HTC Zhang Zhiwei: Yapay zeka ve VR gibi gelişmekte olan teknolojiler sonunda sağlık hizmetlerini kesintiye uğratacak | ACMMM 2017
25 Ekim'de Mountain View, California'da düzenlenen ACMMM 2017 konferansı, konferansın ikinci gününe girdi. Toplantıda HTC Healthcare Başkanı Dr. Edward Y. Chang, "DeepQ: Yapay Zeka ve VR Yoluyla Sağlık Hizmetlerini İlerletmek" başlıklı bir konuşma yaptı. Dr. Zhang Zhiwei konuşmasında, tıp endüstrisinde AI ve VR teknolojilerinin uygulanmasının yanı sıra HTC'nin bu alandaki araştırmasını da tanıttı.
Dr. Zhiwei Zhang Hakkında: Dr. Zhiwei Zhang, 1999 yılında Stanford Üniversitesi'nden elektrik mühendisliği alanında doktora derecesini aldı. Google'ın kurucuları Larry Page ve Sergey Brin ile aynı bölümde bulundu. Her ikisi de aynı laboratuvardan, Stanford InfoLab'dan geldi (Lei Feng.com: InfoLab mezunlar listesinde Uygun). Google 1998'de kurulduğunda, Larry ve Sergey defalarca Zhang Zhiwei'yi katılmaya davet etti. Mezun olduktan sonra, Zhang Zhiwei, UC Santa Babara tarafından işe alınacak akademik yolu seçti. 2006'da Google'ın Çin Araştırma Enstitüsü dekanı olarak Google'a katıldı. Arama, topluluk, mobil ve Büyük Veri araştırma ve geliştirme.
Lei Feng'in konuşma içeriği şu şekilde düzenlenmiştir:
AI gibi yenilikçi teknolojiler, tıp endüstrisinde yıkıcı yeniliği teşvik ediyor
Tıp alanındaki ilerleme genellikle üç faktörden etkilenir: maliyet, kalite ve popülerlik. Bu üç faktör birbirini etkiler: Maliyet düşürülürse kalite de düşer; kalite iyileştirilirse maliyette artışa ve penetrasyon oranında düşüşe neden olabilir.
Hem gelişmiş ülkeler hem de Afrika gibi gelişmekte olan ülkelerde bu üç yönden değişik derecelerde tıbbi sorunlar bulunmaktadır. Yapay zeka, mobil cihazlar ve mobil sensörler gibi teknolojilerin ilerlemesinin tıp sektörüne yıkıcı yenilikler getirmesi bekleniyor, bu da HTC'nin araştırdığı yön.
Yine de, teknolojide hala büyük zorluklar var.
Örneğin, AlphaGo'nun bir Go oyununda dünya şampiyonunu yenebilmesine rağmen, AlphaGo'nun satrancını hastanın durumunun AI teşhisi ile karşılaştırırsanız, hepimiz biliyoruz, aşağıdaki farklılıklar olacaktır:
-
AlphaGo'nun her adımı ayrı ve ayrıntılıdır, hastalık tespit sistemi ise sayısız sürekli özellik içerir;
-
AlphaGo'nun çıktı sonucu ikili 1 ve 0'dır (kazan ve kaybet) ve hastalık tespit sisteminin çıktı sonucu 800'den fazla hastalıktan biri olabilir;
-
AlphaGo keşif yoluyla öğrenebilir (kendi kendine oyun), ancak hastalık tespit sistemi bu tür verileri elde edemez.
Tıbbi teşhis için AI kullanımı açısından, HTC'nin sağlık bölümünün (DeepQ) çözümü, öncelikle doktorlarla işbirliği yapmak ve ana temsilcinin hastanın durumunu tespit etmek için bileşen ajanı seçmesine izin vermek için aşamalı makine öğrenimi yöntemlerini kullanmaktır.
Yukarıdaki resim, bir cep telefonu ve çeşitli sensörler içeren HTC'nin hastalık algılayıcısını göstermektedir. AI teknolojisinin yardımıyla orta kulak iltihabı, melanom, üriner karaciğer hastalığı, pnömoni ve hipertansiyon gibi 15 hastalığı teşhis edebilir.
Transfer öğrenme girişimleri
Orta kulak iltihabının tespitini örnek alarak, görüntüyü analiz etmemiz ve normal görüntüyü ve orta kulak iltihabının görüntüsünü derin sinir ağına beslememiz gerekir. Ancak sorun şu ki, tıp alanında genellikle çok fazla veri olmaması. Tayvan hastaneleri aracılığıyla 1.000 hastadan veri topladık ve hala çok az makine öğrenimi var.
Diğer bir sorun ise, derin öğrenme ağının% 75 doğruluk elde ederken, uzman tanısının doğruluğunun% 85'in üzerinde olmasıdır. Bir doktora danıştıktan sonra doğruluk oranı% 80.11'e yükseldi, ancak bu yine de yeterli değil. Nasıl yapılır? ImageNet verilerini transfer öğrenimi (Transfer Learning) için kullanmaya başladık, ancak bu aynı zamanda sorunlu da olabilir çünkü ImageNet'teki sınıflandırma tüm kediler, köpekler ve benzerleridir ve hastalık sınıflandırması yoktur.
(Transfer öğrenme sayesinde, doğruluk oranı% 80.11'den% 90.96'ya yükseldi)
Ancak CNN modeli aracılığıyla, orijinal resmin kodlama ve restorasyondan sonra resimle karşılaştırılabileceğini bulduk. Sinir ağına bir resim girin, sinir ağı onu kodlayacak ve tanıyacak ve ardından tanıma sonucunu almak için ilgili nöronu etkinleştirecektir. Örneğin, bazı orta kulak iltihabı resimleri, aktive edilen nöronların kırmızı böcekler veya deniz kabuğu, latte vb. Olduğunu fark eder. Bu, orta kulak iltihabını tanımlamamasına rağmen, hastanın patolojik fenomenlere sahip olduğunu gösterebilecek böcekleri veya kahveyi tanımladı. Böylesi karşılık gelen bir ilişki kurarak, orta kulak iltihabı ile ilgili olmayan birçok veri eğitim için kullanılabilir ve nihayet doğruluk oranımız% 90,96'ya ulaştı.
Diğer bir örnek, aritmi teşhisi için bir elektrokardiyogramın görüntülenmesi gerektiğidir, ancak FDA kısıtlamaları nedeniyle geçerli verileri elde edemiyoruz. Şu anda bu konuda kullanılabilecek sadece iki veri seti var ve toplamda sadece 300 tıbbi kayıt var.Bu nedenle, konuşma öğrenme sonuçlarının elektrokardiyograma aktarılıp aktarılamayacağını da düşünüyoruz (Lei Feng.com: Her ikisi de Dalga formunu analiz edin ve öğrenin). Henüz çığır açan bir sonucumuz yok, ancak bu bir fikir olmalı.
Diğer araştırmalar
Yaptığımız araştırmalardan biri, hastanın durumunu en az sorunla olabildiğince iyi anlamak ve ardından doktorların semptomları daha doğru bir şekilde değerlendirmesine yardımcı olmaktır. Bu, sorulan soru sayısı ile teşhisin doğruluğu arasında bir dengedir. Şu anda 100'den fazla yaygın hastalık için% 50 doğruluk oranına sahip olabilmekteyiz ve sorulan ortalama soru 7,62'dir.
AI, daha karakteristik verilerin toplanmasını gerektiren daha doğru tıbbi bakım elde etmemize yardımcı olabilir. Aşağıdaki resim, tıbbi verilerin olası durumlarını listeler.Bu veriler yapılandırılmış, yarı yapılandırılmış veya yapılandırılmamış olabilir ve hastanelerden, sigorta şirketlerinden, sosyal medyadan vb.
Tıbbi büyük veri madenciliğinde çok iş yaptık. Büyük verilere dayanarak, herkesin tedavi yöntemleri ve dozajları farklı olacaktır.
Hassas tıbbın bir başka araştırma yönü de hassas cerrahidir. VR ekipmanıyla birleştirerek, doktorların hastanın tümör konumu ve nöron dağılımı gibi bilgilerini daha iyi anlamasına ve doktorların daha iyi kararlar almasına yardımcı olabiliriz. Kalp, beyin, omurga vb. Hassas operasyonlarda, VR / AR'nin AI ile veya Da Vinci gibi cerrahi robotlarla kombinasyonu için büyük fırsatlar vardır.
(Örneğin bu örnekte pembe kısım bir tümördür. Sağ üst taraftan ameliyat yapılırsa nöronun mavi kısmı kesilebilir)
HTC DeepQ AI platformunda, üç taktiğimiz var: sık öğe seti madenciliği ve spektral kümeleme temelde veri madenciliği için kullanılır ve LDA, destek vektör makineleri, derin öğrenme ve geçiş öğrenimi esas olarak sınıflandırma ve regresyon için kullanılır.
Yukarıdakiler, DeepQ platformunun buzdağının sadece görünen kısmı. Akıllı tıbbi bakımda daha fazla keşfedilmemiş fırsat var ve daha fazlasını keşfetmemizi bekliyor.
