Προόδους στην τεχνητή νοημοσύνη στην Υγειονομική περίθαλψη – Spotlight από τον Nathan Wang

Η Τεχνητή Νοημοσύνη γίνεται γρήγορα ένας από τους βασικούς παράγοντες για την πρόοδο στον κλάδο της υγείας. Μπροστά από το RE•WORK – AI in Healthcare Summit Boston, ρωτήσαμε τον Nathan Wang – Deep Learning/Medical Imaging Researcher στο Πανεπιστήμιο Johns Hopkins τις σκέψεις του επί του θέματος. Να τι είχε να πει:

Ποια πιστεύετε ότι είναι η πιο σημαντική πρόοδος για την τεχνητή νοημοσύνη στην υγειονομική περίθαλψη;

Τα τελευταία χρόνια, ο τομέας έχει κάνει μεγάλα βήματα στην ερμηνευτικότητα των μοντέλων. Ως ερευνητής, το να μπορούμε να κατανοήσουμε διαισθητικά τη «συλλογιστική» πίσω από την τεχνητή νοημοσύνη μας μας βοηθά να χτίσουμε πιο στιβαρά και ακριβή μοντέλα. Ας ελπίσουμε ότι οι κλινικοί γιατροί και οι ασθενείς θα μπορέσουν τελικά να έχουν περισσότερη εμπιστοσύνη σε αυτά τα συστήματα AI.

Ποιο πιστεύετε ότι θα είναι το κορυφαίο επίτευγμα της τεχνητής νοημοσύνης για την υγειονομική περίθαλψη και τα αποτελέσματα των ασθενών;

Νομίζω ότι το κορυφαίο επίτευγμα της τεχνητής νοημοσύνης δεν έχει έρθει ακόμη. Νιώθω ότι όταν η βαθιά γονιδιωματική και η ραδιενέργεια γίνουν πιο σημαντικές, η τεχνητή νοημοσύνη θα διαδραματίσει ακόμη μεγαλύτερο ρόλο από ό,τι σήμερα.

Ποιες είναι μερικές πρόσφατες νίκες από ένα έργο AI στο οποίο εργάζεστε; Ποιες προκλήσεις αντιμετωπίσατε κατά τη διάρκεια της; Πώς τα ξεπέρασες;

Η δουλειά μου στο Johns Hopkins περιλαμβάνει ανάλυση διεγχειρητικής εικόνας βασισμένη σε βαθιά μάθηση, ιδιαίτερα τη διάκριση μεταξύ καρκινικών και μη καρκινικών ιστών στον φλοιό του ανθρώπινου εγκεφάλου από εικόνες οπτικής τομογραφίας συνοχής (OCT). Μια σημαντική πρόκληση που αντιμετώπισα ήταν να σχεδιάσω ένα μοντέλο τεχνητής νοημοσύνης που γενικεύεται καλά σε δεδομένα από ασθενείς εκτός του συνόλου εκπαίδευσης. Αν και τα βαθιά δίκτυα υπερέχουν στην εξαγωγή κρυφών μοτίβων, τα μοτίβα που μαθαίνονται πιο εύκολα δεν είναι πάντα σωστά. Ως εκ τούτου, είναι σημαντικό να χρησιμοποιηθούν διαφορετικές μέθοδοι κανονικοποίησης και μετασχηματισμού δεδομένων. Στο έργο μου, βρήκα ότι η υφή εικόνας είναι πολύ χρήσιμη σε ένα σχήμα εκμάθησης συνόλου, έτσι ώστε να συνεργάζονται τόσο η βαθιά μάθηση όσο και οι κλασικές τεχνικές αναγνώρισης προτύπων.

Πόσο ριζωμένη θα είναι η τεχνητή νοημοσύνη στη ροή κλινικών εργασιών σε 5 έως 10 χρόνια από τώρα; Ποιες θα είναι τότε κάποιες μελλοντικές τάσεις;

Βλέπω ότι η τεχνητή νοημοσύνη θα βοηθά όλο και πιο στενά τους ειδικούς στη ροή κλινικών εργασιών από τη διάγνωση έως τη θεραπεία. Η τεχνητή νοημοσύνη έχει αποδειχθεί ικανή όχι μόνο στην έγκαιρη διάγνωση και τον έλεγχο, αλλά επίσης προβλέπει τη μακροπρόθεσμη πρόγνωση. Συμμετέχοντας σε έγκαιρη θεραπεία, η οποία μπορεί να γίνει πιο ακριβής και αποτελεσματική με την τεχνητή νοημοσύνη, οι άνθρωποι μπορούν να αναμένουν να ζήσουν μεγαλύτερη και υγιέστερη ζωή.

Τι ανυπομονείτε περισσότερο όταν μιλάτε στο AI Healthcare Summit;

Η συνάφεια και ο αντίκτυπος της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη αντικατοπτρίζεται ξεκάθαρα στην εντυπωσιακή ομάδα ειδικών ομιλητών από διάφορους κλάδους και ερευνητικά υπόβαθρα. Ανυπομονώ να μάθω από πρώτο χέρι για την πρώτη γραμμή της τεχνητής νοημοσύνης σε πεδία που γειτνιάζουν με το δικό μου και να συμμετάσχω σε εμπνευσμένες συζητήσεις που θα επηρέαζαν θετικά την ερευνητική μου κατεύθυνση.

Θέλετε να μάθετε περισσότερα;

Ο Nathan θα μιλήσει στην προσεχή AI in Healthcare Summit στις 13-14 Οκτωβρίου 2022, στη Βοστώνη, MA. Ελάτε μαζί του και πολλούς άλλους ειδικούς AI/ML και Deep Learning για να μάθετε περισσότερα για τις τελευταίες τάσεις και ευκαιρίες στην υγειονομική περίθαλψη.

Το Early Bird Passes τελειώνει την Παρασκευή 2 Σεπτεμβρίου, so κλείστε τη θέση σας σήμερα.

Χρησιμοποιήστε τον εκπτωτικό κωδικό: UNITEAI για έκπτωση 20%.

Για περισσότερες πληροφορίες επικοινωνήστε [προστασία μέσω email].