Mit fortschreitendem maschinellem Lernen umfassen seine Anwendungen schnellere und genauere medizinische Diagnosen. Shutterstock

Als der AlphaGo von Google DeepMind den legendären Go-Spieler Lee Sedol in 2016 schockierend besiegte, wurden die Begriffe künstliche Intelligenz (KI), maschinelles Lernen und tiefes Lernen zum technologischen Mainstream.

BBC Newsnight: AlphaGo und die Zukunft der künstlichen Intelligenz.

{youtube] 53YLZBSS0cc {/ youtube}

AI ist im Allgemeinen definiert als die Fähigkeit eines Computers oder einer Maschine, intelligentes Verhalten wie z Teslas selbstfahrendes Auto und Siri, der digitale Assistent von Apple. Es ist ein blühendes Feld und der Fokus vieler Forschung und Investitionen. Maschinelles Lernen ist die Fähigkeit eines KI-Systems, Informationen aus Rohdaten zu extrahieren und Vorhersagen aus neuen Daten zu lernen.

Deep Learning kombiniert künstliche Intelligenz mit maschinellem Lernen. Es befasst sich mit Algorithmen, die durch die Struktur und Funktion des Gehirns, die als künstliche neuronale Netzwerke bezeichnet werden, inspiriert sind. Deep Learning hat in letzter Zeit sowohl in der Konsumwelt als auch in der medizinischen Gemeinschaft viel Aufmerksamkeit erhalten.

Das Interesse an tiefem Lernen stieg mit dem Erfolg von AlexNet, einem neuronalen Netzwerk, das von Alex Krizhevsky entworfen wurde, an 2012 ImageNet - Große visuelle Erkennungsherausforderungein jährlicher Wettbewerb zur Imageklassifizierung.

Ein weiterer relativ neuer Fortschritt ist die Verwendung von Grafikprozessoreinheiten (GPUs), um tiefe Lernalgorithmen zu betreiben. GPUs zeichnen sich durch Berechnungen (Multiplikationen und Additionen) aus, die für Deep-Learning-Anwendungen erforderlich sind, wodurch die Verarbeitungszeit für Anwendungen verringert wird.

In unserem Labor an der Universität von Saskatchewan betreiben wir interessante tiefgreifende Lernforschung in Bezug auf Anwendungen im Gesundheitswesen - und als Professor für Elektro- und Computertechnik leitete ich das Forschungsteam. In der Gesundheitsfürsorge ist der Einsatz von KI oder maschinellem Lernen zur Diagnose neu, und es wurden aufregende und vielversprechende Fortschritte erzielt.

Blutgefäße im Auge entnehmen

Der Nachweis abnormaler retinaler Blutgefäße ist nützlich für die Diagnose von Diabetes und Herzkrankheiten. Um verlässliche und aussagekräftige medizinische Interpretationen zu liefern, muss das Retina-Gefäß aus einem Retina-Bild extrahiert werden, um zuverlässige und aussagekräftige Interpretationen zu erhalten. Obwohl eine manuelle Segmentierung möglich ist, ist dies eine komplexe, zeitaufwändige und langwierige Aufgabe, die fortgeschrittene Fachkenntnisse erfordert.

Mein Forschungsteam hat ein System entwickelt, das Netzhautgefäße einfach durch Lesen eines rohen Netzhautbildes segmentieren kann. Es ist ein Computergestütztes Diagnosesystem, das den Arbeitsaufwand für Augenärzte und Augenärzte reduziertund verarbeitet Bilder 10-Zeiten schneller und mit hoher Genauigkeit.

Lungenkrebs erkennen

Computertomographie (CT) wird häufig zur Diagnose von Lungenkrebs eingesetzt. Da jedoch visuelle Darstellungen von gutartigen (nicht krebsartigen) und bösartigen (krebsartigen) Läsionen in CT-Scans ähnlich sind, kann ein CT-Scan nicht immer eine zuverlässige Diagnose liefern. Dies gilt sogar für einen Thorax-Radiologen mit langjähriger Erfahrung. Das schnelle Wachstum von CT-Scan-Analyse Es besteht ein dringender Bedarf an fortschrittlichen Computerwerkzeugen, um Radiologen beim Screening-Fortschritt zu unterstützen.

Um die diagnostische Leistung von Radiologen zu verbessern, haben wir eine Lösung für das tiefe Lernen vorgeschlagen. Basierend auf unseren Forschungsergebnissen übertrifft unsere Lösung erfahrene Radiologen. Darüber hinaus verbessert die Verwendung einer tiefen lernbasierten Lösung die diagnostische Leistung insgesamt, und Radiologen mit weniger Erfahrung profitieren am meisten vom System.

Ein Screenshot der Lungenkrebserkennungssoftware. Seokbum Ko, Autor zur Verfügung gestellt

Einschränkungen und Herausforderungen

Obwohl tiefe Lernalgorithmen in einer Vielzahl von Aufgaben in der Radiologie und Medizin vielversprechend sind, sind diese Systeme bei weitem nicht perfekt. Die Beschaffung von hochwertigen kommentierten Datensätzen bleibt eine Herausforderung für das tiefe Lernen. Die meisten Computer Vision-Untersuchungen basieren auf natürlichen Bildern, aber für Anwendungen im Gesundheitswesen benötigen wir umfangreiche kommentierte medizinische Bilddatensätze.

Eine weitere Herausforderung aus klinischer Sicht wird die Zeit sein, um zu testen, wie gut tiefe Lerntechniken im Gegensatz zu menschlichen Radiologen funktionieren.

Es muss mehr Zusammenarbeit zwischen Ärzten und Wissenschaftlern für maschinelles Lernen geben. Die hohe Komplexität der menschlichen Physiologie wird auch eine Herausforderung für maschinelle Lerntechniken sein.

Eine weitere Herausforderung sind die Anforderungen an die Validierung eines Deep-Learning-Systems für die klinische Implementierung, für das wahrscheinlich eine Zusammenarbeit zwischen mehreren Institutionen und umfangreiche Datensätze erforderlich sind. Schließlich ist eine effiziente Hardwareplattform erforderlich, um eine schnelle Verarbeitung von Lernsystemen zu gewährleisten.

In der komplexen Welt des Gesundheitswesens können KI-Instrumente menschliche Praktiker dabei unterstützen, schnelleren Service und genauere Diagnosen bereitzustellen und Daten zu analysieren, um Trends oder genetische Informationen zu identifizieren, die jemanden für eine bestimmte Krankheit anfällig machen können. Wenn das Sparen von Minuten Leben retten kann, kann KI und maschinelles Lernen für Beschäftigte im Gesundheitswesen und für Patienten eine Veränderung bedeuten.

Über den Autor

Seokbum Ko, Professor, University of Saskatchewan

Dieser Artikel wird erneut veröffentlicht Das Gespräch unter einer Creative Commons-Lizenz. Lies das Original Artikel.

Bücher zum Thema

at InnerSelf Market und Amazon