Toen AlphaGo van Google DeepMind in 2016 op schokkende wijze de legendarische Go-speler Lee Sedol versloeg, de termen kunstmatige intelligentie (AI), machine learning en deep learning werden in de technologische mainstream gestuwd.

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

Deep learning combineert kunstmatige intelligentie met machine learning. Het houdt zich bezig met algoritmen die zijn geïnspireerd op de structuur en functie van de hersenen die kunstmatige neurale netwerken worden genoemd. Deep learning heeft de laatste tijd veel aandacht gekregen, zowel in de consumentenwereld als in de medische gemeenschap.

De interesse in deep learning steeg met het succes van AlexNet, een neuraal netwerk ontworpen door Alex Krizhevsky dat de ImageNet Large Scale Visual Recognition Challenge 2012 won, een jaarlijkse wedstrijd voor beeldclassificatie.

Een andere relatief recente vooruitgang is het gebruik van grafische verwerkingseenheden (GPU's) om deep learning-algoritmen aan te sturen. GPU's blinken uit in berekeningen (vermenigvuldigingen en optellingen) die nodig zijn voor deep learning-toepassingen, waardoor de verwerkingstijd van de aanvraag wordt verkort.

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

Bloedvaten uit het oog halen

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

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

Longkanker detecteren

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

Om de diagnostische prestaties van radiologen te verbeteren, we hebben een deep learning-oplossing voorgesteld. Op basis van onze onderzoeksresultaten, onze oplossing presteert beter dan ervaren radiologen. Bovendien, het gebruik van een op deep learning gebaseerde oplossing verbetert de algemene diagnostische prestaties en radiologen met minder ervaring profiteren het meest van het systeem.

Beperkingen en uitdagingen

Hoewel er grote beloften zijn getoond met deep learning-algoritmen voor een verscheidenheid aan taken in radiologie en geneeskunde, deze systemen zijn verre van perfect. Het verkrijgen van geannoteerde datasets van hoge kwaliteit blijft een uitdaging voor deep learning-training. Het meeste onderzoek naar computervisie is gebaseerd op natuurlijke beelden, maar voor toepassingen in de gezondheidszorg, we hebben grote geannoteerde medische beelddatasets nodig.

Een andere uitdaging vanuit klinisch oogpunt is de tijd om te testen hoe goed deep learning-technieken presteren in tegenstelling tot menselijke radiologen.

Er moet meer samenwerking komen tussen artsen en wetenschappers op het gebied van machine learning. De hoge mate van complexiteit van de menselijke fysiologie zal ook een uitdaging zijn voor machine learning-technieken.

Een andere uitdaging zijn de vereisten om een ​​deep learning-systeem te valideren voor klinische implementatie, waarvoor waarschijnlijk multi-institutionele samenwerking en grote datasets nodig zijn. Eindelijk, een efficiënt hardwareplatform is vereist om een ​​snelle verwerking van deep learning-systemen te garanderen.

In de complexe wereld van de zorg AI-tools kunnen menselijke beoefenaars ondersteunen om snellere service en nauwkeurigere diagnoses te bieden, en gegevens analyseren om trends of genetische informatie te identificeren die iemand vatbaar kunnen maken voor een bepaalde ziekte. Wanneer minuten besparen levens kan betekenen, AI en machine learning kunnen ingrijpend zijn voor gezondheidswerkers en patiënten.

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