Ένας οφθαλμίατρος τεχνητής νοημοσύνης δείχνει πώς η μηχανική μάθηση μπορεί να μεταμορφώσει την ιατρική

Οι ερευνητές της Google πήραν έναν αλγόριθμο σάρωσης ματιών για να καταλάβουν μόνοι τους πώς να ανιχνεύσουν μια κοινή μορφή τύφλωσης, δείχνοντας τη δυνατότητα της τεχνητής νοημοσύνης να μεταμορφώσει την ιατρική εντυπωσιακά σύντομα.



Ο αλγόριθμος μπορεί να εξετάσει τις εικόνες του αμφιβληστροειδούς και να ανιχνεύσει τη διαβητική αμφιβληστροειδοπάθεια—η οποία επηρεάζει σχεδόν το ένα τρίτο των ασθενών με διαβήτη—καθώς και ένας άριστα εκπαιδευμένος οφθαλμίατρος μπορεί. Χρησιμοποιεί την ίδια τεχνική μηχανικής μάθησης που χρησιμοποιεί η Google για την επισήμανση εκατομμυρίων εικόνων Ιστού.

Η διαβητική αμφιβληστροειδοπάθεια προκαλείται από βλάβη στα αιμοφόρα αγγεία του οφθαλμού και έχει ως αποτέλεσμα τη σταδιακή επιδείνωση της όρασης. Εάν συλληφθεί έγκαιρα, μπορεί να αντιμετωπιστεί, αλλά ένας πάσχων μπορεί να μην εμφανίσει συμπτώματα νωρίς, καθιστώντας τον έλεγχο ζωτικής σημασίας. Η διάγνωση γίνεται, εν μέρει, με την εξέταση εικόνων του αμφιβληστροειδούς ασθενούς από έναν ειδικό, που έχουν ληφθεί με μια εξειδικευμένη συσκευή, για σημεία αιμορραγίας και διαρροής υγρού.





μελέτες για την απάτη των ψηφοφόρων

Κάποια μορφή αυτοματοποιημένης ανίχνευσης θα μπορούσε να καταστήσει τη διάγνωση πιο αποτελεσματική και αξιόπιστη και θα μπορούσε να είναι ιδιαίτερα χρήσιμη σε περιοχές όπου η απαιτούμενη τεχνογνωσία είναι σπάνια. Ένα από τα πιο ενδιαφέροντα πράγματα σχετικά με αυτήν την προσέγγιση μηχανικής μάθησης είναι ότι έχει τη δυνατότητα να βελτιώσει την αντικειμενικότητα και τελικά την ακρίβεια και την ποιότητα της ιατρικής περίθαλψης, λέει Μάικλ Τσιάνγκ , καθηγητής οφθαλμολογίας και κλινικός στο Ινστιτούτο Casey Eye University του Oregon Health & Science University.

23 και εγώ ΗΠΑ

Η τεχνητή νοημοσύνη είχε ανάμικτη επιτυχία στην ιατρική στο παρελθόν. Συστήματα που χρησιμοποιούν μια βάση δεδομένων γνώσης για να προσφέρουν συμβουλές έχει αποδειχθεί ότι ξεπερνούν τους γιατρούς σε ορισμένες ρυθμίσεις, αλλά υπήρξε περιορισμένη αποδοχή. Ωστόσο, η δύναμη της μηχανικής μάθησης —ειδικά μιας τεχνικής γνωστής ως βαθιάς μάθησης, μπορεί να κάνει την τεχνητή νοημοσύνη πιο κοινή στο μέλλον (βλ. 10 Breakthrough Technologies 2013: Deep Learning ). Μια ομάδα στο Google DeepMind, μια θυγατρική της Alphabet που επικεντρώνεται αποκλειστικά στην τεχνητή νοημοσύνη, κάνει παρόμοια εργασία , εκπαιδεύει υπολογιστές να επεξεργάζονται σαρώσεις οπτικής τομογραφίας συνοχής για σημεία εκφύλισης ωχράς κηλίδας και άλλες ασθένειες των ματιών σε συνεργασία με ερευνητές στο Moorfields Eye Hospital στο Λονδίνο (βλ. DeepMind's First Medical Research Gig Will Use AI to Diagnose Eye Disease).

Αυτή η έρευνα εικόνας αμφιβληστροειδούς, που δημοσιεύθηκε την Τρίτη, σημάδεψε το πρώτη φορά μια εργασία για τη βαθιά μάθηση έχει εμφανιστεί στο Εφημερίδα της Αμερικανικής Ιατρικής Ένωσης , σύμφωνα με τον αρχισυντάκτη του περιοδικού, Howard Bauchner.



Οι συντάκτες της εργασίας, αποτελούμενοι από επιστήμονες υπολογιστών της Google και ιατρικούς ερευνητές από τις ΗΠΑ και την Ινδία, ανέπτυξαν έναν αλγόριθμο για την ανάλυση των εικόνων του αμφιβληστροειδούς. Αλλά σε αντίθεση με το υπάρχον λογισμικό οφθαλμολογίας, δεν ήταν ρητά προγραμματισμένο να αναγνωρίζει χαρακτηριστικά σε εικόνες που θα μπορούσαν να υποδεικνύουν την ασθένεια. Απλώς κοίταξε χιλιάδες υγιή και άρρωστα μάτια και κατάλαβε μόνος του πώς να εντοπίσει την πάθηση.

Οι ερευνητές δημιούργησαν ένα εκπαιδευτικό σετ 128.000 εικόνων αμφιβληστροειδούς που ταξινομήθηκαν από τουλάχιστον τρεις οφθαλμίατρους. Αφού εκπαιδεύτηκε ο αλγόριθμος, οι ερευνητές δοκίμασαν την απόδοσή του σε 12.000 εικόνες και διαπίστωσαν ότι ταίριαζε ή υπερέβαινε τις επιδόσεις των ειδικών στον εντοπισμό της πάθησης και τη βαθμολόγηση της σοβαρότητάς της.

επερχόμενα ακουστικά vr 2018

Οι ερευνητές της Google συνεργάστηκαν με επιστήμονες στο Ίδρυμα Ιατρικών Ερευνών Aravind στην Ινδία, όπου βρίσκεται σε εξέλιξη μια κλινική δοκιμή με πραγματικούς ασθενείς. Αυτό το έργο περιλαμβάνει ασθενείς που λαμβάνουν μια κανονική διαβούλευση, αλλά οι εικόνες τους τροφοδοτούνται επίσης στο σύστημα βαθιάς μάθησης για σύγκριση. Η Lily Peng, ερευνήτρια στη Google και γιατρός που συμμετείχε στο έργο, λέει ότι τα αποτελέσματα αυτής της δοκιμής δεν είναι ακόμη έτοιμα για δημοσίευση.

Η βαθιά μάθηση θα μπορούσε να εφαρμοστεί σε πολλούς διαφορετικούς τομείς της ιατρικής που βασίζονται στην ανάλυση εικόνας, όπως η ακτινολογία και η καρδιολογία. Όμως, μία από τις μεγαλύτερες προκλήσεις θα είναι η παροχή πειστικών αποδείξεων ότι τα συστήματα είναι αξιόπιστα. Μπρένταν Φρέι , ένας καθηγητής στο Πανεπιστήμιο του Τορόντο και ο Διευθύνων Σύμβουλος και συνιδρυτής μιας εταιρείας τηλεφώνησε Βαθιά Γονιδιωματική , προειδοποιεί ότι οι ερευνητές θα χρειαστεί να αναπτύξουν συστήματα μηχανικής μάθησης που να είναι ικανά να εξηγήσουν πώς κατέληξαν σε ένα συγκεκριμένο συμπέρασμα (βλ. Πρόβλημα γλώσσας της AI).



Η Peng, της Google, λέει ότι αυτό είναι κάτι πάνω στο οποίο εργάζεται ήδη η ομάδα της. Καταλαβαίνουμε ότι η εξήγηση θα είναι πολύ σημαντική, λέει.

κρύβω

Πραγματικές Τεχνολογίες

Κατηγορία

Χωρίς Κατηγοριοποίηση

Τεχνολογία

Βιοτεχνολογία

Τεχνική Πολιτική

Την Αλλαγή Του Κλίματος

Άνθρωποι Και Τεχνολογία

Silicon Valley

Χρήση Υπολογιστή

Περιοδικό Mit News

Τεχνητή Νοημοσύνη

Χώρος

Έξυπνες Πόλεις

Blockchain

Feature Story

Προφίλ Αποφοίτων

Σύνδεση Αποφοίτων

Δυνατότητα Ειδήσεων Mit

1865

Η Θέα Μου

77 Mass Ave

Γνωρίστε Τον Συγγραφέα

Προφίλ Στη Γενναιοδωρία

Βλέπεται Στην Πανεπιστημιούπολη

Επιστολές Αποφοίτων

Νέα

Εκλογές 2020

Με Ευρετήριο

Κάτω Από Τον Θόλο

Πυροσβεστική Μάνικα

Άπειρες Ιστορίες

Πανδημικό Τεχνολογικό Έργο

Από Τον Πρόεδρο

Θέμα Εξώφυλλου

Φωτογραφίες

Συνιστάται