Naarmate het computeronderwijs vordert, omvatten de toepassingen snellere, nauwkeurigere medische diagnoses. Shutterstock

Toen de AlphaGo van Google DeepMind de legendarische Go-speler Lee Sedol in 2016 schokkend versloeg, werden de termen artificial intelligence (AI), machine learning en deep learning in de technologische mainstream gestoken.

BBC Newsnight: AlphaGo en de toekomst van Artificial Intelligence.

{Youtube] 53YLZBSS0cc {/ youtube}

AI wordt over het algemeen gedefinieerd als het vermogen van een computer of machine om intelligent gedrag zoals bijvoorbeeld te vertonen of te simuleren De zelfrijdende auto van Tesla en Apples digitale assistent Siri. Het is een bloeiend veld en de focus van veel onderzoek en investeringen. Machinaal leren is het vermogen van een AI-systeem om informatie uit onbewerkte gegevens te halen en te leren voorspellingen te doen op basis van nieuwe gegevens.

Deep learning combineert kunstmatige intelligentie met machinaal leren. Het gaat over algoritmen die zijn geïnspireerd door de structuur en functie van de hersenen, kunstmatige neurale netwerken genoemd. Diepgaand leren heeft de laatste tijd veel aandacht gekregen, zowel in de consumentenwereld als in de medische wereld.

De belangstelling voor diepgaand leren steeg met het succes van AlexNet, een neuraal netwerk ontworpen door Alex Krizhevsky dat de 2012 ImageNet grootschalige uitdaging voor visuele herkenning, een jaarlijkse competitie voor beeldclassificatie.

Een andere relatief recente vooruitgang is het gebruik van grafische verwerkingseenheden (GPU's) voor het aanleren van algoritmen voor diep leren. GPU's blinken uit in berekeningen (vermenigvuldigingen en toevoegingen) die nodig zijn voor deep-learningapplicaties, waardoor de verwerkingstijd van applicaties wordt verkort.

In ons laboratorium aan de Universiteit van Saskatchewan doen we interessant diepgaand onderzoek met betrekking tot toepassingen in de gezondheidszorg - en als professor in elektrische en computertechnologie leid ik het onderzoeksteam. Als het gaat om gezondheidszorg, is het gebruik van AI of machine learning om diagnoses te stellen nieuw en er is veelbelovende en veelbelovende vooruitgang geboekt.

Het extraheren van bloedvaten in het oog

Het detecteren van abnormale retinale bloedvaten is nuttig voor het diagnosticeren van diabetes en hartaandoeningen. Om betrouwbare en zinvolle medische interpretaties te bieden, moet het netvlies worden geëxtraheerd uit een retinabeeld voor betrouwbare en zinvolle interpretaties. Hoewel handmatige segmentatie mogelijk is, is het een complexe, tijdrovende en vervelende taak waarvoor geavanceerde professionele vaardigheden vereist zijn.

Mijn onderzoeksteam heeft een systeem ontwikkeld dat netvliesbloedvaten kan segmenteren door eenvoudig een onbewerkt beeld van het netvlies te lezen. Het is een computerondersteund diagnosesysteem dat het werk van oogspecialisten en oogartsen vermindert, en verwerkt afbeeldingen 10 keer sneller, met behoud van hoge nauwkeurigheid.

Longkanker detecteren

Computertomografie (CT) wordt veel gebruikt voor de diagnose van longkanker. Omdat visuele representaties van goedaardige (niet-kankerachtige) en kwaadaardige (kanker) laesies bij CT-scans vergelijkbaar zijn, kan een CT-scan echter niet altijd een betrouwbare diagnose bieden. Dit geldt zelfs voor een thoracale radioloog met vele jaren ervaring. De snelle groei van CT-scananalyse heeft een dringende behoefte aan geavanceerde computationele hulpmiddelen gegenereerd om radiologen te helpen bij de voortgang van de screening.

Om de diagnostische prestaties van radiologen te verbeteren, hebben we een diepgaande leeroplossing voorgesteld. Op basis van onze onderzoeksresultaten overtreft onze oplossing de ervaren radiologen. Bovendien verbetert het gebruik van een diepgaande op leer gebaseerde oplossing algemene diagnostische prestaties en hebben radiologen met minder ervaring het meeste baat bij het systeem.

Een screenshot van de detectiesoftware voor longkanker. Seokbum Ko, auteur voorzien

Beperkingen en uitdagingen

Hoewel grote beloftes zijn aangetoond met diepgaande algoritmen voor het leren in verschillende taken op het gebied van radiologie en geneeskunde, zijn deze systemen verre van perfect. Het verkrijgen van geannoteerde datasets van hoge kwaliteit blijft een uitdaging voor deep learning-trainingen. Het meeste computervisieonderzoek is gebaseerd op natuurlijke beelden, maar voor toepassingen in de gezondheidszorg hebben we grote geannoteerde medische beeldgegevensverzamelingen nodig.

Een andere uitdaging vanuit een klinisch standpunt is de tijd om te testen hoe goed diepe leertechnieken presteren in tegenstelling tot menselijke radiologen.

Er moet meer samenwerking zijn tussen artsen en machine learning-wetenschappers. De hoge mate van complexiteit van de menselijke fysiologie zal ook een uitdaging zijn voor machinale leertechnieken.

Een andere uitdaging is de eis om een ​​diepgaand leersysteem voor klinische implementatie te valideren, waarvoor waarschijnlijk een multi-institutionele samenwerking en grote datasets nodig zijn. Ten slotte is een efficiënt hardwareplatform vereist om een ​​snelle verwerking van diepe leersystemen te garanderen.

In de complexe wereld van de gezondheidszorg kunnen KI-hulpmiddelen menselijke beoefenaars ondersteunen om snellere service en nauwkeurigere diagnoses te bieden en gegevens analyseren om trends of genetische informatie te identificeren die iemand vatbaar kan maken voor een bepaalde ziekte. Wanneer het opslaan van minuten kan betekenen dat levens worden gered, kunnen AI en machine learning transformatief zijn voor zorgverleners en patiënten.

Over de auteur

Seokbum Ko, professor, Universiteit van Saskatchewan

Dit artikel is opnieuw gepubliceerd vanaf The Conversation onder een Creative Commons-licentie. Lees de originele artikel.

Verwante Boeken

at InnerSelf Market en Amazon