Νέες εξελίξεις στην τεχνητή νοημοσύνη για κλινική χρήση

Ερευνητές από το Radboudumc βοήθησαν στην προώθηση της τεχνητής νοημοσύνης (AI) στο κλινικό περιβάλλον μετά καταδεικνύοντας πώς η τεχνητή νοημοσύνη μπορεί να διαγνώσει προβλήματα παρόμοια με έναν γιατρό, ενώ δείχνει επίσης πώς φτάνει στη διάγνωση. Η τεχνητή νοημοσύνη παίζει ήδη ρόλο σε αυτό το περιβάλλον, καθώς χρησιμοποιείται για τον γρήγορο εντοπισμό ανωμαλιών που θα μπορούσαν να χαρακτηριστούν ως ασθένεια από τους ειδικούς.

AI στο κλινικό περιβάλλον

Η τεχνητή νοημοσύνη χρησιμοποιείται όλο και περισσότερο στη διάγνωση της ιατρικής απεικόνισης. Αυτό που παραδοσιακά γινόταν από έναν γιατρό που μελετούσε μια ακτινογραφία ή βιοψία για να εντοπίσει ανωμαλίες μπορεί τώρα να γίνει με AI. Μέσω της χρήσης της βαθιάς μάθησης, αυτά τα συστήματα μπορούν να κάνουν διάγνωση από μόνα τους, πολλές φορές είναι εξίσου ακριβή ή και καλύτερα από τους ανθρώπους γιατρούς.

Τα συστήματα όμως δεν είναι τέλεια. Ένα από τα ζητήματα είναι ότι το AI δεν δείχνει πώς αναλύει τις εικόνες και καταλήγει σε μια διάγνωση. Ένα άλλο πρόβλημα είναι ότι δεν κάνουν τίποτα επιπλέον, δηλαδή σταματούν μόλις φτάσουν σε μια συγκεκριμένη διάγνωση. Αυτό θα μπορούσε να οδηγήσει στο να χάσει το σύστημα κάποιες ανωμαλίες ακόμα και όταν υπάρχει σωστή διάγνωση.

Σε αυτό το σενάριο, ο ανθρώπινος γιατρός είναι καλύτερος στην παρατήρηση του ασθενούς, της ακτινογραφίας ή άλλων εικόνων συνολικά.

Προόδους στο AI 

Αυτά τα προβλήματα για την τεχνητή νοημοσύνη στο κλινικό περιβάλλον αντιμετωπίζονται τώρα από ερευνητές. Η Christina González Gonzalo είναι Ph.D. υποψήφιος στην ομάδα A-eye Research and Diagnostic Image Analysis Group του Radboudumc. 

Ο González Gonzalo ανέπτυξε μια νέα μέθοδο για τη διαγνωστική AI χρησιμοποιώντας σαρώσεις ματιών που εντόπισαν ανωμαλίες στον αμφιβληστροειδή. Οι συγκεκριμένες ανωμαλίες μπορούν εύκολα να βρεθούν από τους ανθρώπους γιατρούς και την τεχνητή νοημοσύνη, και συχνά εντοπίζονται σε ομάδες. 

Στην περίπτωση του συστήματος AI, θα διέγνωσε μία ή μερικές από τις ανωμαλίες και θα σταματούσε, καταδεικνύοντας ένα από τα μειονεκτήματα της χρήσης ενός τέτοιου συστήματος. Προκειμένου να αντιμετωπιστεί αυτό, ο González Gonzalo ανέπτυξε μια διαδικασία όπου το AI περνά πάνω από την εικόνα πολλές φορές. Όταν το κάνει αυτό, μαθαίνει να αγνοεί τα μέρη που είχε ήδη καλύψει, κάτι που του επιτρέπει να ανακαλύψει νέα. Επιπλέον, η τεχνητή νοημοσύνη τονίζει επίσης ύποπτες περιοχές, καθιστώντας την όλη διαγνωστική διαδικασία πιο διαφανή για την παρατήρηση των ανθρώπων. 

Αυτή η νέα μέθοδος είναι διαφορετική από τα παραδοσιακά συστήματα τεχνητής νοημοσύνης που χρησιμοποιούνται σε αυτές τις ρυθμίσεις, τα οποία βασίζουν τη διάγνωσή τους σε μία αξιολόγηση της σάρωσης των ματιών. Τώρα, οι ερευνητές μπορούν να δουν πώς το νέο σύστημα AI έφτασε στη διάγνωσή του.

Προκειμένου να αγνοηθούν οι ήδη ανιχνευθείσες ανωμαλίες, το σύστημα τεχνητής νοημοσύνης τις γεμίζει ψηφιακά με υγιή ιστό γύρω από τις ανωμαλίες. Στη συνέχεια, η διάγνωση γίνεται με βάση όλους τους κύκλους αξιολόγησης που προστίθενται μαζί. 

Η μελέτη διαπίστωσε ότι αυτό το νέο σύστημα βελτίωσε την ευαισθησία της ανίχνευσης της διαβητικής αμφιβληστροειδοπάθειας και της ηλικιακής εκφύλισης της ωχράς κηλίδας κατά 11.2+/-2.0%. 

Αυτό το νέο σύστημα θα μπορούσε πραγματικά να αλλάξει τον τρόπο με τον οποίο χρησιμοποιείται η τεχνητή νοημοσύνη κατά τη διάγνωση ασθενειών που βασίζονται σε ανωμαλίες και η μεγαλύτερη πρόοδος είναι η νέα διαφάνεια που μπορεί να επιδείξει όταν υποβάλλεται σε αυτή τη διαδικασία. Αυτή η διαφάνεια είναι που θα επιτρέψει ακόμη περισσότερες μελλοντικές διορθώσεις και προόδους, με τελικό στόχο να είναι ένα σύστημα τεχνητής νοημοσύνης που θα μπορούσε να διαγνώσει προβλήματα πολύ πιο ακριβή και πιο γρήγορα από τους καλύτερους ανθρώπινους ειδικούς στον τομέα. Όλα αυτά θα μπορούσαν επίσης να οδηγήσουν σε ένα πιο αξιόπιστο σύστημα, με πιθανό αποτέλεσμα την ευρεία υιοθέτησή του στο ευρύτερο πεδίο.