Microsoft Asya Araştırma Başkan Yardımcısı Zhang Yizhao: Tıbbi Görüntülemede Zayıf Denetlenen Öğrenmenin Keşfi CCF-GAIR 2018
Leifeng.com'un notu: 2018 Küresel Yapay Zeka ve Robotik Zirvesi (CCF-GAIR) Shenzhen'de düzenlendi.Zirve, Leifeng.com ve Hong Kong Çin Üniversitesi (Shenzhen) ev sahipliğinde Çin Bilgisayar Topluluğu (CCF) ev sahipliğinde gerçekleştirildi ve Baoan Bölge Hükümeti'nden güçlü rehberlik aldı. Yerli yapay zeka ve robotik, akademi, endüstri ve yatırım olmak üzere üç ana alanda üst düzey bir değişim etkinliği ve yerli yapay zeka alanında en güçlü sınır ötesi değişim ve işbirliği platformunu oluşturmayı hedefliyor.
CCF-GAIR 2018, 1 ana mekan ve 11 özel oturum (biyonik robotlar, robotik endüstrisi uygulamaları, bilgisayarla görme, akıllı güvenlik, finansal teknoloji, akıllı sürüş, NLP, AI +, AI çipleri, Zengin IoT platformu (yatırımcılar), üretim, eğitim ve araştırmanın farklı boyutlarından üç sektörden katılımcılara toplantı içeriği ve yerinde deneyimin daha ileriye dönük ve pratik bir kombinasyonunu sunmayı amaçlamaktadır.
Konferansın ikinci gününde gerçekleştirilen bilgisayarla görme özel oturumu, video gözetimi ve tıbbi görüntülemenin iki yarısına bölünerek, iki alandaki birçok büyük ismi bir araya getirdi. Öğleden sonra tıbbi görüntülemede, Microsoft Asya Araştırma Araştırma Başkan Yardımcısı Dr. Yizhao Zhang, "Tıbbi Görüntülemede Zayıf Denetimli Öğrenmenin Keşfi" başlıklı harika bir konuşma yaptı.
Dr. Zhang Yizhao, 2000 civarında doğan insanların yarısından fazlasının 100 yıldan fazla yaşayacağına dair bir rapor aktardı. Bu, nüfusun yaşlanmasını şiddetlendirecek ve tıbbi harcamaları artıracaktır. Tıbbi verimliliği artıracak ve tıbbi maliyetleri azaltacak yeni bir teknoloji yoksa, toplum dayanılmaz olacaktır.
Son iki yılda yapay zeka teknolojisinin ateşi yardımcı oldu. Bununla birlikte, yapay zeka modellerini eğitmek, büyük miktarda veriye açıklama eklemeyi gerektirir.Tıbbi görüntü verilerine açıklama ekleyebilen uzmanlar çok azdır ve zaman maliyeti de yüksektir. Bu nedenle, Microsoft Research Asia, kullanılabilecek veri miktarını artırmak için zayıf denetimli öğrenme yöntemlerini kullanmaya çalıştı ve iyi sonuçlar elde etti.
Dean Zhang, Microsoft Research Asia'nın yapay zekanın yaygınlaşmasını teşvik etmeyi umduğunu ancak bu sürecin çeşitli ortaklarla işbirliği gerektirdiğini söyledi. Ortakların önce bol miktarda veri kaynağına, ikinci olarak da yeterli sabra ve samimiyete sahip olması gerektiğini umuyor. Çünkü tıbbi sorunları çözmek için yapay zeka kullanmak teknik olarak mümkün ancak hastaneye ulaşmak uzun bir süreç.
Leifeng.com'un orijinal niyetini değiştirmediği Dean Zhang Yizhao'nun tüm harika konuşmalarının içeriği aşağıdadır:
Organizatöre, Microsoft'un tıbbi görüntüleme alanındaki keşfini tanıtma fırsatı sağladığı için teşekkür ederiz.
Bugünkü konuşmam üç bölüme ayrılıyor: Birincisi, tıbbi alanda makine öğrenimi ve yapay zeka fırsatlarını tanıtın; ikincisi, geçmişte zayıf denetlenen öğrenmede kullandığımız bir algoritmayı ve tıbbi görüntüleme alanında neden özellikle etkili olduğunu tanıtın; son olarak, Pekin, Hindistan ve Cambridge'deki meslektaşları tarafından yapılan bazı vakalar dahil olmak üzere Microsoft'un tıbbi görüntüleme alanındaki pratik vakalarını tanıtın.
Umarım bugün size kısa sürede bir izlenim verebilirim ve Microsoft'un tıbbi bakım ve yapay zekanın tıbbi bakımda uygulanması konusundaki görüşlerini anlamanıza izin veririm.
Tıp alanında yapay zeka fırsatları
Önce iyi bir haberi paylaşın. Kaba istatistiklere göre, bugün izleyicilerin% 70-80'i 90'larda veya çocukları 90'larda doğmuş. Tıbbi araştırma yaparken, tıbbi gelişimin hızına göre 2000 civarında doğan insanların yarısından fazlasının 100 yıldan fazla yaşayacağını söyleyen bir rapor gördüm. Bu çok dikkate değer bir başarı olacak ve bunu dört gözle bekliyorum. Bu iyi haberi görünce çok heyecanlandım ve merak ettim, bu yüzden bu makalenin arkasındaki akademik makaleye baktım.
2009'da İngiliz "Lancet" dergisinde yayınlanan bir makale gördüm ve başlığı "Future Challenges" idi. İnsanların yarısından fazlası gelecekte 100 yılı aşacak şekilde yaşarsa, sosyal tıp sistemi için çok büyük bir zorluk olacaktır. Nüfusun yaşlanması zaten çok ciddidir Genel olarak konuşursak, kişi ne kadar yaşlıysa, tıbbi maliyet o kadar yüksek olur. İnsanların yarısından fazlası 100 yaşın üzerinde yaşıyorsa ve daha iyi tıbbi yöntemlere sahip değilsek, bu topluma büyük maliyetler getirecektir. Tıbbi araştırmaya ilk başladığımızda, her yıl ABD GSYİH'sinin yaklaşık% 14'ü tıbbi bakıma harcanıyordu, şimdi bu oran% 18'e yükseldi, bu da gitgide artıyor. Bu eğilim devam ederse toplum buna dayanamayacaktır. Bu sorunu çözmenin teknolojiye dayanması gerektiğine inanıyoruz. Yeni teknoloji yoksa herkes için iyi tıbbi koşullar sağlamak imkansızdır, böylece herkes 100 yaşına kadar sağlıklı ve mutlu yaşayabilir.
Tıp alanında bir örnek vereyim - patolojik dilimlerin yorumlanması Bu özellikle Çin'de büyük bir zorluktur. Çin'de 100.000 kişi başına ikiden az patolog var, Amerika Birleşik Devletleri'nde 100.000 kişi başına 50'den fazla patolog var ve Japonya'da 100.000 kişi başına 10'dan fazla patolog var. Diğer bir deyişle, Çin'de patolog sıkıntısı var. Patoloğun ne yapması gerektiğine bakalım: Bir kişi ne yazık ki bir akciğer tümöründen muzdaripse, patolog dilimini 20 veya 30 parçaya bölecek ve sonra ne tür bir hastalık ve ne tür bir hastalık olduğunu dikkatlice gözlemleyecektir. A, B ve C tipi lezyonların yüzdesi nedir? Bu iş zaman alıcıdır ve bu tür profesyonelleri eğitmek de zordur. Bu görevlerde doktorlara yardımcı olması için bilgisayarları kullanabilirsek, onları daha verimli hale getirebilir miyiz?
Zayıf denetimli öğrenme
Bu yüzden, beni bir sonraki konu olan zayıf denetimli öğrenime götüren makine öğrenimini önerdik. Neden zayıf denetimli öğrenmeden bahsediyorsunuz? Patolojik bir bölümle karşı karşıya kaldığımızda, genellikle üç hedefimiz vardır: sınıflandırma, kesme veya kümeleme. Patolojik resimler genellikle çok büyüktür Patolojik bir resim 50.000 X 50.000 piksel veya daha büyük boyutlara ulaşabilir. Modeli eğitmenin üç yolu vardır: biri patolojik resimler için zor olan etiketler olmadan eğitimdir; diğeri zayıf etiket eğitimi, yani nispeten basit etiket öğrenimi kullanmaktır; üçüncüsü, az önce bahsedilen akciğerler gibi ayrıntılı etiketlerle eğitimdir. Tümör örneği için, her tümör dokusunun durumunu etiketlemeniz gerekir.
İnsanların nasıl öğrendiğini görmek için aşağıda size iki resim göstereyim.
Bu iki resmi birkaç doktorla gördüm ve farkı çabucak keşfettiler: Yukarıdaki resimde turuncu palyaço balığına ek olarak iki tür balık var, siyah beyaz balık da var; aşağıdaki resim farkı gösteriyor Sadece palyaço balığı. Zayıf denetimli öğrenmeyi kullanırken, sisteme iki resim arasında bir fark olduğunu söyleyin, farkı açıklamadan, bırakın kendi başına öğrenmesine izin verin. Bu şekilde etiketleme işi çok daha azdır.
Patolojik bölüm örneğine geri dönersek, aşağıdaki resimde hem kanser hücreleri hem de normal hücreler var: üst kısım kanser hücresi ve alt kısım normal hücredir. Daha önce de belirtildiği gibi, sadece bu iki tür resmi sağlamamız gerekiyor ve sistem tüm kanser hücreleri ile normal hücreler arasındaki sınırı çizmeden öğrenebilir. Bunun avantajı, Çin'de patolog sıkıntısı olması ve bu görüntülerin sınırlarını belirlemenin onlar için çok fazla çalışma ve zor olmasıdır. Şimdi sadece kanser hücrelerinin olup olmadığını işaretlemeniz gerekiyor, nispeten kolaydır. Zayıf bir şekilde denetlenen öğrenmenin avantajı, etiketlemenin iş yükünü azaltırken verilerin tam ve etkili kullanımında yatmaktadır.
Henüz derinlemesine öğrenmenin olmadığı 2012 yılından beri bu zayıf denetimli öğrenme yöntemini kullanıyoruz. İşte zayıf denetimli öğrenme ile derin öğrenmeyi birleştiren yeni bir araştırma sonucu. Eğer ilgileniyorsanız, lütfen geçen yıl Kasım ayında yayınlanan makalemize bakın.
Bu yöntemin temel konsepti, üstte normal hücreler ve altta kanser hücreleri olmak üzere iki sınıflandırıcı yetiştirmektir. Bir hücrenin kanser hücresi mi yoksa normal bir hücre mi olduğunu bize piksel düzeyinde söylemesi için sınıflandırıcıyı otomatik olarak eğitmeyi umuyoruz. Resimdeki hücrelerin kanserli olup olmadığını saydıktan sonra aşağıdaki şekildeki eğitim denklemine koyuyoruz.
Aşağıda nispeten eksiksiz bir mimari diyagramı var, biz sadece birkaç katmanı ayırmadık, aynı zamanda Alan Kısıtlamalarını da kullandık.
Az önce bahsedilen sınıflandırma yöntemini kullanırsak, bir resimdeki alanın% 10'u kanser hücreleri veya alanın% 60'ı kanser hücreleri olsa da, eğitiminin değerlendirme modeli aynıdır. Bu nedenle, giderek daha fazla hücreyi kanser hücreleri olarak tedavi etme eğilimindedir. Daha iyi sonuçlar almaya devam ederken ek açıklama miktarını azaltmaya devam edebilir miyiz diye düşündük. Böylece Area Constraints'e katıldık. Doktorun, kanser hücrelerinin nerede olduğunu işaretlemek yerine, alanın% 10,% 20 veya% 30'unun kanser hücreleri olup olmadığını tahmin etmesi gerekir, bu da iş yükünü azaltır. İki doktordan bir açıklama yapmalarını istedik.Ek açıklama sonuçları tek tip değilse, üçüncü doktordan hangi ek açıklama sonucunun doğru olduğunu sorun.
Aşağıdaki şekildeki veritabanı, Microsoft Asya Araştırma Enstitüsü ile Zhejiang Üniversitesi arasındaki bir işbirliğidir.Eğitim için kolorektal kanserin bazı görüntülerini kullanır Yaklaşık 600 eğitim verisi ve 200 test verisi vardır.
Bu yöntemi deneyelim ve sonuçları görelim. Aşağıdaki şekildeki kırmızı etiket, zayıf bir şekilde denetlenen öğrenmenin sonucudur, endeksi manuel ayrımcılığa benzer ve çok sayıda etiketleme eğitiminin sonucuna benzer. Bu yöntemle, eğitim için daha fazla veri kullanabileceğimizi umuyoruz - başlangıçta yalnızca bir veya iki yüz, ancak şimdi birkaç bin veri kullanabiliriz - bir yandan da veri ek açıklama maliyetini büyük ölçüde azaltır.
Aşağıdaki şekil sonuçlarımızı da gösterir: ikinci sütun doktor tarafından işaretlenen sonuçtur ve en sağdaki sütun sistemimiz tarafından işaretlenen sonuçtur. Kanser hücreleri olduğu sürece sistemin temelde onları bulduğu tespit edilebilir. 2012'de derin öğrenmeyi kullanmadığımızda elde ettiğimiz etki budur ve son beş yılda çok ilerleme kaydettik.
Aşağıdaki şekilde, eğitim verisi miktarını% 20 -% 100 arasında değiştirdik. Ne kadar çok veri olursa, etki o kadar iyi olur.
Aşağıdaki resim, Alan Kısıtlamalarına katılmadan önceki ve sonraki karşılaştırmadır. Alan Kısıtlamalarına katılmadan önce, sistem hücrelerin çoğunu kanser hücreleri olarak görüyordu ve bir araya geldikten sonra tüm normal hücreleri kanser hücrelerinden ayırıyordu.
Kısaca özetlemek gerekirse: Bu sistemi, sınırlı etiketlerle tıbbi görüntülerin işlenmesine, sınıflandırılmasına ve kesilmesine yardımcı olmak için uçtan uca bir derin öğrenme yöntemiyle geliştirmeyi umuyoruz. Sözü edilen kolorektal kanserin yanı sıra bu yöntem akciğer kanseri ve rahim ağzı kanseri gibi birçok başka alanda da kullanılabilmektedir. Aynı problemle karşı karşıya oldukları için, açıklama eklenmesi gereken çok fazla veri var. Etiketleme süresi azaltılabilirse, daha fazla veri kullanılabilir.
İşbirliği Davası
Ayrıca, Microsoft Research Asia'da, Bill Gates Vakfı ile işbirliği içinde sıtma uygulaması gibi başka alanlarda da bazı araştırmalar yaptık. Sıtma, her yıl 700.000 ila 800.000 kişi ile her gün yaklaşık 2.000 ölüme eşit olan, hala küresel bir sorundur. Hissetmeyebilirsiniz çünkü sıtma çoğunlukla gelişmemiş bölgelerde görülür.
Bill Gates Vakfı, yoksul kırsal alanlarda sıtmanın teşhisine yardımcı olmak için cam diyaframları otomatik olarak tarayabilen küçük bir cihaz geliştirmek için bir üreticiyle birlikte çalıştı. Tıp personelinin, diyaframdan istila edilmiş kırmızı kan hücreleri ve sıtma bakterisi örneklerini aramak yerine, diyafram yapmak için kan alması yeterlidir. Bu sistem, sıtma bakterileri tarafından kaç kırmızı kan hücresinin istila edildiğini otomatik olarak tarayabilir ve sıtma bakteri istilasının yoğunluğunu hesaplayabilir. Yoğunluk ne kadar yüksekse, hastalık o kadar ciddi olur. Uzun süreli tedavide, yoğunluktaki değişiklikleri gözlemlemek için bu yöntemi kullanabiliriz. Diyaframın birçok katmanı varsa, sistem hangisinin en doğru olduğunu görmek için yine de otomatik olarak odaklanabilir.
Bazı örnekler aşağıda listelenmiştir. Resmin kırmızı kısmı, çıplak gözle görülmesi zor olan sıtmanın istila ettiği hücrelerdir. Her gün bu kadar çok diyaframa bakmak ve işgal edilen kırmızı kan hücrelerinin sayısını saymak çok yorucu bir iştir. Bu işi yapmak için uzmanlara ihtiyaç var, ancak Afrika ve Latin Amerika'nın ücra kırsal kesimlerinde bu alanda uzman bulmak imkansız. Bu nedenle, bu yöntemle bilgisayarın bu görevleri otomatik olarak tamamlamasına izin vermesini umuyoruz.
Bir beyin tümörü patolojik dilim analizi örneğine bakalım.Beyin tümörü patolojik dilim analizi de büyük bir görevdir. Bir tümör çıkarıldıktan sonra, tümörün hangi tip tümöre ait olduğunu bilmeniz gerekir.Bu, gözlem, kemoterapi veya radyoterapi olsun, prognostik tedavinizi belirler. Patologlar dilimlere bakmalı ve sonra tavsiyelerde bulunmalıdır: Sınıflandırma ve kesme arasında iki büyük zorluk vardır.
Genelde patolojik resimler çok büyük. 2014 yılında zaten bir derin öğrenme sistemi vardı ve o zamanlar hem sınıflandırma hem de kesme için derin öğrenme yöntemlerini kullanmaya karar verdik. Derin öğrenmenin özellikleri içermesi gerekmez, ancak makine öğrenimi yöntemleriyle özellikleri öğrenir. Kullandığımız şey, transfer öğrenme yöntemidir, yani özellikler, patolojik dilimler gibi tıbbi görüntüler üzerinde eğitilmemiştir, ancak ImageNet üzerinde eğitilmiştir. Öyle bile olsa, bu sinir ağı patolojik görüntü bilgilerini çıkarabilir, sınıflandırıcıya gönderebilir ve analiz edebilir.
Aşağıdaki şekil, 2014 yılında bu yöntemi kullanarak elde ettiğimiz, hem sınıflandırma hem de kesimde ilk sırada yer alan sonuçtur. O zamanlar derin öğrenme yeni çıktı.Bu konuda ilk defa derin öğrenmeyi kullandık, ancak sonraki birkaç tanesi işe yaramadı, bu da o zamanki derin öğrenmenin etkisini gösteriyor.
Bir platform şirketi olarak Microsoft, yapay zeka gibi en son teknolojilerin değerini en üst düzeye çıkarmak için farklı alanlardaki uzmanlar ve şirketlerle işbirliği yapmalıdır.
Aşağıdaki resim, İngiltere'deki Cambridge Hastanesinden doktorlarla işbirliği yaptığımız bir görüntü segmentasyon projesini göstermektedir. Bir beyin tümörü hastasının radyoterapiye ihtiyacı varsa, ilk adım tümörü segmentlere ayırmak ve hatta görsel veya işitsel kısımlar gibi bazı normal kısımları işaretlemektir. Bu şekilde, radyoterapi daha hassas olabilir ve diğer hücrelere kazara zarar gelmesini önleyebilir.
Bir keresinde radyoterapi yapan doktora bunu yapmanın ne kadar süreceğini sordum. Bu işin oldukça karmaşık olduğunu ve yaklaşık 30 dakika sürebileceğini söyledi. Tekrar sordum, hasta annen olsaydı, ne kadar sürerdi. Bu durumun üç saat sürebileceğini söyledi. Herkes insan, neden böyle bir fark var? Bu, çoğu durumda doktorların bunu çok uzun süre ve titizlikle yapamayacağını göstermektedir. Bu nedenle, doktorların işlerini daha verimli tamamlamalarına yardımcı olmak için yapay zeka ve makine öğrenimini kullanmayı umuyoruz.
Microsoft ile Hindistan arasındaki başka bir işbirliği örneğine bakalım. Retinadaki şeker ağı lezyonlarını tespit etmek için oküler fundus ekipmanı yapan ve lezyonların ciddiyetini değerlendirmek için erken tarama yapan Hintli bir şirket ile işbirliği yaptık. Şu anda, dünya çapında 20'den fazla ülke bu şirketin ekipmanlarını kullanıyor ve 200.000'den fazla hastayı tedavi ediyor. ABD FDA kısa süre önce bu tür uygulamaları onayladı. Birçok yerli ortağın böyle şeyler yaptığına inanıyorum. Bence teknoloji ne kadar çoksa o kadar iyi.
Hastanın miyopisi olup olmadığını, şiddetli miyopiye dönüşüp dönüşmeyeceğini ve retina dekolmanı olup olmayacağını analiz etmek için Hindistan'daki başka bir kurumla da işbirliği yapıyoruz. Bu kurumda farklı yaşlardaki çocuklar tarafından çekilmiş birçok fundus fotoğrafı bulunmaktadır. Bu fotoğraflara dayanarak makine öğrenimi yapıyoruz ve göz hastalığının kötüleşip kötüleşmeyeceğini tespit etmek için algoritmalar kullanıyoruz.
Tıbbi görüntülemenin yanı sıra, tıbbi bakımı iyileştirmek için yapay zekayı kullanmak için başka fırsatlar var mı? Burada da bazı davalarım var.
Amerika Birleşik Devletleri'nde her yıl 38.000 kişi trafik kazalarında hayatını kaybediyor. Birçok trafik kazası insan faktörlerinden kaynaklanıyor, bu nedenle herkes otonom sürüş konusunda hevesli. Bu insan faktörlerini azaltmak için otonom sürüşü kullanabilirsek, sadece yarı yarıya azaltılsa bile, Amerika Birleşik Devletleri'nde her yıl yaklaşık 20.000 hayat kurtarabilir ki bu da topluma büyük bir katkıdır.
Amerika Birleşik Devletleri'ndeki bir Johns Hopkins ekibi bir araştırma yürüttü.Her yıl Amerikan hastanelerinde yaklaşık 260.000 kişi tıbbi kazalar nedeniyle (çapraz enfeksiyon, kaza sonucu düşme vb. Dahil) ölüyor ve bu da onu kardiyovasküler hastalıklar ve kanserlerden sonra en yaygın üçüncü neden yapıyor. Ölüm nedeni, ölenlerin sayısı araba kazalarının yaklaşık 6 katı. Teknolojiyi bu tür hataları azaltmak için kullanabilirsek, topluma da büyük katkı sağlayacaktır.
Bu konuda da bazı davalarımız var. Örneğin Microsoft, hastane yataklarındaki hastaların davranışlarını video aracılığıyla analiz etmek için Brezilya'daki bir hastaneyle işbirliği yaptı. Hasta yataktaysa ancak güvenlik çiti kaldırılmamışsa, sistem hemşireye kontrol etmesini hatırlatmak için bir alarm çalar. Burada yine zayıf denetimli öğrenmeden bahsetmemiz gerekiyor, çünkü video verilerinin miktarı çok büyük, her çerçevenin etiketlenmesi gerekiyorsa iş yükü çok büyük. Zayıf denetlenen öğrenme yöntemini kullanarak, hastanın yataktan kalkıp kalkmadığını görmek yeterlidir ve her kareyi işaretlemek gerekmez.
Gelecekte, hastanenin karmaşık ortamında, bir ameliyatı yeni tamamlamış bir hastanın çok ileri gidip gitmediği ve birisinin onu alması gerekip gerekmediği gibi daha fazla durumu yargılamak için bilgisayarla görme kullanılabilir. Bu yöntem tıbbi kazaları azaltabilir.
Son olarak, hızlı bir özet: Bazı insanlar, sözde yapay zekanın, görüntü tanıma gibi az miktarda zeka elde etmek için çok sayıda insana dayandığı konusunda şaka yaptı, önce görüntüyü işaretlemek için çok sayıda insan bulmanız gerekiyor. Tıbbi görüntülerin etiketlenmesi profesyonel bilgi gerektirir ve hatta birkaç uzman konsültasyondan sonra nasıl etiketleneceğine karar verebilir.Bu kadar çok etiketleyici bulmak zordur ve etiketleme maliyeti de yüksektir.
Bu nedenle, yetersiz denetlenen öğrenme yöntemleriyle kullanılabilecek veri miktarını artırmayı, makine öğreniminin yeteneklerine tam anlamıyla yer vermeyi ve daha karmaşık ve doğru modeller oluşturmayı umuyoruz.
Benim durumumda bahsedilen patolojik dilimlerden video ayrıştırmaya kadar birçok sahne, veri açıklama çalışmasını azaltmak için benzer desenler kullanabilir. Bu vakalar hakkında, web sitemizde ayrıntılı tanıtımlar var, ziyaret etmeye ve göz atmaya hoş geldiniz.
Gelecekte, tıp alanındaki yapay zekanın değerine tam anlamıyla yer vermek için çeşitli yerlerde farklı şirket ve birimlerle işbirliği yapmayı umuyorum, böylece herkes 100 yaşına kadar sağlıklı yaşayabilir. Teşekkür ederim!
Soru-Cevap oturumunun önemli noktaları şunlardır:
Soru: Koğuşları izlemek için yapay zeka kameraları kullanmaktan bahsettiniz. Şu anda, yalnızca davranışsal gözlem için kullanılmalıdır. Hastanın kalp atışını analiz etmek, nefes almak veya gözlerini açmak gibi daha derinlemesine bir analiz var mı?
Zhang Yizhao: Bu fikir çok iyi ve bunu ortaklarımızla birlikte uygulamamız gerekiyor. Az önce bahsettiğiniz göz kırpma tanıma için, araştırma enstitümüz yüz ifadesi analizi üzerine bazı araştırmalar yaptı. Ruhsal hastalığı olan hastalar için yüz ifadelerindeki değişikliklerle analiz edilebilir ve izlenebilir.
Soru: Microsoft, tıbbi alanda CT veya 3B verilerini işlemek için yapay zeka kullanıyor mu?
Zhang Yizhao: Sahip olmak. İngiliz meslektaşları tarafından yapılan tümörlerin ve sağlıklı dokuların segmentasyonunun üç boyutlu olduğundan az önce bahsetmiştim. Ek olarak, Pekin'de de üç boyutlu olan akciğer nodülü tanıma üzerine araştırmalar yapıyoruz. Bugün sınırlıdır, bu yüzden giriş yok.
Soru: Microsoft Research, esas olarak temel bilimsel araştırmalarla ilgileniyor.Bu teknolojiler dış taraflarla işbirliği yapabilir mi?
Zhang Yizhao: Yapabilmek. Yapay zekayı yaygınlaştırmayı umuyoruz, eğer iyi ortaklarımız varsa, işbirliği yapmaya hazırız. Ortaklar için ihtiyacımız, veri kaynaklarına ve makul beklentilere sahip olmaktır. Çünkü ürün teknik olarak uygulanabilir, ancak hastaneye inmesi uzun bir süreç. Ortaklarımızın samimi istek ve sabırlı olmasını umuyoruz.
Soru: Yeni başlattığınız vakaların çoğu, yüksek kaliteli özel hastanelerde veya büyük kamuya ait A Sınıfı hastanelerde. Özel genel hastaneler veya toplum hastaneleri için tıbbi yapay zeka onlar için değerli mi?
Zhang Yizhao: Sahip olmak. Diyabet gelişimini tespit etmek için ekipman kullanan Hindistan örneğinden az önce bahsetmiştim. Tabandan ve doktor kaynaklarının yetersiz olduğu yerlerde, bu tür yapay zeka daha büyük rol oynar. Aynı şey daha önce bahsettiğim sıtma örneği için de geçerli.
