Khi máy học tiến triển, các ứng dụng của nó bao gồm các chẩn đoán y tế nhanh hơn, chính xác hơn. Shutterstock

Khi AlphaGo của Google DeepMind đánh bại một cách kinh hoàng người chơi cờ vây huyền thoại Lee Sedol trong 2016, thuật ngữ trí tuệ nhân tạo (AI), học máy và học sâu đã được đưa vào dòng chính công nghệ.

BBC Newsnight: AlphaGo và tương lai của Trí tuệ nhân tạo.

{youtube] 53YLZBSS0cc {/ youtube}

AI thường được định nghĩa là năng lực để máy tính hoặc máy móc thể hiện hoặc mô phỏng hành vi thông minh như Xe tự lái của Tesla và Trợ lý kỹ thuật số của Apple Siri. Đây là một lĩnh vực phát triển mạnh và là trọng tâm của nhiều nghiên cứu và đầu tư. Học máy là khả năng của một hệ thống AI để trích xuất thông tin từ dữ liệu thô và học cách đưa ra dự đoán từ dữ liệu mới.

Học sâu kết hợp trí tuệ nhân tạo với học máy. Nó liên quan đến các thuật toán lấy cảm hứng từ cấu trúc và chức năng của não gọi là mạng lưới thần kinh nhân tạo. Học sâu đã nhận được nhiều sự chú ý gần đây cả trong thế giới tiêu dùng và trong cộng đồng y tế.

Sự hứng thú với việc học sâu đã tăng lên với sự thành công của AlexNet, một mạng lưới thần kinh được thiết kế bởi Alex Krizhevsky đã giành chiến thắng Thử thách nhận dạng hình ảnh quy mô lớn 2012 ImageNet, một cuộc thi phân loại hình ảnh hàng năm.

Một tiến bộ tương đối gần đây là việc sử dụng các đơn vị xử lý đồ họa (GPU) để tăng sức mạnh cho các thuật toán học sâu. GPU vượt trội ở các tính toán (nhân và bổ sung) cần thiết cho các ứng dụng học sâu, do đó làm giảm thời gian xử lý ứng dụng.

Trong phòng thí nghiệm của chúng tôi tại Đại học Saskatchewan, chúng tôi đang thực hiện nghiên cứu sâu học thú vị liên quan đến các ứng dụng chăm sóc sức khỏe - và là giáo sư kỹ thuật điện và máy tính, tôi lãnh đạo nhóm nghiên cứu. Khi nói đến chăm sóc sức khỏe, sử dụng AI hoặc học máy để chẩn đoán là điều mới mẻ, và đã có những tiến bộ thú vị và đầy hứa hẹn.

Trích xuất mạch máu trong mắt

Phát hiện các mạch máu võng mạc bất thường rất hữu ích để chẩn đoán bệnh tiểu đường và bệnh tim. Để cung cấp các giải thích y tế đáng tin cậy và có ý nghĩa, tàu võng mạc phải được trích xuất từ ​​một hình ảnh võng mạc để giải thích đáng tin cậy và có ý nghĩa. Mặc dù phân khúc thủ công là có thể, nhưng nó là một nhiệm vụ phức tạp, tốn thời gian và tẻ nhạt đòi hỏi các kỹ năng chuyên nghiệp tiên tiến.

Nhóm nghiên cứu của tôi đã phát triển một hệ thống có thể phân chia các mạch máu võng mạc chỉ bằng cách đọc một hình ảnh võng mạc thô. Nó là một hệ thống chẩn đoán hỗ trợ máy tính làm giảm công việc cần thiết bởi các chuyên gia chăm sóc mắt và bác sĩ nhãn khoavà xử lý hình ảnh 10 nhanh hơn lần, trong khi vẫn giữ được độ chính xác cao.

Phát hiện ung thư phổi

Chụp cắt lớp vi tính (CT) được sử dụng rộng rãi để chẩn đoán ung thư phổi. Tuy nhiên, vì các biểu hiện trực quan của các tổn thương lành tính (không ung thư) và ác tính (ung thư) trong quét CT là tương tự nhau, nên chụp CT luôn có thể đưa ra chẩn đoán đáng tin cậy. Điều này đúng ngay cả với một bác sĩ X quang lồng ngực có nhiều năm kinh nghiệm. Sự tăng trưởng nhanh chóng của Phân tích CT scan đã tạo ra một nhu cầu cấp thiết cho các công cụ tính toán tiên tiến để hỗ trợ các bác sĩ X quang tiến trình sàng lọc.

Để cải thiện hiệu suất chẩn đoán của bác sĩ X quang, chúng tôi đã đề xuất một giải pháp học tập sâu. Dựa trên kết quả nghiên cứu của chúng tôi, giải pháp của chúng tôi vượt trội hơn các bác sĩ X quang có kinh nghiệm. Hơn nữa, sử dụng giải pháp dựa trên học tập sâu giúp cải thiện hiệu suất chẩn đoán tổng thể và các bác sĩ X quang với ít kinh nghiệm nhất được hưởng lợi từ hệ thống.

Ảnh chụp màn hình của phần mềm phát hiện ung thư phổi. Seokbum Ko, tác giả cung cấp

Hạn chế và thách thức

Mặc dù lời hứa tuyệt vời đã được thể hiện với các thuật toán học sâu trong nhiều nhiệm vụ khác nhau trên X quang và y học, những hệ thống này còn lâu mới hoàn hảo. Có được bộ dữ liệu chú thích chất lượng cao sẽ vẫn là một thách thức đối với đào tạo học sâu. Hầu hết các nghiên cứu thị giác máy tính dựa trên hình ảnh tự nhiên, nhưng đối với các ứng dụng chăm sóc sức khỏe, chúng ta cần các bộ dữ liệu hình ảnh y tế có chú thích lớn.

Một thách thức khác từ quan điểm lâm sàng sẽ là thời gian để kiểm tra các kỹ thuật học sâu thực hiện tốt như thế nào trái ngược với các bác sĩ X quang ở người.

Cần phải có sự hợp tác nhiều hơn giữa các bác sĩ và các nhà khoa học máy học. Mức độ phức tạp cao của sinh lý con người cũng sẽ là một thách thức đối với các kỹ thuật máy học.

Một thách thức khác là các yêu cầu để xác nhận một hệ thống học tập sâu để thực hiện lâm sàng, có thể sẽ cần sự hợp tác đa tổ chức và các bộ dữ liệu lớn. Cuối cùng, một nền tảng phần cứng hiệu quả là cần thiết để đảm bảo xử lý nhanh các hệ thống học tập sâu.

Trong thế giới phức tạp của chăm sóc sức khỏe, các công cụ AI có thể hỗ trợ các học viên của con người cung cấp dịch vụ nhanh hơn và chẩn đoán chính xác hơn, đồng thời phân tích dữ liệu để xác định xu hướng hoặc thông tin di truyền có thể khiến ai đó mắc một căn bệnh cụ thể. Khi tiết kiệm phút có thể có nghĩa là cứu mạng, AI và học máy có thể là biến đổi cho nhân viên y tế và bệnh nhân.

Giới thiệu về Tác giả

Seokbum Ko, Giáo sư, Đại học Saskatchewan

Bài viết này được tái bản từ Conversation theo giấy phép Creative Commons. Đọc ban đầu bài viết.

Sách liên quan

at Thị trường InnerSelf và Amazon