perkhidmatan yang lebih cepat dan diagnosis yang lebih tepat, dan menganalisis data untuk mengenal pasti trend atau maklumat genetik yang mungkin menimbulkan seseorang untuk penyakit tertentu. Apabila menjimatkan minit boleh bermakna menyelamatkan nyawa, pembelajaran AI dan mesin mungkin berubah untuk pekerja penjagaan kesihatan dan pesakit.Perbualan

Tentang Pengarang

Seokbum Ko, Profesor, Universiti Saskatchewan

Artikel ini diterbitkan semula daripada Perbualan di bawah lesen Creative Commons. Membaca artikel asal.

Buku-buku yang berkaitan

{amazonWS: searchindex = Books; keywords = future of intelligence buffer; maxresults = 3}

enafarzh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

ikuti InnerSelf pada

icon-facebooktwitter-iconrss-icon

Dapatkan Yang Terbaru Dengan E-mel

{Emailcloak = mati}

DARIPADA EDITOR

Blue-Eyes vs Brown Eyes: Bagaimana Rasisme Diajar
by Marie T. Russell, InnerSelf
Dalam episod Oprah Show tahun 1992 ini, aktivis dan pendidik anti-perkauman pemenang anugerah Jane Elliott mengajarkan kepada para penonton pelajaran yang sukar mengenai perkauman dengan menunjukkan betapa mudahnya belajar prejudis.
Perubahan Akan Datang ...
by Marie T. Russell, InnerSelf
(30 Mei 2020) Ketika saya menonton berita mengenai peristiwa di Philadephia dan bandar-bandar lain di negara ini, hati saya merasa sakit dengan apa yang berlaku. Saya tahu bahawa ini adalah sebahagian daripada perubahan yang lebih besar yang berlaku ...
Sebuah Lagu Dapat Meningkatkan Hati dan Jiwa
by Marie T. Russell, InnerSelf
Saya mempunyai beberapa cara yang saya gunakan untuk membersihkan kegelapan dari fikiran saya ketika saya merasakan ia telah masuk. Salah satunya adalah berkebun, atau menghabiskan masa di alam semula jadi. Yang lain adalah kesunyian. Cara lain ialah membaca. Dan satu yang ...
Mengapa Donald Trump Boleh Menjadi Kalah Terbesar Sejarah
by Robert Jennings, InnerSelf.com
Pandemik coronavirus keseluruhan ini memerlukan banyak wang, mungkin 2 atau 3 atau 4 kekayaan, semuanya tidak diketahui ukurannya. Oh ya, dan, beratus-ratus ribu, mungkin satu juta orang akan mati sebelum waktunya secara langsung ...
Maskot untuk Pandemik dan Lagu Tema untuk Menjauhkan dan Mengasingkan Sosial
by Marie T. Russell, InnerSelf
Saya mendapat lagu baru-baru ini dan semasa saya mendengarkan liriknya, saya fikir ia akan menjadi lagu yang sempurna sebagai "lagu tema" untuk masa-masa pengasingan sosial ini. (Lirik di bawah video.)