Yapay Zeka Nasıl Daha Hızlı ve Daha Doğru Bir Sağlık Teşhisi Verir? Makine öğrenmesi ilerledikçe, uygulamaları daha hızlı, daha doğru tıbbi teşhisleri içerir. Shutterstock

Google DeepMind'in AlphaGo'su, 2016’daki efsanevi Go oyuncusu Lee Sedol’ü şok edici bir şekilde yendiğinde, yapay zeka (AI), makine öğrenmesi ve derin öğrenme terimleri, teknolojik ana akıma girdi.

BBC Newsnight: AlphaGo ve Yapay Zekanın geleceği.

{Flash] 53YLZBSS0cc {/ flash}

AI genellikle bir bilgisayar veya makinenin aşağıdaki gibi akıllı davranışlar sergileme veya simüle etme kapasitesi olarak tanımlanır. Tesla'nın kendi kendine sürüş arabası ve Apple'ın dijital asistanı Siri. Bu gelişen bir alan ve çok araştırma ve yatırımın odak noktasıdır. Makine öğrenmesi, bir AI sisteminin ham verilerden bilgi çıkarma ve yeni verilerden tahminler yapmayı öğrenme yeteneğidir.

Derin öğrenme yapay zekayı makine öğrenmesiyle birleştirir. Yapay sinir ağları denilen beynin yapısından ve işlevinden ilham alan algoritmalarla ilgilidir. Son zamanlarda hem tüketici dünyasında hem de tıp dünyasında derin öğrenme çok dikkat çekti.


kendi kendine abone olma grafiği


Derin öğrenmeye ilgi Alex Krizhevsky tarafından tasarlanan bir sinir ağı olan AlexNet'in başarısıyla arttı. 2012 ImageNet Büyük Ölçekli Görsel Tanıma Mücadelesi, yıllık görüntü sınıflandırma yarışması.

Nispeten yeni bir gelişme, derin öğrenme algoritmalarını güçlendirmek için grafiksel işlem birimlerinin (GPU'lar) kullanılmasıdır. GPU'lar, derin öğrenme uygulamaları için gerekli olan hesaplamalarda (çarpma ve toplama) mükemmeldir ve böylece uygulama işlem süresini azaltır.

Saskatchewan Üniversitesi'ndeki laboratuvarımızda sağlık uygulamaları ile ilgili ilginç derin öğrenme araştırmaları yapıyoruz - ve elektrik ve bilgisayar mühendisliği profesörü olarak araştırma ekibine liderlik ediyorum. Sağlık hizmetine gelince, tanı koymak için AI veya makine öğrenmeyi kullanmak yenidir ve heyecan verici ve umut verici bir gelişme olmuştur.

Gözdeki kan damarlarını çıkarmak

Anormal retinal kan damarlarını tespit etmek, diyabet ve kalp hastalığını teşhis etmek için yararlıdır. Güvenilir ve anlamlı tıbbi yorumlar sağlamak için, güvenilir ve anlamlı yorumlar için retina damarı retina görüntüsünden çıkarılmalıdır. Manuel bölümlendirme mümkün olsa da, ileri mesleki beceriler gerektiren karmaşık, zaman alıcı ve sıkıcı bir iştir.

Araştırma ekibim, retinal kan damarlarını basit bir retinal görüntü okuyarak bölümlere ayırabilen bir sistem geliştirdi. Bu bir göz uzmanları ve göz doktorlarının ihtiyaç duydukları işi azaltan bilgisayar destekli tanı sistemive yüksek doğruluğu koruyarak 10 görüntülerini daha hızlı işler.

Akciğer kanserini tespit etmek

Bilgisayarlı tomografi (BT) akciğer kanseri tanısında yaygın olarak kullanılmaktadır. Bununla birlikte, BT taramalarında iyi huylu (kanserli olmayan) ve kötü huylu (kanserli) lezyonların görsel gösterimleri benzer olduğundan, BT taraması her zaman güvenilir bir tanı sağlayamaz. Bu, uzun yıllar deneyime sahip olan bir torasik radyolog için bile geçerlidir. Hızlı büyüme BT tarama analizi radyologlara taramada ilerleme konusunda yardımcı olmak için gelişmiş hesaplama araçlarına duyulan acil bir ihtiyaç yarattı.

Radyologların teşhis performansını iyileştirmek için derin bir öğrenme çözümü önerdik. Araştırma bulgularımıza dayanarak, çözümümüz deneyimli radyologlardan daha iyi performans gösteriyor. Dahası, derinlemesine öğrenmeye dayalı bir çözüm kullanmak genel olarak teşhis performansını iyileştirir ve daha az deneyime sahip radyologlar sistemden en fazla yararlanır.

Akciğer kanseri algılama yazılımının bir ekran görüntüsü. Seokbum Ko, Yazar sağlanan

Sınırlamalar ve zorluklar

Her ne kadar radyoloji ve tıp alanındaki çeşitli görevlerde derin öğrenme algoritmaları ile büyük sözler verilmiş olsa da, bu sistemler mükemmel olmaktan uzaktır. Yüksek kalitede açıklamalı veri setleri elde etmek, derin öğrenme eğitimi için bir zorluk olmaya devam edecektir. Çoğu bilgisayar görme araştırması doğal görüntülere dayanmaktadır, ancak sağlık uygulamaları için geniş açıklamalı tıbbi görüntü veri setlerine ihtiyacımız var.

Klinik açıdan bir başka zorluk, insan radyologlarının aksine derin öğrenme tekniklerinin ne kadar iyi performans gösterdiğini test etme zamanı olacaktır.

Hekimler ve makine öğrenimi bilim adamları arasında daha fazla işbirliğinin olması gerekmektedir. İnsan fizyolojisinin yüksek derecede karmaşıklığı, makine öğrenme teknikleri için de bir zorluk olacaktır.

Başka bir zorluk, klinik uygulama için derinlemesine bir öğrenme sistemini doğrulamak ve muhtemelen çok-kurumsal işbirliği ve büyük veri setleri gerektirecek gereksinimlerdir. Son olarak, derin öğrenme sistemlerinin hızlı işlenmesini sağlamak için verimli bir donanım platformu gereklidir.

Karmaşık sağlık hizmetleri dünyasında, AI araçları, insan uygulayıcılara daha hızlı hizmet ve daha doğru teşhisler sağlamada destek verebilir ve birini belirli bir hastalığa yatkın hale getirebilecek eğilimleri veya genetik bilgileri tanımlamak için verileri analiz edebilir. Dakikaları kurtarmak hayat kurtarmak anlamına geldiğinde, AI ve makine öğrenmesi sağlık çalışanları ve hastalar için dönüştürücü olabilir.Konuşma

Yazar hakkında

Seokbum Ko, Profesör, Saskatchewan Üniversitesi

Bu makale şu adresten yeniden yayınlandı: Konuşma Creative Commons lisansı altında. Okumak Orijinal makale.

İlgili Kitaplar

at InnerSelf Pazarı ve Amazon