2018. 07. 09. - 09:50
Orvosi diagnózisokat gyorsíthat még tovább az MI és a röntgen
Valós potenciál van a mesterséges intelligenciában: az orvosi diagnózisok sebességét és pontosságát egyaránt felgyorsíthatja. A tudósok most a röngtenfelvételek felismerésére tanítják az algoritmust.
Még hatékonyabb lehet a mesterséges intelligencia az orvoslásban. Az eddig sem volt titok, hogy képes jelentősen gyorsítani a diagnózisok sebességén és pontosságán – ám a szakemberek nem alkalmazták egészségügyi állapotok röntgenképek alapján történő azonosításra, amíg úgy nem érzik, sikerült megtanítani az algoritmusnak, mit keressen a képeken.
A ritka patológiás esetek azonosítása a kutatók számára tartós kihívást jelent, mivel a felvételek nem tökéletesek – ezeket kellene használni a mesterséges intelligencia-rendszerek tanításához is.
Shahrokh Valaee, a Torontói Egyetem Edward S. Rogers Sr. Department of Electrical & Computer Engineering (ECE) tanszékének professzora elmondta: bizonyos értelemben gépi tanulást használnak a gépi tanítás elvégzéséhez.
„Olyan, szimulált röntgensugarakat hozunk létre, amelyek ritka körülményeket tükröznek - ezt követően tudjuk kombinálni őket a valódi röntgensugarakkal – így kellően kielégítő adatbázisunk lesz, hogy megtanítsuk a neurális hálózatot azonosítani a röntgenfelvételeken látható állapotokat.”
Valaee professzor a Machine Intelligence in Medicine Laboratórium (MIMLab) tagja, mely orvosokból, tudósokból és mérnök kutatókból áll. Vegyítik a mesterséges intelligenciát az orvostudománnyal, valamint szakértelmüket a képfeldolgozás terén ahhoz, hogy számos egészségügyi kihívásra megoldást találjanak.
A mesterséges röntgensugarak létrehozásához a kutatócsoport ún. mély konvolúciós generatív kontraszívhálót (DCGAN) alkalmazott, egy új Mi-technikát – ezzel generálják, illetve folyamatosan javítják a szimulált képeket.
A GAN-ok algoritmus típusok, melyek két hálózatból állnak össze. Az egyik létrehozza a képeket, a másik pedig igyekszik megkülönböztetni a valódiakat a szintetikus felvételektől.
A kétféle hálózatot arra tanítják, hogy a diszkriminátor nem tudja megkülönböztetni a valódiakat a a szintetizált formáktól. Ha egyszer már elegendő számú mesterséges röntgensugarat hoztak létre, azokat kombinálják az igaziakkal, hogy eddzék a mély konvolúciós neurális hálózatot, mely ezután képes normálisként osztályozni a felvételt vagy megállapítani rajta bizonyos állapotokat.
A MIMLab az augmentált adatsorok pontosságát az eredetiekhez hasonlította, miközben a mesterséges intelligencia-rendszert tanította – s kiderült, hogy az osztályozás pontossága 20 százalékkal javult a gyakori állapotok esetében. A ritka egészségügyi esteknél pedig 40 százalékkal lett jobb a felismerés.
A kutatók nagyon izgatottak, hiszen sikerült leküzdeni egy akadályt, úgy néz ki, sikerrel járnak a mesterséges intelligencia ezen területen történő alkalmazásában is.
A mély tanulás egyébként csak akkor működik, ha a képzési adatok kellő mennyiségben állnak rendelkezésre.
László Adrienn
