Uudet edistysaskeleet tekoälyssä kliiniseen käyttöön

Radboudumc:n tutkijat auttoivat edistämään tekoälyä (AI) kliinisessä ympäristössä osoittamalla, miten tekoäly voi diagnosoida ongelmia samalla tavalla kuin lääkäri, ja myös osoittamalla, miten se saavuttaa diagnoosin. Tekoäly jo pelaa roolia tässä ympäristössä, ja sitä käytetään nopeasti havaitsemaan poikkeavuuksia, joita asiantuntijat voivat merkitä sairauksiksi. Tekoäly on jo pitkään ollut käytössä lääketieteellisen kuvantamisen diagnostiikassa. Mitä perinteisesti tehtiin lääkärin toimesta tutkimalla röntgenkuvaa tai biopsiaa poikkeavuuksien havaitsemiseksi, voidaan nyt tehdä tekoälyllä. Syvän oppimisen avulla nämä järjestelmät voivat diagnosoida itse, usein yhtä tarkasti tai jopa tarkemmin kuin ihmislääkärit.

Teckoäly kliinisessä ympäristössä

Järjestelmät eivät kuitenkaan ole täydellisiä. Yksi ongelmista on, että tekoäly ei osoita, miten se analysoi kuvia ja saavuttaa diagnoosin. Toinen ongelma on, että ne eivät tee mitään ylimääräistä, vaan lopettavat toimintansa, kun tietty diagnoosi on tehty. Tämä voi johtaa siihen, että järjestelmä jättää huomioimatta joitain poikkeavuuksia, vaikka diagnoosi on oikein.
Tässä tilanteessa ihmislääkäri on parempi havainnoimassa potilasta, röntgenkuvaa tai muita kuvia yleensä.

Edistysaskeleet tekoälyssä

Näitä tekoälyongelmia kliinisessä ympäristössä ovat nyt ratkaisemassa tutkijat. Christina González Gonzalo on tohtorikoulutettava Radboudumc:n A-eye-tutkimus- ja diagnostiikkaryhmässä.
González Gonzalo kehitti uuden menetelmän diagnostiseen tekoälyyn käyttämällä silmän skannauksia, joissa havaittiin verkkokalvon poikkeavuuksia. Nämä poikkeavuudet voidaan helposti havaita sekä ihmislääkäreillä että tekoälyllä, ja ne usein esiintyvät ryhmissä.
Teckoälyjärjestelmä diagnosoi yhden tai useamman poikkeavuuden ja lopetti, osoittaen yhden tekoälyn käytön haittoja. Ratkaisemaan tämän ongelman González Gonzalo kehitti prosessin, jossa tekoäly käy kuvan useita kertoja läpi. Kun se tekee tämän, se oppii jättämään huomioimatta ne kohdat, joita se oli jo käsittellyt, mikä mahdollistaa uusien poikkeavuuksien havaitsemisen. Lisäksi tekoäly korostaa epäilyttäviä alueita, mikä tekee koko diagnostisen prosessin ihmisille havainnollisemmaksi.
Tämä uusi menetelmä poikkeaa perinteisistä tekoälyjärjestelmistä, jotka perustuvat yhteen silmän skannauksen arviointiin. Nyt tutkijat voivat nähdä, miten uusi tekoälyjärjestelmä saavutti diagnoosinsa.
Järjestelmä “täyttää” jo havaitut poikkeavuudet terveellä kudoksella niiden ympäriltä, ja diagnoosi tehdään kaikkien arviointikierrosten yhteenvetona.
Tutkimus osoitti, että tämä uusi järjestelmä paransi diabeteksen aiheuttaman verkkokalvon taudin ja ikään liittyvän makula-degeneraation havaitsemisen herkkyyttä 11,2+/-2,0%:lla.
Tämä uusi järjestelmä voi todella muuttaa sitä, miten tekoälyä käytetään sairauksien diagnostiikassa poikkeavuuksien perusteella, ja suurin edistysaskel on uusi läpinäkyvyys, jonka se voi osoittaa tämän prosessin aikana. Tämä läpinäkyvyys on se, mikä mahdollistaa tulevat korjaukset ja edistysaskeleet, ja lopullinen tavoite on tekoälyjärjestelmä, joka voi diagnosoida ongelmia paljon tarkemmin ja nopeammin kuin parhaat asiantuntijat alalla. Tämä voi myös johtaa luotettavampaan järjestelmään, mikä voi johtaa sen laajempaan käyttöön laajemmassa kentässä.