Gezondheidszorg
Vooruitgang in AI in de gezondheidszorg – Spotlight van Nathan Wang

Belangrijkste puntenModel interpreteerbaarheid is de belangrijkste recente AI-ontwikkeling voor het…
Meer weergeven
- Model interpreteerbaarheid is de belangrijkste recente AI-ontwikkeling voor het opbouwen van vertrouwen bij clinici.
- De kroonprestatie van AI zal voortkomen uit diepgaande integratie van genomica en radiomics.
- Nathan Wang gebruikt ensemble learning, waarbij deep learning en textuuranalyse worden gecombineerd voor de detectie van hersentumoren.
Artificiële intelligentie wordt snel een van de belangrijkste factoren in de vooruitgang van de gezondheidszorg. Voorafgaand aan de RE•WORK – AI in Healthcare Summit Boston, vroegen we Nathan Wang – onderzoeker op het gebied van deep learning en medische beeldvorming bij Johns Hopkins University naar zijn mening over het onderwerp. Hier is wat hij te zeggen had:
Wat denkt u dat de belangrijkste vooruitgang is voor AI in de gezondheidszorg?
In recente jaren heeft het veld grote stappen gezet in de interpreteerbaarheid van modellen. Als onderzoeker is het voor mij essentieel om de “redenering” achter onze AI te begrijpen, zodat we robuustere en nauwkeurigere modellen kunnen bouwen. Hopelijk zullen clinici en patiënten uiteindelijk meer vertrouwen hebben in deze AI-systemen.
Wat denkt u dat de kroon op de prestaties van AI in de gezondheidszorg en patiëntresultaten zal zijn?
Ik denk dat de kroon op de prestaties van AI nog moet komen. Ik geloof dat wanneer diepe genomics en radionics belangrijker worden, AI een nog grotere rol zal spelen dan nu.
Wat zijn enkele recente successen van een AI-project waar u aan werkt? Wat waren de uitdagingen die u tegenkwam tijdens het project? Hoe hebt u ze overwonnen?
Mijn werk bij Johns Hopkins omvat op deep learning gebaseerde intraoperatieve beeldanalyse, met name het onderscheiden tussen kankerweefsel en niet-kankerweefsel in de menselijke hersenschors van optische coherentietomografie (OCT)-beelden. Een significante uitdaging was het ontwerpen van een AI-model dat goed generaliseert naar gegevens van patiënten buiten de trainingsset. Hoewel diepe netwerken goed zijn in het extraheren van verborgen patronen, zijn de patronen die het gemakkelijkst te leren zijn niet altijd correct. Daarom is het belangrijk om verschillende gegevensnormalisatie- en transformatiemethoden te gebruiken. In mijn project vond ik beeldtextuur zeer nuttig in een opzet voor ensembleleren, zodat we zowel deep learning als klassieke patroonherkenningstechnieken samen laten werken.
Hoe diep zal AI in de klinische workflow zijn ingebed over 5 tot 10 jaar? Wat zullen enkele toekomstige trends zijn?
Ik zie dat AI steeds meer zal helpen bij het klinische proces, van diagnose tot behandeling. AI heeft aangetoond dat het niet alleen goed is in vroege diagnose en screening, maar ook in het voorspellen van langetermijnprognoses. Door tijdig te behandelen, wat met AI nauwkeuriger en efficiënter kan worden gedaan, kunnen mensen langer en gezonder leven.
Waarnaar kijkt u het meest uit tijdens uw presentatie op de AI Healthcare Summit?
De relevantie en impact van AI in de gezondheidszorg wordt duidelijk weerspiegeld in het indrukwekkende paneel van expert-sprekers uit verschillende industrieën en onderzoeksachtergronden. Ik kijk ernaar uit om eerstehands kennis te maken met de voorhoede van AI in gebieden naast mijn eigen en om inspirerende gesprekken te voeren die mijn onderzoeksrichting positief zullen beïnvloeden.
Wilt u meer weten?
Nathan zal spreken op de aanstaande AI in Healthcare Summit op 13-14 oktober 2022 in Boston, MA. Sluit u aan bij hem en vele andere AI/ML- en Deep Learning-experts om meer te leren over de laatste trends en kansen in de gezondheidszorg.
De vroegboekkorting eindigt op vrijdag 2 september, dus boek uw plaats vandaag.
Gebruik de kortingcode: UNITEAI voor 20% korting.
Neem voor meer informatie contact op met hello@re-work.co.










