Terveydenhuolto
Tekoälyn edistysaskeleet terveydenhuollossa: Nathan Wangin näkemyksiä

Keskeiset kohdatMallin tulkittavuus on tärkein viimeaikainen tekoälyn edistysaskel kliinikkojen…
Näytä lisää
- Mallin tulkittavuus on tärkein viimeaikainen tekoälyn edistysaskel kliinikkojen luottamuksen rakentamisessa.
- Tekoälyn kruunusaavutus tulee syvän genomiikan ja radiomiikan integraatiosta.
- Nathan Wang käyttää yhdistelmäoppimista, joka yhdistää syväoppimisen ja tekstuurianalyysin aivokasvainten havaitsemiseen.
Tekoälystä on nopeasti tulossa yksi terveydenhuollon edistysaskeleiden avaintekijöistä. Ennen RE•WORK – Tekoäly terveydenhuollossa -huippukokousta Bostonissa, kysyimme Nathan Wangilta, syvän oppimisen/ lääketieteellisen kuvantamisen tutkijalta Johns Hopkinsin yliopistosta, hänen mielipidettään aiheesta. Tässä on mitä hän sanoi:
Mikä on sinun mielestäsi tärkein edistysaskel tekoälyssä terveydenhuollossa?
Viime vuosina alalla on edistytty huomattavasti mallien tulkittavuudessa. Tutkijoina tekoälymme päättelyn intuitiivinen ymmärtäminen auttaa meitä rakentamaan toimintavarmempia ja tarkempia malleja. Toivottavasti lääkärit ja potilaat voivat lopulta luottaa näihin tekoälyjärjestelmiin aiempaa enemmän.
Mikä on tekoälyn kruununjalokivi terveydenhuollossa ja potilastuloksissa?
Mielestäni tekoälyn kruununjalokivi on vielä tulossa. Kun syvä genomiikka ja radionomiikka tulevat suuremmaksi, tekoäly tulee pelaamaan vielä suurempaa roolia kuin nykyään.
Mitkä ovat viimeaikaiset voitot tekoälyprojektistasi? Mitkä haasteet kohtasit siinä? Miten ylitit ne?
Työni Johns Hopkinsissa käsittelee syväoppimiseen perustuvaa leikkauksenaikaista kuva-analyysiä, erityisesti syöpäkudoksen ja ei-syöpäkudoksen erottamista ihmisen aivokuoren optisen koherenssitomografian (OCT) kuvista. Merkittävä haaste, jota kohtasin, oli suunnitella tekoälymalli, joka yleistyy hyvin opetusaineiston ulkopuolisten potilaiden tietoihin. Vaikka syvät verkostot ovat hyviä piilotettujen mallien etsimisessä, helpoimmin opittavat mallit eivät aina ole oikein. On tärkeää käyttää erilaisia tietojen normalisointi- ja muunnosmenetelmiä. Projektissani löysin, että kuvan tekstuuri on erittäin hyödyllinen yhdistelmäoppimisessa, jossa syväoppiminen ja perinteiset hahmontunnistusmenetelmät toimivat yhdessä.
Kuinka vahvasti tekoäly on kliinisen työnkulun sisällä 5-10 vuoden kuluttua? Mitkä ovat tulevat suuntaukset silloin?
Näen, että tekoäly tulee olemaan yhä enemmän asiantuntijoiden avuksi koko kliinisen työnkulun ajan, alkaen diagnoosista ja päättyen hoitoon. Tekoäly on osoittanut olevan taitava sekä varhaisessa diagnoosissa ja seulonnassa että pitkän aikavälin ennusteen määrityksessä. Osallistumalla oikea-aikaisiin hoitotoimiin, joita voidaan tehdä tarkemmaksi ja tehokkaammaksi tekoälyn avulla, ihmiset voivat odottaa elävänsä pidempään ja terveempään elämään.
Mitä odotat eniten puhuessasi Tekoäly terveydenhuollossa -huippukokouksessa?
Terveydenhuollossa tekoälyn merkitys ja vaikutus heijastuvat selvästi vaikuttavasta asiantuntija-puhujapaneelista, joka edustaa eri aloja ja tutkimustaustoja. Odotan innostuneena saavani ensikäden tietoa tekoälyn uusimmasta kehityksestä aloilla, jotka ovat lähellä omaa alaani, ja osallistuvani inspiroiviin keskusteluihin, jotka voivat vaikuttaa myönteisesti tutkimussuuntaani.
Haluatko oppia lisää?
Nathan puhuu tulevassa Tekoäly terveydenhuollossa -huippukokouksessa 13.-14. lokakuuta 2022 Bostonissa. Liity hänen ja muiden monien tekoäly- ja syväoppimiseksperttien joukkoon, jotka keskustelevat terveydenhuollossa tekoälyn uusimmista suuntauksista ja mahdollisuuksista.
Ennakkohintaiset liput päättyvät perjantaina, 2. syyskuuta, joten varaa paikkasi tänään.
Käytä alennuskoodia: UNITEAI 20 % alennukseen.
Lisätietoja saat osoitteesta hello@re-work.co.










