Искусственный интеллект вместо врача

При цитировании информации активная гиперссылка на evo-rus.com обязательна.

Врач против искусственного интеллекта

В последние годы искусственный интеллект находится на подъеме в диагностике медицинской визуализации. Врач может посмотреть рентген или биопсию, чтобы выявить аномалии, но это все чаще можно сделать с помощью системы на основе искусственного интеллекта посредством «глубокого обучения». Такая система учится самостоятельно ставить диагноз, а в некоторых случаях она делает это так же хорошо или лучше, чем опытные врачи.

Два главных различия по сравнению с врачом-человеком заключаются, во-первых, в том, что действия, выполняемые искусственным интеллектом, часто не прозрачны в том, как он анализирует изображения, и, во-вторых, в том, что эти ИИ-системы довольно «ленивы». Искусственный интеллект смотрит на то, что нужно для конкретного диагноза, а затем останавливается. Это означает, что сканирование не всегда выявляет все отклонения, даже если диагноз правильный. Врач, особенно при рассмотрении плана лечения, смотрит на общую картину: “Что я вижу?”, “Какие аномалии следует удалить или лечить во время операции?”.

Искусственный интеллект, больше похожий на доктора

Чтобы сделать системы искусственного интеллекта более привлекательными для клинической практики, Кристина Гонсалес Гонсало, кандидат наук в области исследований и диагностики диагностических изображений A-eye в Radboudumc, разработала двустороннюю инновацию для диагностики заболеваний искусственным интеллектом. Она сделала это на основе сканирования глаза, при котором произошли аномалии сетчатки – в частности, диабетическая ретинопатия и возрастная дегенерация желтого пятна. Эти нарушения могут быть легко распознаны как врачом, так и искусственным интеллектом. Но они также являются отклонениями, которые часто встречаются в группах. Классический искусственный интеллект диагностирует одно или несколько пятен и останавливает анализ. Однако в процессе, разработанном Гонсалесом Гонсало, он снова и снова просматривает картину, учась игнорировать уже пройденные места, открывая новые. Кроме того, искусственный интеллект также показывает, какие области сканирования глаза он считает подозрительными.
Итерационный процесс

Базовая ИИ-система может поставить диагноз на основе одной оценки сканирования глаза, и благодаря первому вкладу Гонсалеса Гонсало, она может показать, как пришла к этому диагнозу. Это визуальное объяснение показывает, что система действительно ленива – останавливает анализ после того, как ею было получено достаточно информации для постановки диагноза. Вот почему Гонсало также сделала процесс итеративным и инновационным, заставив искусственный интеллект выглядеть более “усердным врачом” и создать более «полную картину», которую могли бы иметь рентгенологи.

Как система научилась смотреть на одно и то же сканирование глаз «свежими глазами»? Система игнорировала знакомые детали, заполняя в цифровой форме аномалии, которые уже были обнаружены при использовании здоровой ткани вокруг аномалии. Результаты всех раундов оценки затем складывались, и это дало окончательный диагноз. В исследовании этот подход улучшил чувствительность выявления диабетической ретинопатии и возрастной макулярной дегенерации на 11,2 ± 2,0% на изображение. Этот проект доказывает, что система искусственного интеллекта может оценивать изображения с большем уровнем эффективности, не уступая реальным опытным врачам, а также делать прозрачным то, как она это делает. Это может способствовать доверию к технологиям на основе искусственного интеллекта и, таким образом, помочь ИИ-системам быть принятыми радиологами.

Предпосылки: что такое «глубокое обучение»?

Глубокое обучение – это термин, используемый для систем, которые учатся также, как функционирует человеческий мозг. Он состоит из сетей электронных «нейронов», каждый из которых учится распознавать один из аспектов желаемого изображения. Затем он следует принципам «учиться на практике», а «практика совершенствует». Система получает все больше и больше изображений, которые содержат соответствующую информацию о том, есть ли в данном случае аномалия в сетчатке, и если да, то какая это болезнь. Затем система учится распознавать, какие характеристики принадлежат этим болезням, и чем больше изображений она видит, тем лучше она может распознавать эти характеристики в неотображенных изображениях. Мы делаем что-то подобное с маленькими детьми: мы неоднократно держим перед ними какой-то предмет, скажем, яблоко, и говорим, что это яблоко. Через некоторое время необходимость в повторении отпадает: хотя каждое яблоко немного отличается от другого ребёнок без труда распознаёт любое яблоко. Еще одним важным преимуществом этих систем является то, что они заканчивают обучение гораздо быстрее, чем люди, и могут работать 24 часа в сутки, без снижения производительности.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Кнопка «Наверх»