ככל שהלמידה המכונה מתקדמת, היישומים שלה כוללים אבחונים רפואיים מהירים ומדויקים יותר. Shutterstock
כאשר AlphaGo של גוגל DeepMind הביס בצורה מזעזעת את שחקן ה- Go האגדי לי סדול בשנת 2016, המונחים בינה מלאכותית (AI), למידת מכונה ולמידה עמוקה הוזנקו למיינסטרים הטכנולוגי.
BBC Newsnight: AlphaGo והעתיד של בינה מלאכותית.
{youtube] 53YLZBSS0cc {/youtube}
AI מוגדר בדרך כלל כיכולתו של מחשב או מכונה להציג או לדמות התנהגות אינטליגנטית כגון המכונית של טסלה לנהיגה עצמית ו העוזרת הדיגיטלית של אפל סירי. זהו תחום משגשג ומוקד מחקר והשקעה רבים. למידת מכונה היא היכולת של מערכת AI לחלץ מידע מנתונים גולמיים וללמוד לנבא נתונים חדשים.
למידה עמוקה משלבת בינה מלאכותית עם למידת מכונה. הוא עוסק באלגוריתמים בהשראת מבנה ותפקוד המוח הנקראים רשתות עצביות מלאכותיות. למידה מעמיקה זכתה לתשומת לב רבה לאחרונה הן בעולם הצרכנות והן ברחבי הקהילה הרפואית.
העניין בלמידה מעמיקה עלה עם ההצלחה של AlexNet, רשת עצבית שתכנן אלכס קריז'בסקי שזכתה ב- אתגר זיהוי חזותי בקנה מידה גדול 2012, תחרות סיווג תדמית שנתית.
התקדמות נוספת יחסית יחסית היא השימוש ביחידות עיבוד גרפיות (GPUs) להפעלת אלגוריתמים של למידה עמוקה. מעבדי GPU מצטיינים בחישובים (ריבוי ותוספות) הדרושים ליישומי למידה עמוקה, ובכך מקטינים את זמן עיבוד האפליקציות.
במעבדה שלנו באוניברסיטת ססקצ'ואן אנו עושים מחקר למידה מעמיקה מעניין הקשור ליישומי בריאות - וכפרופסור להנדסת חשמל ומחשבים אני מוביל את צוות המחקר. בכל הנוגע לטיפול רפואי, השימוש ב- AI או למידת מכונה לצורך אבחון הוא חדש, והייתה התקדמות מרגשת ומבטיחה.
חילוץ כלי דם בעין
גילוי כלי דם חריגים ברשתית שימושי לאבחון סוכרת ומחלות לב. על מנת לספק פרשנויות רפואיות מהימנות ומשמעותיות, יש לחלץ את כלי הרשתית מתדמית הרשתית לצורך פירושים מהימנים ומשמעותיים. למרות שפילוח ידני אפשרי, מדובר במשימה מורכבת, גוזלת זמן ומייגע אשר דורשת כישורים מקצועיים מתקדמים.
צוות המחקר שלי פיתח מערכת שיכולה לפלח כלי דם ברשתית פשוט על ידי קריאת תמונה גלויה של הרשתית. זה מערכת אבחון בעזרת מחשב שמפחיתה את העבודה הנדרשת על ידי מומחים לטיפול בעיניים ורופאי עיניים, ומעבד תמונות מהר פי 10, תוך שמירה על דיוק גבוה.
איתור סרטן ריאות
טומוגרפיה ממוחשבת (CT) נמצאת בשימוש נרחב לאבחון סרטן ריאות. אולם מכיוון שמייצגים חזותיים של נגעים שפירים (לא סרטניים) וממאירים (סרטניים) בסריקות CT דומים, בדיקת CT לא תמיד יכולה לספק אבחנה מהימנה. זה נכון אפילו לרדיולוג בית החזה בעל ניסיון רב שנים. הצמיחה המהירה של ניתוח בדיקת CT יצר צורך דחוף בכלי חישוב מתקדמים שיסייעו לרדיולוגים בהתקדמות הסינון.
כדי לשפר את ביצועי האבחון של הרדיולוגים, הצענו פתרון למידה עמוקה. בהתבסס על ממצאי המחקר שלנו, הפתרון שלנו עולה על רדיולוגים מנוסים. יתר על כן, שימוש בפתרון מבוסס למידה מעמיק משפר את ביצועי האבחון באופן כללי ורדיולוגים עם פחות ניסיון מרוויחים יותר מהמערכת.
צילום מסך של התוכנה לאיתור סרטן ריאות. Seokbum Ko, מחבר מסופק
מגבלות ואתגרים
למרות שהובטחה הבטחה גדולה עם אלגוריתמים של למידה עמוקה במגוון משימות ברחבי הרדיולוגיה והרפואה, מערכות אלה רחוקות מלהיות מושלמות. השגת מערכי נתונים מובארים באיכות גבוהה תישאר אתגר להכשרת למידה מעמיקה. רוב המחקר על ראיית מחשב מבוסס על תמונות טבעיות, אך עבור יישומי בריאות, אנו זקוקים למערכות נתונים גדולות של תמונות רפואיות.
אתגר נוסף מבחינה קלינית יהיה הזמן לבחון עד כמה טכניקות למידה עמוקה מבצעות בניגוד לרדיולוגים אנושיים.
צריך להיות שיתוף פעולה רב יותר בין רופאים למדעני למידת מכונות. רמת המורכבות הגבוהה של הפיזיולוגיה האנושית תהווה גם אתגר לטכניקות למידת מכונה.
אתגר נוסף הוא הדרישות לאימות מערכת למידה עמוקה ליישום קליני, מה שכנראה ידרוש שיתוף פעולה רב מוסדי ומערכי נתונים גדולים. לבסוף, נדרשת פלטפורמת חומרה יעילה על מנת להבטיח עיבוד מהיר של מערכות למידה עמוקה.
בעולם הבריאות המורכב, כלי AI יכולים לתמוך בעוסקים אנושיים במתן שירות מהיר יותר ואבחונים מדויקים יותר, ולנתח נתונים כדי לזהות מגמות או מידע גנטי שעשוי לנטות מישהו למחלה מסוימת. כאשר שמירת דקות יכולה להיות המשמעות של הצלת חיים, AI ולמידת מכונות עשויות להיות טרנספורמטיביות עבור עובדי בריאות וחולים.
על המחבר
Seokbum Ko, פרופסור, אוניברסיטת ססקצ 'ואן
מאמר זה פורסם מחדש מתוך שיחה תחת רישיון Creative Commons. קרא את ה מאמר מקורי.
ספרים קשורים
at InnerSelf Market ואמזון
