Νέα Προσθήκες στην Τεχνητή Νοημοσύνη για Κλινική Χρήση

Ερευνητές από το Radboudumc βοήθησαν στην πρόοδο της τεχνητής νοημοσύνης (ΤΝ) στην κλινική ρύθμιση μετά την απόδειξη του πώς η ΤΝ μπορεί να διαγνώσει προβλήματα παρόμοια με έναν γιατρό, ενώ επίσης δείχνει πώς φτάνει στη διάγνωση. Η ΤΝ ήδη παίζει ρόλο σε αυτό το περιβάλλον, χρησιμοποιείται για τη γρήγορη ανίχνευση ανωμαλιών που θα μπορούσαν να επισημανθούν ως ασθένεια από ειδικούς.

Τεχνητή Νοημοσύνη στην Κλινική Ρύθμιση

Η τεχνητή νοημοσύνη έχει χρησιμοποιηθεί όλο και περισσότερο στη διάγνωση της ιατρικής απεικόνισης. Αυτό που παραδοσιακά γινόταν από έναν γιατρό που μελετούσε μια ακτίνωση ή βιοψία για να αναγνωρίσει ανωμαλίες, μπορεί τώρα να γίνει με ΤΝ. Μέσω της χρήσης του βαθύ μαθήματος, αυτά τα συστήματα μπορούν να διαγνώσουν μόνα τους, συχνά είναι εξίσου ακριβή ή ακόμη και καλύτερα από τους ανθρώπινους γιατρούς.

Τα συστήματα δεν είναι τέλεια, ωστόσο. Ένα από τα προβλήματα είναι ότι η ΤΝ δεν δείχνει πώς αναλύει τις εικόνες και φτάνει στη διάγνωση. Ένα άλλο πρόβλημα είναι ότι δεν κάνουν τίποτα επιπλέον, που σημαίνει ότι σταματούν μια φορά που φτάνουν σε μια συγκεκριμένη διάγνωση. Αυτό θα μπορούσε να οδηγήσει το σύστημα να χάσει κάποιες ανωμαλίες ακόμη και όταν υπάρχει μια σωστή διάγνωση.

Σε αυτήν την περίπτωση, ο ανθρώπινος γιατρός είναι καλύτερος στην παρατήρηση του ασθενούς, της ακτίνωσης ή άλλων εικόνων γενικά.

Προσθήκες στην ΤΝ

Αυτά τα προβλήματα για την ΤΝ στην κλινική ρύθμιση αντιμετωπίζονται τώρα από ερευνητές. Η Christina González Gonzalo είναι υποψήφια διδάκτωρ στο A-eye Research και Diagnostic Image Analysis Group του Radboudumc.

Η González Gonzalo ανέπτυξε eine νέα μέθοδο για την διαγνωστική ΤΝ χρησιμοποιώντας σκανning των ματιών που βρήκαν ανωμαλίες της ρέτινας. Οι συγκεκριμένες ανωμαλίες μπορούν εύκολα να βρεθούν από ανθρώπινους γιατρούς και ΤΝ, και συχνά βρεθούν σε ομάδες.

Στην περίπτωση του συστήματος ΤΝ, θα διαγνώσει μια ή vài ανωμαλίες και θα σταματήσει, δείχνοντας ένα από τα μειονεκτήματα της χρήσης ενός τέτοιου συστήματος. Για να αντιμετωπίσουμε αυτό, η González Gonzalo ανέπτυξε μια διαδικασία όπου η ΤΝ περνάει από την εικόνα πολλές φορές. Όταν το κάνει, μαθαίνει να αγνοεί τις θέσεις που είχε ήδη καλύψει, το οποίο της επιτρέπει να ανακαλύψει νέες. Επιπλέον, η ΤΝ επίσης υπογραμμίζει ύποπτες περιοχές, καθιστώντας ολόκληρη τη διαγνωστική διαδικασία πιο διαφανή για τους ανθρώπους να παρατηρήσουν.

Αυτή η νέα μέθοδος διαφέρει από τα παραδοσιακά συστήματα ΤΝ που χρησιμοποιούνται σε αυτές τις ρυθμίσεις, τα οποία βασίζουν τη διάγνωσή τους σε μια αξιολόγηση του σκανning των ματιών. Τώρα, οι ερευνητές μπορούν να δουν πώς το νέο σύστημα ΤΝ έφτασε στη διάγνωσή του.

Για να αγνοήσει τις ήδη ανιχνευμένες ανωμαλίες, το σύστημα ΤΝ ψηφιακά γεμίζει τις ανωμαλίες με υγιή ιστό από γύρω από τις ανωμαλίες. Η διάγνωση γίνεται τότε με βάση όλες τις αξιολογήσεις που προστίθενται μαζί.

Η μελέτη βρήκε ότι αυτό το νέο σύστημα βελτίωσε την ευαισθησία της ανίχνευσης της διαβητικής ρετινopathίας και της ηλικιακής μακροπρόθεσμης εκφύλισης κατά 11,2+/-2,0%.

Αυτό το νέο σύστημα θα μπορούσε πραγματικά να αλλάξει τον τρόπο που η ΤΝ χρησιμοποιείται όταν διαγνώσει ασθένειες με βάση ανωμαλίες, και η μεγαλύτερη πρόοδος είναι η νέα διαφάνεια που μπορεί να δείξει κατά τη διάρκεια αυτής της διαδικασίας. Αυτή η διαφάνεια είναι αυτή που θα επιτρέψει ακόμη περισσότερες μελλοντικές διορθώσεις και προόδους, με το τελικό στόχο να είναι ένα σύστημα ΤΝ που θα μπορούσε να διαγνώσει προβλήματα πολύ πιο ακριβώς και γρήγορα από τους καλύτερους ανθρώπινους εμπειρογνώμονες στο πεδίο. Όλα αυτά θα μπορούσαν επίσης να οδηγήσουν σε ένα πιο αξιόπιστο σύστημα, που θα μπορούσε να οδηγήσει στη ευρεία υιοθέτησή του στο μεγαλύτερο πεδίο.