När Google DeepMinds AlphaGo chockerande besegrade den legendariske Go-spelaren Lee Sedol 2016, termerna artificiell intelligens (AI), maskininlärning och djupinlärning drevs in i den tekniska mainstreamen.

AI definieras generellt som kapaciteten för en dator eller maskin att uppvisa eller simulera intelligent beteende som Teslas självkörande bil och Apples digitala assistent Siri. Det är ett blomstrande område och fokus för mycket forskning och investeringar. Maskininlärning är förmågan hos ett AI-system att extrahera information från rådata och lära sig att göra förutsägelser från ny data.

Deep learning kombinerar artificiell intelligens med maskininlärning. Det handlar om algoritmer inspirerade av hjärnans struktur och funktion som kallas artificiella neurala nätverk. Deep learning har fått mycket uppmärksamhet på sistone både i konsumentvärlden och i hela det medicinska samhället.

Intresset för djupinlärning ökade med framgången med AlexNet, ett neuralt nätverk designat av Alex Krizhevsky som vann 2012 ImageNet Large Scale Visual Recognition Challenge, en årlig bildklassningstävling.

En annan relativt ny framgång är användningen av grafiska bearbetningsenheter (GPU) för att driva algoritmer för djupinlärning. GPU:er utmärker sig vid beräkningar (multiplikationer och tillägg) som behövs för tillämpningar för djupinlärning, vilket minskar ansökningshandläggningstiden.

I vårt labb vid University of Saskatchewan gör vi intressant djupinlärningsforskning relaterad till hälsovårdstillämpningar - och som professor i elektro- och datorteknik, Jag leder forskargruppen. När det gäller sjukvård, att använda AI eller maskininlärning för att ställa diagnoser är nytt, och det har varit spännande och lovande framsteg.

Extrahera blodkärl i ögat

Att upptäcka onormala retinala blodkärl är användbart för att diagnostisera diabetes och hjärtsjukdomar. För att ge tillförlitliga och meningsfulla medicinska tolkningar, retinala kärlet måste extraheras från en retinal bild för tillförlitliga och meningsfulla tolkningar. Även om manuell segmentering är möjlig, det är ett komplex, tidskrävande och tråkig uppgift som kräver avancerad yrkeskunskap.

Mitt forskarteam har utvecklat ett system som kan segmentera näthinnans blodkärl helt enkelt genom att läsa en rå näthinnebild. Det är ett datorstödt diagnossystem som minskar det arbete som ögonvårdsspecialister och ögonläkare kräver, och behandlar bilder 10 gånger snabbare, med bibehållen hög noggrannhet.

Upptäcker lungcancer

Datortomografi (CT) används ofta för diagnos av lungcancer. Dock, eftersom visuella representationer av godartade (icke-cancerösa) och maligna (cancerösa) lesioner i CT-skanningar är liknande, en datortomografi kan inte alltid ge en tillförlitlig diagnos. Detta gäller även för en thoraxradiolog med många års erfarenhet. Den snabba tillväxten av CT-skanningsanalyser har skapat ett stort behov av avancerade beräkningsverktyg för att hjälpa radiologer med screeningframstegen.

För att förbättra radiologernas diagnostiska prestanda, vi har föreslagit en lösning för djupinlärning. Baserat på våra forskningsresultat, vår lösning överträffar erfarna radiologer. Dessutom, att använda en djupinlärningsbaserad lösning förbättrar den diagnostiska prestandan överlag och radiologer med mindre erfarenhet drar mest nytta av systemet.

Begränsningar och utmaningar

Även om mycket lovande har visats med algoritmer för djupinlärning i en mängd olika uppgifter inom radiologi och medicin, dessa system är långt ifrån perfekta. Att erhålla högkvalitativa kommenterade datauppsättningar kommer att förbli en utmaning för djupinlärningsträning. Den mesta forskningen om datorseende baseras på naturliga bilder, men för vårdtillämpningar, vi behöver stora annoterade medicinska bilduppsättningar.

En annan utmaning ur klinisk synvinkel blir tiden att testa hur väl djupinlärningstekniker presterar i motsats till mänskliga radiologer.

Det behöver bli mer samarbete mellan läkare och maskininlärningsforskare. Den höga graden av komplexitet i mänsklig fysiologi kommer också att vara en utmaning för maskininlärningstekniker.

En annan utmaning är kraven för att validera ett djupinlärningssystem för klinisk implementering, vilket sannolikt skulle kräva multiinstitutionellt samarbete och stora datamängder. Till sist, Det krävs en effektiv hårdvaruplattform för att säkerställa snabb bearbetning av system för djupinlärning.

I sjukvårdens komplexa värld, AI-verktyg kan stödja mänskliga utövare för att ge snabbare service och mer exakta diagnoser, och analysera data för att identifiera trender eller genetisk information som kan predisponera någon för en viss sjukdom. När att spara minuter kan innebära att rädda liv, AI och maskininlärning kan vara transformerande för vårdpersonal och patienter.

Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln.