Habang sumusulong ang pag-aaral ng machine, ang mga application nito ay nagsasama ng mas mabilis, mas tumpak na mga medikal na diagnosis. Shutterstock

Nang ang AlphaGo ng Google DeepMind ay nakakagulat na nakapagtalo ng maalamat Go player na si Lee Sedol sa 2016, ang mga termino na artificial intelligence (AI), pag-aaral ng machine at malalim na pag-aaral ay itinutulak sa teknolohikal na mainstream.

BBC Newsnight: AlphaGo at ang hinaharap ng Artipisyal na Katalinuhan.

{youtube] 53YLZBSS0cc {/ youtube}

Ang AI sa pangkalahatan ay tinukoy bilang ang kapasidad para sa isang computer o machine upang magpakita o gayahin ang intelihente pag-uugali tulad ng Tesla's self-driving car at Digital assistant ng Apple na Siri. Ito ay isang maunlad na larangan at ang pokus ng maraming pananaliksik at pamumuhunan. Ang pag-aaral ng machine ay ang kakayahan ng isang sistema ng AI na kunin ang impormasyon mula sa raw data at matutunan ang mga hula mula sa mga bagong data.

Pinagsasama ng malalim na pag-aaral ang artipisyal na katalinuhan sa pag-aaral ng machine. Ito ay nababahala sa mga algorithm na inspirasyon ng istraktura at pag-andar ng utak na tinatawag na artipisyal na mga neural network. Ang malalim na pag-aaral ay nakatanggap ng maraming pansin kamakailan sa parehong mundo ng mamimili at sa buong medikal na komunidad.

Ang interes sa malalim na pag-aaral ay nagmula sa tagumpay ng AlexNet, isang neural network na dinisenyo ni Alex Krizhevsky na nanalo sa 2012 ImageNet Malaking Scale Visual Recognition Challenge, isang taunang kumpetisyon sa pag-uuri ng imahe.

Ang isa pang relatibong kamakailang pag-unlad ay ang paggamit ng mga graphical processing units (GPUs) sa kapangyarihan ng malalim na mga algorithm sa pag-aaral. Ang mga GPU ay excel sa mga pag-compute (mga multiplikasyon at mga pagdaragdag) na kinakailangan para sa malalim na mga aplikasyon sa pag-aaral, at sa gayon ay babaan ang oras ng pagpoproseso ng aplikasyon.

Sa aming lab sa University of Saskatchewan ginagawa namin ang mga kagiliw-giliw na malalim na pag-aaral na pananaliksik na may kaugnayan sa mga application sa pangangalagang pangkalusugan - at bilang isang propesor ng electrical at computer engineering, pinangunahan ko ang koponan ng pananaliksik. Pagdating sa pangangalagang pangkalusugan, ang paggamit ng AI o pag-aaral ng makina na gumawa ng mga diagnosis ay bago, at nagkaroon ng kapana-panabik at promising na pag-unlad.

Ang pagkuha ng mga vessel ng dugo sa mata

Ang pagtuklas ng mga abnormal na mga vessel ng retinal blood ay kapaki-pakinabang para sa pag-diagnose ng diabetes at sakit sa puso. Upang makapagbigay ng maaasahang at makabuluhang mga interpretasyong medikal, ang retinal vessel ay dapat makuha mula sa retinal image para sa maaasahan at makabuluhang pagpapakahulugan. Bagaman posible ang manu-manong pag-segment, ito ay isang kumplikado, matagal na oras at nakakapagod na gawain na nangangailangan ng mga advanced na kasanayan sa propesyon.

Ang aking koponan sa pananaliksik ay bumuo ng isang sistema na maaaring hatiin ang mga vessel ng retina ng dugo sa pamamagitan lamang ng pagbabasa ng isang retinal na imahe. Ito ay isang computer-aided diagnosis system na binabawasan ang trabaho na kinakailangan ng mga espesyalista sa mata at mga optalmolohista, at pinoproseso ang mga imahe 10 beses mas mabilis, habang pinapanatili ang mataas na katumpakan.

Pagtuklas ng kanser sa baga

Ang computer tomography (CT) ay malawakang ginagamit para sa diagnosis ng kanser sa baga. Gayunpaman, dahil ang mga visual na representasyon ng mga benign (non-cancerous) at malignant (kanser) na mga sugat sa mga pag-scan ng CT ay magkatulad, ang CT scan ay hindi palaging nagbibigay ng isang maaasahang diagnosis. Ito ay totoo kahit para sa isang thoracic radiologist na may maraming mga taon ng karanasan. Ang mabilis na paglago ng CT scan analysis ay nakabuo ng isang pagpindot na kailangan para sa mga advanced na mga gamit sa computational upang tulungan ang mga radiologist sa pag-unlad ng pag-screen.

Upang mapabuti ang pagganap ng diagnostic ng radiologist, nagpanukala kami ng isang malalim na solusyon sa pag-aaral. Batay sa aming mga natuklasan sa pananaliksik, ang mga solusyon sa aming mga solusyon ay nakaranas ng mga radiologist. Bukod dito, ang paggamit ng isang malalim na solusyon na nakabatay sa pag-aaral ay nagpapabuti ng pangkalahatang pagganap ng diagnostic at radiologist na may mas kaunting karanasan sa benepisyo mula sa sistema ng karamihan.

Isang screenshot ng software ng pagtuklas ng kanser sa baga. Seokbum Ko, Author ibinigay

Mga limitasyon at hamon

Kahit na mahusay na pangako ay ipinapakita sa malalim na pag-aaral ng mga algorithm sa iba't ibang mga gawain sa kabuuan ng radiology at gamot, ang mga sistema ay malayo mula sa perpekto. Ang pagkuha ng mataas na kalidad na mga annotation dataset ay mananatiling isang hamon para sa malalim na pagsasanay sa pag-aaral. Karamihan sa pananaliksik sa paningin ng computer ay batay sa mga likas na imahe, ngunit para sa mga application sa pangangalagang pangkalusugan, kailangan namin ng malaking annotated medikal na mga dataset ng imahe.

Ang isa pang hamon mula sa klinikal na pananaw ay ang oras upang masubukan kung gaano mahusay ang mga diskarte sa pag-aaral na tugma kumpara sa radiologist ng tao.

Mayroong kailangang mas pakikipagtulungan sa pagitan ng mga physician at mga siyentipiko sa pag-aaral ng machine. Ang mataas na antas ng pagiging kumplikado ng pantaong pisiolohiya ay magiging hamon din para sa mga diskarte sa pag-aaral ng makina.

Ang isa pang hamon ay ang mga kinakailangan upang patunayan ang isang malalim na sistema ng pag-aaral para sa klinikal na pagpapatupad, na malamang na nangangailangan ng multi-institutional na pakikipagtulungan at malalaking dataset. Sa wakas, isang mahusay na platform ng hardware ang kinakailangan upang matiyak ang mabilis na pagproseso ng malalim na sistema ng pag-aaral.

Sa komplikadong mundo ng pangangalagang pangkalusugan, ang mga tool ng AI ay maaaring suportahan ang mga practitioner ng tao upang magbigay ng mas mabilis na serbisyo at mas tumpak na diagnosis, at pag-aralan ang data upang kilalanin ang mga trend o genetic na impormasyon na maaaring magresulta sa isang tao sa isang partikular na sakit. Kapag nagse-save ng mga minuto ay maaaring mangahulugan ng pag-save ng mga buhay, AI at pag-aaral ng machine ay maaaring transformative para sa mga manggagawa at mga pasyente ng healthcare.

Tungkol sa Ang May-akda

Seokbum Ko, Propesor, University of Saskatchewan

Ang artikulong ito ay muling nai-publish mula sa Ang pag-uusap sa ilalim ng lisensya ng Creative Commons. Basahin ang ang orihinal na artikulo.

Mga Kaugnay Books

at InnerSelf Market at Amazon