Son 20 ayda küresel tıp topluluğundaki 11 büyük AI olayının görüntüsü | IEEE Spectrum
Yapay zekanın, özellikle derin öğrenme teknolojisinin olgunluğu, birçok yapay zeka destekli teşhis ürününün piyasada görünmesini sağlamıştır. İnsan genom dizileme teknolojisinin yeniliği, biyomedikal analiz teknolojisinin ilerlemesi ve büyük veri analiz araçlarının ortaya çıkışı, hastalara daha doğru, verimli ve güvenli teşhis ve tedavi sağlar.
Alpha Dog, 2016'dan beri Go oyununda insan zekasını yendi, yapay zekanın insanları yenip yenemeyeceği veya hatta yerini alacağı konusu bir kez daha zirvede oldu. Tıp alanı da yapay zeka uygulamalarının sıcak bir alanı olarak kaçınılmazdır. Bir süre için, AI ve doktor keskin bir zıt taraftaydı.
IEEE Spectrum, 2018 Yeni Yılının başında, tıp alanında yapay zekanın Mayıs 2016'dan günümüze kadar olan ilerlemesini sayan ve büyük segmentlerdeki yapay zeka ile insan doktorlar arasındaki boşluğu karşılaştıran özel bir sayı olan "Yapay Zekaya Karşı Doktorlar" ı yayınladı. Aşağıda, Leifeng.com sizi araştırma ekibi tarafından geçen yıl yapılan büyük atılımları görmeye ve yapay zekanın doktorlarla karşılaştırılabilir olduğu ve hangi alanların hala eksik olduğu alanları sıralayacak.
Wu Enda'nın ekibi pnömoniyi tanımlamak için CNN algoritması kullanıyor
Yalnızca Amerika Birleşik Devletleri'nde, her yıl 1 milyondan fazla yetişkin zatürre nedeniyle hastaneye kaldırılıyor ve 50.000 kişi bu hastalıktan ölüyor.
Tanınmış derin öğrenme uzmanı Wu Enda ve Stanford Üniversitesi'ndeki ekibi tıp alanında çok çalışıyor. Wu Enda'nın ekibi CheXNet adlı yeni bir teknoloji önerdi. Araştırmacılar şunları söyledi: Yeni teknoloji, akciğer röntgeni görüntülerinde pnömoni gibi hastalıkları tanımlama doğruluğunda insan profesyonel doktorları geride bıraktı.
Algoritma, 121 katmanlı evrişimli bir sinir ağı olan CheXNet olarak adlandırılır. Ağ, en büyük açık göğüs röntgeni fotoğraf veri seti "ChestX-ray14" üzerinde eğitilmiştir. ChestX-ray14 veri seti, 14 hastalığın 100.000 önden görünüm X-ray görüntüsünü içerir.
CheXNet'in göğüs röntgeni görüntülerini kullanarak pnömoniyi tanımlama görevindeki performansı, ortalama radyolog düzeyini aşıyor. Testte, CheXNet, duyarlılık (bir pozitifin doğru bir şekilde tanıma yeteneğinin bir ölçüsü) ve özgüllük (bir negatifi doğru bir şekilde tanıma yeteneğinin bir ölçüsü) açısından dört insan radyolog ile karşılaştırıldı. Radyoloğun bireysel performansı turuncu bir nokta ile işaretlenir ve ortalama değer yeşil bir nokta ile işaretlenir. CheXNet, göğüs röntgeni ile tespit edilen pnömoni olasılığını verir ve mavi eğri, sınıflandırma eşiği tarafından oluşturulur. Tüm hekimlerin duyarlılığa özgü noktaları mavi eğriden daha düşüktür.
Leifeng.com sonuçları ayrıntılı olarak bildirdi. Ayrıntılar için lütfen tıklayın: "Wu Enda ekibi, pnömoniyi tanımlamak için CNN algoritmasını kullanarak en son tıbbi görüntüleme sonuçlarını yayınladı"
AI kalp krizi ve felci tahmin ediyor
Journal of the Public Library of Science'da (PLOS One) Mayıs 2017'de yayınlanan bir makale, kalp krizi ve felçlerin yaklaşık yarısının "riskli" olarak işaretlenmemiş insanlarda meydana geldiğini gösterdi.
Şu anda, hasta riskini değerlendirmenin standart yöntemi, Amerikan Kalp Derneği ve Amerikan Kardiyoloji Koleji tarafından geliştirilen kılavuzlara dayanmaktadır. Doktorlar bu yönergeleri yüksek tansiyon, kolesterol, yaş, sigara ve diyabet gibi tanımlanmış risk faktörlerine odaklanmak için kullanır.
İngiltere'deki Nottingham Üniversitesi'ndeki araştırmacılar, hastaların günlük tıbbi verilerini toplamak ve 10 yıl içinde hangisinin kalp krizi veya felç geçireceğini tahmin etmek için bir AI sistemi oluşturdu. Standart tahmin yöntemleriyle karşılaştırıldığında yapay zeka sistemi, 355 hastanın kaderini doğru bir şekilde öngördü.
Araştırmacı Stephen Weng ve meslektaşları, İngiltere'deki 378.256 hasta üzerinde birkaç farklı makine öğrenimi aracını test etti. Bu kayıtlar, hastaları ve sağlık durumlarını 2005'ten 2015'e kadar takip etti ve demografik bilgiler, tıbbi durumlar, reçeteli ilaçlar, hastane ziyaretleri, laboratuvar sonuçları ve daha fazlası gibi bilgileri içeriyordu.
Araştırmacılar, 10 yıl içinde kalp krizi veya felç geçiren hastaların göze çarpan özelliklerini bulmak için tıbbi kayıtların% 75'ini makine öğrenimi modellerine girdiler. Daha sonra, Weng'in ekibi, kalp hastalığı ve felci ne kadar doğru tahmin ettiklerini belirlemek için kayıtların kalan% 25'ini test etti. Ayrıca, kayıt alt kümeleri için standart yönergeleri test ettiler.
% 100 doğruluğu belirtmek için 1,0 istatistiği kullanılırsa, standart kılavuzun puanı 0,728'dir. Makine öğrenimi modeli 0,745 ile 0,764 arasında değişir ve en iyi puan, sinir ağı adı verilen bir makine öğrenimi modelinden gelir. Makine puanlaması kesin bir zafer gibi gelmese de, bir dizi sayı, AI'nın hastalıkların önlenmesindeki avantajlarını gösterebilir: sinir ağı modeli, 7404 gerçek vakadan 4998 hastanın kalp krizi geçirdiğini veya Stroke, standart yönergelerin ötesinde 355 vaka. Bu tahminlerle doktorlar, kolesterolü düşürmek için ilaç yazmak gibi önleyici tedbirler alabilirler.
AI, otizmi tahmin etmek için bebeklerin beyinlerini tarar
Şubat 2017'de, Chapel Hill'deki North Carolina Üniversitesi'ndeki bir araştırma ekibi, 6 aylık çocukların beyin büyümesindeki değişikliklerin otizmle ilişkili olduğunu buldu. Araştırmacılar, otizm riski yüksek bir çocuğa 24 ay sonra otizm teşhisi konulup konulmayacağını tahmin etmek için derin öğrenme algoritmalarını ve verilerini kullanıyor.
Algoritma, yüksek riskli çocukların kesin teşhisini doğru bir şekilde öngördü: doğruluk% 81 ve duyarlılık% 88 idi. Buna karşılık, erken otizm için davranış anketinin tanısal doğruluğu sadece% 50'dir. Algoritma üç değişken kullanır - beyin yüzey alanı, beyin kapasitesi ve cinsiyet (erkeklerin kızlara göre otizmden muzdarip olma olasılığı daha yüksektir) - algoritma otizmli 10 çocuktan 8'ini tanımladı.
Bebek beyin görüntüleme araştırmasının bir parçası olarak, ABD Ulusal Sağlık Fonu Araştırma Ajansı otizmin erken beyin gelişimi üzerine bir çalışma yürüttü.Araştırma ekibi, aile öyküsü otizm olan 106 bebeği ve ailesinde otizm geçmişi olmayan 42 bebeği kaydetti. bebek. 6, 12 ve 24 aylık her çocuğun beynini taradılar. Araştırmacılar, bebeğin genel beyin gelişiminde 6 ila 12 ay arasında bir değişiklik olmadığını buldu. Ancak daha sonra otizm teşhisi konan yüksek riskli çocukların beyin yüzey alanında önemli bir artış oldu. Yani otizmli bir çocuğun gelişen beyni önce 12 ay yüzey alanında genişledi, sonra 24 ay hacim olarak arttı.
Araştırma ekibi ayrıca çocukların, otizmin sosyal ilgi eksikliği, dil gecikmesi ve tekrarlayan fiziksel hareketler gibi ayırt edici davranışlarını göstermeye başlayacak kadar büyüdükleri 24 aylık bir dönemdeki davranışlarını da değerlendirdi. Araştırmacılar, beyin büyümesinin derecesi ne kadar fazlaysa, çocuğun otizm semptomlarının o kadar şiddetli olduğuna dikkat çekti.
Yeni bulgular otizmle ilişkili beyin değişikliklerinin yaşamın erken dönemlerinde meydana geldiğini doğrulasa da, araştırmacılar bununla yetinmedi. Araştırma ekibi, UNC ve Charleston Koleji'ndeki bilgisayar bilimcileriyle işbirliği içinde bir algoritma oluşturdu ve gelecekte hangi çocuklara otizm teşhisi konacağını tahmin etmek için bu erken beyin değişikliklerini kullanıp kullanamayacağını test etti.
Deri ve et kesme işleminin hassasiyeti, robotun bariz avantajları vardır
Hastalar, doktorların ameliyat yaptıklarında vücutlarına verilen zararı en aza indirebileceklerini umuyorlar. Yakın zamanda yapılan bir dizi deneyde, akıllı otonom robot STAR'ın mucidi, uzman cerrahlardan daha hassas kesimler yapabildiğini ve çevredeki sağlıklı dokulara daha az zarar verdiğini gösterdi. STAR daha önce bazı etkileyici cerrahi başarıları başarıyla tamamladı. 2016 yılında sistem, tecrübeli cerrahlara göre daha düzenli ve sızdırmaz olan domuz bağırsağının iki parçasını dikti.
STAR, önceden belirlenmiş kesme yolunu ve kesme aletlerini görsel olarak izler ve harekete uyum sağlamak için ayarlama planını sürekli olarak ayarlar.
Bu tür görsel izlemede robot, yakın kızılötesi kamerasında görüntülenen ve tam da araştırmacıların doku üzerinde işaretledikleri yerler olan küçük işaretlere güveniyor. Bu nedenle, araştırmacılar yıldızı yarı otonom bir robot olarak adlandırıyor.
Hem robottan hem de cerrahtan 5 cm uzunluğunda düz bir çizgi kesmesi istendi. Cerrahlar dokuyu bilinen işaretler arasında kesmek için eğitildiklerinden, cilt üzerine referans çizgileri çizilir. Robotların ve insanların yargıları, ideal uzunluğun ideal kesim çizgisinden sapmalarına ve kesim çevresinde ne kadar kok kömürü (hasarlı et) olduğuna dayanır. Sonuç: Robotun kesme uzunluğu 5 cm'ye yakındır ve daha az kok vardır.
Araştırmacılar, bir sonraki adımın STAR'ı, görsel izleme ve daha karmaşık cerrahi planlama yazılımı için yeni kameralar gerektirecek karmaşık üç boyutlu şekillere sahip tümörleri ele alacak şekilde eğitmek olduğunu söyledi.
Derin öğrenme, klinisyenlerin Alzheimer hastalığını tahmin etmesine yardımcı olur
Alzheimer hastalığı için klinik bir araştırma yoktur, bu nedenle doktorlar, hastanın bilişsel gerilemesini değerlendirerek bunu teşhis eder. Ancak, semptomların belirgin olmadığı erken evresi olan hafif bilişsel bozukluk (MCI) için özellikle zordur. Ve hangi MCI hastalarının Alzheimer hastalığı geliştireceğini tahmin etmek daha zordur (hepsi değildir).
Haziran 2017'de Harvard Üniversitesi, Massachusetts Genel Hastanesi ve Huazhong Bilim ve Teknoloji Üniversitesi'nden işbirlikçileri, Alzheimer hastalığını tahmin etmek için fMRI beyin taramalarını klinik verilerle birleştiren bir program tasarladı. Mayıs ayında Malezya'nın Kuala Lumpur kentinde düzenlenen IEEE Uluslararası Telekomünikasyon Konferansı'nda yayınlanmamış çalışmalarını sundular.
Ön testlerden sonra, derin öğrenme planları, daha temel veri setleri kullanan diğer sınıflandırma yöntemlerinden yaklaşık% 20 daha doğru olan özel bir fMRI veri setiyle eşleştirilir. Bununla birlikte, bu geleneksel sınıflandırıcılar özel veri kümeleri de kullandıklarında, doğruluk açısından benzer iyileştirmelere sahiptirler.
Şu anda Harvard liderliğindeki ekip, fMRI taramalarını ve derin öğrenmeyi Alzheimer hastalığından muzdarip MCI hastalarının şansını tahmin edebilecek bir projede birleştirmeye çalışan ilk projelerden biridir. Analizlerinde kullanılan fMRI taraması hasta dinlenirken yapıldı. Herhangi bir fMRI taraması gibi, beyindeki elektrik sinyallerinin nerede yanıp söndüğünü ve bu alanların birbiriyle nasıl ilişkili olduğunu ortaya çıkarırlar.
MCI hastalarından ve Alzheimer hastalığı nörogörüntülemesine sahip 101 normal hastadan alınan verilerle başladılar. Araştırmacılar, katılımcıların beyinlerindeki 90 alanın 130 fonksiyonel manyetik rezonans görüntüleme ölçümlerinden oluşan bir zaman serisine dayanarak, sinyalin belirli bir süre boyunca nerede titrediğini ayırt edebildiler.
Daha sonra ekip, çok önemli bir adımda, beyin bölgelerinde birbirine göre bu sinyallerin gücünün ikincil ölçümlerini oluşturmak için bu veri setini işler. Başka bir deyişle, hangi alanların ve sinyallerin birbiriyle en yakından ilişkili olduğunu gösteren işlevsel bir bağlantı şeması oluşturdular.
Sonunda ekip, bir kişinin Alzheimer hastalığı geliştirip geliştirmeyeceğini tahmin etmek için yaş, cinsiyet ve genetik risk faktörleri hakkındaki klinik verilerle birlikte bu kalıpların gücünü açıklayabilen bir derin öğrenme programı oluşturdu. Araştırma ekibi, doğruluk oranının% 90'a ulaşabileceğini belirtti.
IBM Watson, beyin kanseri hastaları için 10 dakikada bir tedavi planı geliştiriyor
Beyin kanserini tedavi etme sürecinde, zaman çok önemlidir.
Yeni bir çalışmada IBM Watson, bir beyin kanseri hastasının genomunu analiz etmek için yalnızca 10 dakika harcadı ve yapay zeka ilaçlarının hasta bakımını iyileştirme potansiyelini gösteren bir tedavi planı ortaya çıkardı. İnsan uzmanlarının benzer bir plan geliştirmesi 160 saat sürmesine rağmen, bu çalışmanın sonucu makinelerin insanlara karşı tam bir zaferi değil.
76 yaşında bir erkek olan bu hasta, doktora gidip baş ağrısı ve yürüme güçlüğünden şikayet etti. Bir beyin taraması, cerrah tarafından hızla ameliyat edilen kötü huylu bir glioblastom ortaya çıkardı; ardından, üç haftalık radyasyon tedavisi aldı ve uzun bir kemoterapi kürü başlattı. En iyi bakıma rağmen bir yıl içinde öldü. Watson ve doktor, hem hastanın genomunu analiz etmiş hem de bir tedavi planı önermiş olsa da, ameliyatından alınan doku örnekleri sıralandı ve hastanın vücudu çok fazla bozuldu.
IBM Watson'ın temel özelliği, doğal dil işleme yetenekleridir. Bu, Watson'ın genomiklerinin mevcut tıbbi literatürdeki 23 milyon dergi makalesini, resmi klinik araştırma listelerini ve diğer mevcut veri kaynaklarını, bilgileri yeniden biçimlendirmek ve öğrenmeyi kolaylaştırmak zorunda kalmadan kullanabileceği anlamına gelir. Watson'ın diğer eylemleri de sistemin hastaların elektronik sağlık kayıtlarını almasına izin verdi, ancak bu kayıtlar bu çalışmaya dahil edilmedi.
Araştırmacılar, IBM Watson tarafından gerçekleştirilen genom analizinin sonuçlarını NYGC'nin onkologları, nöro-onkologları ve biyoinformatiği tedavi etmekten oluşan tıbbi uzman ekibiyle karşılaştırdı.
Hem IBM Watson hem de uzman ekip, hastanın genom bilgilerini aldı ve mutasyonları gösteren genleri belirledi, bu mutasyonların diğer kanser vakalarında bulunup bulunmadığını görmek için tıbbi literatürü kontrol etti, başarılı ilaç tedavilerinin raporlarını aradı ve hastanın uygun olup olmadığını kontrol etti Klinik araştırmalara katıldı. Ancak, bir uzman insan ekibinin bunu yapması 160 saat sürdü, Watson ise 10 dakikada yaptı.
Ancak Watson'ın çözümü en hızlısıdır, ancak en iyisi olmayabilir. NYGC klinisyenleri iki gen mutasyonu tanımladı: Kapsamlı bir değerlendirmeden sonra, doktor hastanın iki kombinasyon ilacının tedavisi için bir klinik araştırmaya katılmasını önerdi. Ve eğer hastanın fiziksel durumu izin verirse, o zaman bu denemeye dahil edilecek.
Ancak Watson, bu bilgileri bu şekilde dikkate almadı ve bu nedenle klinik deneyler önermedi.
Doğuştan katarakt tanısında AI ve doktorlar eşit olarak eşleşir
Sun Yat-Sen Üniversitesi'nde bir göz doktoru olan Haotian Lin ve Xiyang Liu'nun Xidian Üniversitesi'ndeki araştırma ekibi, doğuştan kataraktı teşhis edebilen bir AI programı CC-Cruiser geliştirdi. Hastalığın ciddiyetini tahmin etmek ve tedavi kararları için önerilerde bulunmak için derin öğrenme algoritmalarını kullanıyor. .
Birincisi, bilgisayar simülasyonlarında yapay zeka programları,% 98,87 doğruluk oranı ile hastalar ve sağlıklı bireyler arasında ayrım yapabilmektedir. Üç temel göstergenin (lens opaklık alanı, yoğunluk ve konum) doğruluğu% 93'ü aştı. Sadece bu da değil, sistemin sağladığı tedavi önerilerinin doğruluk oranı da% 97,56'ya ulaştı.
Daha sonra ekip, Çin'deki üç kooperatif hastanesinden çocukların gözlerinin 57 görüntüsünü kullanarak bir klinik çalışma yürüttü. CC-Cruiser iyi performans gösterdi:% 98.25 tanınma doğruluğu; üç ciddi faktörün hepsinde% 92'den fazla; tedavi önerilerinin doğruluğu% 92.86 idi.
Gerçek dünyadaki kullanımı simüle etmek için, prosedürü doğrudan kişisel bir göz doktoruyla karşılaştırdılar. Bir uzman, bir uzman ve profesyonel bir göz doktoru, 50 klinik vakanın yüz yüze tanısını gerçekleştirdi. Bilgisayarların ve doktorların performansı karşılaştırılabilir. Program, bir hastane denemesinde bazı vakaları yanlış bir şekilde işaretledi ve Lin, daha büyük bir veri setinin performansını artırabileceğini umuyordu. Ekip, işbirliğine dayalı bir bulut platformu oluşturmayı planlıyor, ancak Lin, teknolojinin en iyi tedavi planını belirlemek için% 100 doğruluk oranıyla "yetersiz" olduğunu vurguladı. "Bu nedenle, doktorlar, olası yanlış sınıflandırmaları belirlemek ve önlemek ve kendi kararlarını desteklemek için makinenin tavsiyelerinden tam olarak yararlanmalıdır."
Cilt kanseri teşhisi için, AI algoritmaları neredeyse insan doktorlarla aynı performansı gösterir
Ocak 2017'de Nature dergisinde yayınlanan bir araştırmaya göre, Stanford Üniversitesi'ndeki bir ekip tarafından geliştirilen bir algoritma, cilt kanserini tanımlamada profesyonel bir insan doktor kadar doğru.
Stanford Üniversitesi, evrişimli bir sinir ağı algoritması olan GoogleNet Inception v3'ün mimarisi üzerine bir derin öğrenme algoritması oluşturdu. Stanford Üniversitesi araştırmacıları daha sonra algoritmada ince ayar yaptılar ve cilt kanseri sınıflandırması için kullanılan en büyük veri seti olan 2.000 farklı cilt kanseri vakasının 129.000 görüntüsünü topladılar.
Bu çalışmada, algoritma 21 lisanslı dermatolog ile yüz yüze bir anket gerçekleştirdi. Doktorlar, üzerlerinde başka testler yapıp yapmayacaklarını veya hastalara iyi huylu olduklarından emin olup olmayacaklarını belirlemek için yüzlerce cilt lezyonu görüntüsünü inceledi. Algoritma aynı görüntüleri inceledi ve tanı sonuçlarını verdi. AI'nın performansı uzmanların performansıyla tutarlıdır. Örneğin, program, en yaygın insan cilt kanseri olan keratinosit karsinomu ve seboreik keratoz adı verilen iyi huylu cilt hiperplazisini ayırt edebilir.
Stanford Üniversitesi projesinin gerçek dünyaya hazırlanmadan önce daha zorlu vakaları kabul etmesi gerekiyor. Leachman, araştırmacıların algoritmanın, örneğin seboreik keratozlar ve melanom arasında ayrım yapmasını gerektirmediğini söyledi.
Dermatologlar yalnızca fotoğraflara dayalı kararlar verebildikleri için, bilgisayarların klinik ortamlardaki uzmanlıklarıyla eşleşip eşleşemeyeceği, lezyonların fiziksel muayenelerini yapabilecekleri ve hastanın tıbbi geçmişini okuyabilecekleri açık değildir. Leachman, "Dokunma işe yarıyor," dedi.
Leachman, bu algoritmanın gerçek dünyada kendini kanıtlaması durumunda çok büyük bir avantajı olduğunu söyledi. "(Tıbbi) sistem, görülmesi gerekmeyenler tarafından yüklenir." Bu vakaları tarayabilen bir bilgisayarın, gerçekten doktor yardımına ihtiyacı olan hastaların daha hızlı ve daha etkili bir şekilde tedavi edilmesini sağlayabileceğini söyledi.
AI tabanlı mikroskop, kan örneklerinde sıtma parazitlerini sayabilir
Kasım 2017'de, Çinli bir üretici ve Bill Gates tarafından desteklenen bir ortak girişimin, kan yaymalarını 20 dakika içinde otomatik olarak tanımlayıp saymak için derin öğrenme algoritmalarını kullanan bir mikroskobu ticarileştirme planını duyuracağı bildirildi. Çin'de Plasmodium. Sivrisinek kaynaklı hastalıkların her yıl yaklaşık yarım milyon insanı öldürdüğü bir zamanda, yapay zeka mikroskopları teşhisi hızlandırabilir ve sıtma tespitini standart hale getirebilir. Bu AI güdümlü mikroskobun deneysel versiyonu, sıtma parazitlerini iyi tespit edebildiğini ve Dünya Sağlık Örgütü'nün en yüksek standardı olan "yetenek seviyesi 1" e ulaştığını göstermiştir. Araştırmacılar, bazı uzmanların mikroskop kullanan otomatik sistemlerden daha iyi performans gösterebildiğine işaret etse de, bu derecelendirme, performansının iyi eğitimli mikroskoplarla aynı seviyede olduğu anlamına geliyor.
Bu mikroskop, Güneydoğu Asya'da dolaşan çoklu ilaca dirençli suşların tedavisinin izlenmesinde özellikle yardımcı olabilir. Küresel Kalite Fonu Küresel Sağlık Teknolojisi Direktörü David Bell, "Bu tür çoklu ilaç direnci izleme, sıtma ilaçlarının kandaki parazit sayısını nasıl hızla azaltabileceğini anlamak için çok güvenilir mikroskoplara dayanır" dedi. "Makine öğreniminin bu alanda daha fazla doğruluk ve standardizasyon getirebileceğini ve ülkelerin izlemeyi daha etkili bir şekilde uygulamalarına izin verebileceğini görüyoruz."
Geliştirilmekte olan EasyScan GO mikroskobu, parlak alan mikroskobu teknolojisini, sıtmaya neden olan parazitleri otomatik olarak tanımlayabilen derin öğrenme yazılımı çalıştıran bir dizüstü bilgisayarla birleştirecek. İnsan laboratuvarlarındaki personelin çoğu, kan numunelerini hazırlamak, sonuçları gözlemlemek ve mikroskop altında doğrulamak için kullanılan cam slaytlara odaklanır.
Washington, Bellevue'deki Intellectual Ventures'ın baş araştırmacısı Ben Wilson, sıtma parazitinin derin öğrenme algoritmaları için zor bir "nadir nesne problemi" ortaya çıkardığını ve nesneleri doğru bir şekilde tanımlamak için genellikle çok sayıda eğitim verisi gerektirdiğini söyledi. Küçük sıtma paraziti, kan yaymalarının yüzlerce mikroskobik görüntüsünden yalnızca birkaçında görünebilir.Çok düşük enfeksiyon seviyeleri durumunda, 100.000 kırmızı kan hücresinde yalnızca bir sıtma paraziti olabilir.
Bu çözüm, görüntülerde ilgilenilen nesneleri bölümlere ayırmak için kullanılan derin öğrenme ve geleneksel bilgisayar algoritmalarının bir kombinasyonunu gerektirir. Ayrıca, hazırlanan mikroskop slaytlarına dayalı olarak büyük miktarda eğitim verisi gerektirir. Prototip mikroskobu, her bir slaydı, uzman bir insan mikroskobu uzmanı ile yaklaşık aynı hızda, slayt başına 20 dakika tarar. Ancak Wilson sonunda tarama süresini yarıya indirerek slayt başına 10 dakikaya indirmeyi umuyor.
Daha da önemlisi, mikroskopların mevcut versiyonları bile sıtmayı tanımlamak ve çoklu ilaca dirençli sıtmayı izlemek için kullanılabilecek sınırlı sayıda iyi eğitimli mikroskopları tamamlayabilir. Motic'den Nunnendorf şunları söyledi: "Temelde bu, laboratuvar teknisyenleri için robotik bir alternatif değil, büyük bir verimlilik artışı.
Tıbbi görüntüleme raporlarını otomatik olarak oluşturmak için yapay zekayı kullanın
Kasım ayında, Carnegie Mellon Üniversitesi Makine Öğrenimi Bölümü Direktör Yardımcısı Profesör Xing Bo tarafından kurulan Petuum, kısa süre önce doktorlara tedavi ve tedavide daha iyi yardımcı olmak için tıbbi görüntüleme raporlarını otomatik olarak oluşturmak için makine öğreniminin nasıl kullanılacağına dair birkaç makale yayınladı. Teşhis.
Tıbbi görüntüleme, klinik pratikte tanı ve tedavide yaygın olarak kullanılmaktadır. Profesyonel doktorlar tıbbi etkileri okur ve bulgularını açıklayan yazılı raporlar yazar. Deneyimsiz doktorlar için rapor yazmak büyük olasılıkla hatalara neden olabilir.Nüfusun büyük olduğu ülkelerdeki doktorlar için bu tür işler zaman alıcı ve sıkıcıdır. Profesör Xing Bonun ekibi, bu sorunları çözmek için, insan doktorlarının raporları daha doğru ve verimli bir şekilde oluşturmaları için yardımcı bir araç olarak tıbbi görüntüleme raporlarının otomatik olarak oluşturulmasını inceledi.
Bu zorlukların üstesinden gelmek için, Xing Bonun ekibi etiket tahmini ve paragraf oluşturmayı birlikte gerçekleştirmek için çok görevli bir öğrenme çerçevesi oluşturdu; anormallikler içeren alanları işaretlemek için bir ortak dikkat mekanizması önerdi; bir seviye kullanın Uzun paragraflar oluşturmak için LSTM modeli.
Xing Bonun araştırma ekibi çalışmalarının ana katkılarının şunlar olduğuna inanmaktadır: etiketleri tahmin edebilen ve aynı zamanda metin açıklamaları oluşturabilen çok görevli bir öğrenme çerçevesi önermek; anormal alanları bulmak ve karşılık gelen açıklamaları oluşturmak için ortak bir dikkat mekanizması sunmak; Uzun cümleler ve paragraflar oluşturmak için katmanlı bir LSTM kullanılır; deneysel yöntemin etkinliğini göstermek için çok sayıda nitel ve nicel deney gerçekleştirilir.
Leifeng.com bu sonucu ayrıntılı olarak bildirdi. Ayrıntılar için lütfen tıklayın: "CMU Profesörü Xing Bo'nun Ekibi Son Başarı: Tıbbi Görüntüleme Raporlarını Otomatik Olarak Oluşturmak için Yapay Zekayı Kullanma"
Taburcu edilen ilaçları tahmin etmek için derin öğrenme teknolojisini kullanma
Tıbbi görüntüleme raporlarını otomatik olarak oluşturmak için yapay zekayı kullandıktan sonra, Xing Bo'nun ekibi daha sonra yeni sonuçlar üretti ve doktorların taburcu ilaçlarını hastanın tıbbi kayıtlarındaki sağlık bilgilerine göre tahmin etmelerine yardımcı olmak için derin öğrenme teknolojisinin nasıl kullanılacağını araştırdı. Tıbbi kayıtları analiz etmek için evrişimli bir sinir ağı tasarladılar ve ardından hastaneden taburcu edildiğinde hastanın ilacını tahmin ettiler.
Model, yapılandırılmamış ve gürültülü metinlerden anlamsal temsiller çıkarabilir ve farklı ilaçlar arasındaki farmakolojik korelasyonları otomatik olarak öğrenebilir. Ekip, modeli 25.000 hasta ziyaretinde değerlendirdi ve 4 kıyaslama modeliyle karşılaştırdı. Makro ortalama F1 skorunda, bu yöntem, en iyi kıyaslama modeline göre% 20 iyileştirmeye sahiptir.
Modelin girdisi tıbbi kayıtlardır ve çıktı, hastanın taburcu edilen ilacıdır (bir veya daha fazla). Modelin iki işlevi vardır: yüksek seviyeli anlambilimini gürültülü ve yapılandırılmamış orijinal metinlerden etkili bir şekilde çıkarabilir ve ardışık sözcükler arasındaki sıra yapısını uygun şekilde değerlendirebilir; ikinci olarak, model farklı ilaçlar arasında öğrenebilir Farmakolojik alaka.
Xing Bo'nun ekibi, yalnızca kabul sırasında mevcut olan bilgilerin taburcu edilen ilaçları doğru bir şekilde tahmin edebileceğini buldu. Bu tür tahminler, doktorlara tedavi planları geliştirmeleri için değerli bilgiler sağlayabilir. 8 ilaç arasında CNN modeli 0,63 (mikro ortalama) doğruluk elde etti ve hatırlama oranı 0,70 idi. Ekip araştırmacıları ayrıca, çözüm için ilhamın belirli bir görevden elde edildiğini, ancak diğer klinik tahmin görevleri için de genel bir çözüm olabileceğini söyledi. Örneğin, hedef etiketleri ilaçlardan hastalıklara kaydırarak CNN tanıya yardımcı olmak için kullanılabilir.
Makaleyle ilgili ayrıntılar için lütfen tıklayın: "CMU Profesörü Xing Bo'nun ekibinin yeni bir sonucu var: Boşaltım ilacını tahmin etmek için derin öğrenme teknolojisini kullanma"
Sonuç
Yapay zekanın getirdiği değişikliklerin, buhar motoru sanayi devriminin birkaç yüzyıl önce toplumun tüm yönleri üzerindeki büyük etkisine benzer olduğunu kabul etmeliyiz.Sadece bir endüstri değil, aynı zamanda tüm toplumun sistemi de derin bir etkiye sahiptir. Yapay zeka çağının ortaya çıkmasıyla tıp endüstrisi de zorlukların ve fırsatların bir arada var olduğu bir durumla karşı karşıya. Yapay zeka, geleneksel tıbbi kavramlarımızı altüst ederken, aynı zamanda modern tıbbi bakım konseptimizi ve vizyonumuzu aktif olarak inşa ediyor. Daha da önemlisi, doktorlar, insanlığın tıbbi nedeni için müjdeyi aramaya devam etmek için ellerinden geleni yapıyorlar.
AI vs Doktorlar, tıpkı iki dövüş sanatları ustası gibi, sonuç önemli değil.
