Con l'avanzare dell'apprendimento automatico, le sue applicazioni includono diagnosi mediche più rapide e accurate. Shutterstock
Quando l'AlphaGo di Google DeepMind ha sconfitto in modo impressionante il leggendario giocatore Go Lee Sedol in 2016, i termini intelligenza artificiale (AI), apprendimento automatico e apprendimento profondo sono stati spinti nel mainstream tecnologico.
BBC Newsnight: AlphaGo e il futuro dell'Intelligenza Artificiale.
{Youtube] 53YLZBSS0cc {/ youtube}
L'intelligenza artificiale è generalmente definita come la capacità di un computer o di una macchina di mostrare o simulare un comportamento intelligente come L'auto a guida di Tesla ed L'assistente digitale di Apple Siri. È un campo fiorente e al centro di molte ricerche e investimenti. L'apprendimento automatico è la capacità di un sistema di intelligenza artificiale di estrarre informazioni da dati grezzi e imparare a fare previsioni da nuovi dati.
L'apprendimento profondo combina l'intelligenza artificiale con l'apprendimento automatico. Si occupa di algoritmi ispirati alla struttura e alla funzione del cervello chiamate reti neurali artificiali. L'apprendimento approfondito ha ricevuto molta attenzione recentemente sia nel mondo dei consumatori che in tutta la comunità medica.
L'interesse per l'apprendimento profondo è cresciuto con il successo di AlexNet, una rete neurale progettata da Alex Krizhevsky che ha vinto il Sfida di riconoscimento visivo su larga scala di 2012 ImageNet, un concorso annuale di classificazione delle immagini.
Un altro progresso relativamente recente è l'uso di unità di elaborazione grafica (GPU) per alimentare algoritmi di deep learning. Le GPU eccellono nei calcoli (moltiplicazioni e aggiunte) necessari per le applicazioni di deep learning, riducendo così i tempi di elaborazione delle applicazioni.
Nel nostro laboratorio presso l'Università di Saskatchewan stiamo facendo interessanti ricerche approfondite relative alle applicazioni sanitarie e, in qualità di professore di ingegneria elettrica e informatica, guido il gruppo di ricerca. Quando si tratta di assistenza sanitaria, usare l'intelligenza artificiale o l'apprendimento automatico per fare diagnosi è nuovo, e ci sono stati progressi interessanti e promettenti.
Estrazione dei vasi sanguigni negli occhi
Rilevare i vasi sanguigni della retina anormali è utile per diagnosticare il diabete e le malattie cardiache. Per fornire interpretazioni mediche affidabili e significative, la retina deve essere estratta da un'immagine retinica per interpretazioni affidabili e significative. Sebbene la segmentazione manuale sia possibile, è un compito complesso, dispendioso in termini di tempo e noioso che richiede competenze professionali avanzate.
Il mio gruppo di ricerca ha sviluppato un sistema in grado di segmentare i vasi sanguigni della retina semplicemente leggendo un'immagine retinica grezza. È un sistema di diagnosi computerizzato che riduce il lavoro richiesto dagli specialisti oculisti e dagli oftalmologie elabora le immagini 10 in tempi più rapidi, pur mantenendo un'elevata precisione.
Rilevazione del cancro del polmone
La tomografia computerizzata (TC) è ampiamente utilizzata per la diagnosi del cancro del polmone. Tuttavia, poiché le rappresentazioni visive di lesioni benigne (non cancerose) e maligne (cancerose) nelle scansioni TC sono simili, una TC non può sempre fornire una diagnosi affidabile. Questo è vero anche per un radiologo del torace con molti anni di esperienza. La rapida crescita di Analisi della TAC ha generato una pressante necessità di strumenti computazionali avanzati per assistere i radiologi nello svolgimento dello screening.
Per migliorare le prestazioni diagnostiche dei radiologi, abbiamo proposto una soluzione di apprendimento approfondito. Sulla base dei risultati della nostra ricerca, la nostra soluzione supera i radiologi esperti. Inoltre, l'uso di una soluzione basata sull'apprendimento profondo migliora le prestazioni diagnostiche in generale e i radiologi con meno esperienza traggono beneficio dal sistema.
Uno screenshot del software di rilevamento del cancro del polmone. Seokbum Ko, Autore previsto
Limitazioni e sfide
Sebbene sia stata dimostrata una grande promessa con algoritmi di apprendimento approfondito in una varietà di compiti in radiologia e medicina, questi sistemi sono tutt'altro che perfetti. Ottenere set di dati annotati di alta qualità rimarrà una sfida per il training di deep learning. La maggior parte della ricerca sulla visione artificiale si basa su immagini naturali, ma per le applicazioni sanitarie sono necessari dataset di immagini mediche con annotazioni di grandi dimensioni.
Un'altra sfida dal punto di vista clinico sarà il tempo di testare quanto bene le tecniche di deep learning si comportino in contrasto con i radiologi umani.
Deve esserci maggiore collaborazione tra i medici e gli scienziati di apprendimento automatico. L'alto grado di complessità della fisiologia umana sarà anche una sfida per le tecniche di apprendimento automatico.
Un'altra sfida è rappresentata dai requisiti per convalidare un sistema di apprendimento approfondito per l'implementazione clinica, che probabilmente richiederebbe una collaborazione multi-istituzionale e grandi set di dati. Infine, è necessaria una piattaforma hardware efficiente per garantire un'elaborazione rapida dei sistemi di deep learning.
Nel complesso mondo della sanità, gli strumenti di intelligenza artificiale possono supportare i professionisti umani per fornire un servizio più rapido e diagnosi più accurate e analizzare i dati per identificare tendenze o informazioni genetiche che possono predisporre qualcuno a una particolare malattia. Quando salvare minuti può significare salvare vite umane, l'intelligenza artificiale e l'apprendimento automatico possono essere trasformativi per operatori sanitari e pazienti.
Circa l'autore
Seokbum Ko, professore, University of Saskatchewan
Questo articolo è ripubblicato da The Conversation sotto una licenza Creative Commons. Leggi il articolo originale.
libri correlati
at InnerSelf Market e Amazon
