Bagaimana Kecerdasan Buatan Menjanjikan Lebih Cepat, Diagnosis Kesehatan Yang Lebih Akurat Seiring kemajuan pembelajaran mesin, penerapannya mencakup diagnosis medis yang lebih cepat dan lebih akurat. Shutterstock

Ketika Google DeepMind's AlphaGo mengejutkan mengalahkan pemain Go legendaris Lee Sedol di 2016, istilah kecerdasan buatan (AI), pembelajaran mesin dan pembelajaran mendalam didorong ke arus utama teknologi.

BBC Newsnight: AlphaGo dan masa depan Artificial Intelligence.

{youtube] 53YLZBSS0cc {/ youtube}

AI secara umum didefinisikan sebagai kapasitas untuk komputer atau mesin untuk menunjukkan atau mensimulasikan perilaku cerdas seperti Mobil self-driving Tesla dan Asisten digital Apple Siri. Ini adalah bidang yang berkembang dan fokus banyak penelitian dan investasi. Pembelajaran mesin adalah kemampuan sistem AI untuk mengekstraksi informasi dari data mentah dan belajar membuat prediksi dari data baru.

Pembelajaran mendalam menggabungkan kecerdasan buatan dengan pembelajaran mesin. Ini berkaitan dengan algoritma yang terinspirasi oleh struktur dan fungsi otak yang disebut jaringan saraf tiruan. Pembelajaran mendalam telah menerima banyak perhatian belakangan ini baik di dunia konsumen dan di seluruh komunitas medis.

grafis berlangganan batin

Minat belajar yang mendalam melonjak dengan keberhasilan AlexNet, jaringan saraf yang dirancang oleh Alex Krizhevsky yang memenangkan 2012 ImageNet Tantangan Pengakuan Visual Skala Besar, kompetisi klasifikasi gambar tahunan.

Kemajuan lain yang relatif baru adalah penggunaan unit pemrosesan grafis (GPU) untuk memperkuat algoritma pembelajaran yang mendalam. GPU unggul dalam perhitungan (perkalian dan penambahan) yang dibutuhkan untuk aplikasi pembelajaran dalam, sehingga menurunkan waktu pemrosesan aplikasi.

Di lab kami di Universitas Saskatchewan kami melakukan penelitian pembelajaran mendalam yang menarik terkait dengan aplikasi perawatan kesehatan - dan sebagai profesor teknik listrik dan komputer, saya memimpin tim peneliti. Ketika datang ke perawatan kesehatan, menggunakan AI atau pembelajaran mesin untuk membuat diagnosa adalah hal baru, dan telah ada kemajuan yang menarik dan menjanjikan.

Ekstraksi pembuluh darah di mata

Mendeteksi pembuluh darah retina yang abnormal berguna untuk mendiagnosis diabetes dan penyakit jantung. Untuk memberikan interpretasi medis yang andal dan bermakna, pembuluh retina harus diekstraksi dari gambar retina untuk interpretasi yang andal dan bermakna. Meskipun segmentasi manual dimungkinkan, itu adalah tugas yang kompleks, memakan waktu dan melelahkan yang membutuhkan keterampilan profesional tingkat lanjut.

Tim peneliti saya telah mengembangkan sistem yang dapat mensegmentasi pembuluh darah retina hanya dengan membaca gambar retina mentah. Ini adalah sebuah sistem diagnosis dengan bantuan komputer yang mengurangi pekerjaan yang dibutuhkan oleh spesialis perawatan mata dan dokter mata, dan memproses gambar 10 kali lebih cepat, sambil tetap mempertahankan akurasi tinggi.

Mendeteksi kanker paru-paru

Computer tomography (CT) banyak digunakan untuk diagnosis kanker paru-paru. Namun, karena gambaran visual dari lesi jinak (non-kanker) dan ganas (kanker) adalah sama, CT scan tidak selalu dapat memberikan diagnosis yang dapat diandalkan. Ini berlaku bahkan untuk ahli radiologi toraks dengan pengalaman bertahun-tahun. Pesatnya pertumbuhan Analisis CT scan telah menghasilkan kebutuhan mendesak akan alat komputasi canggih untuk membantu ahli radiologi dengan kemajuan penyaringan.

Untuk meningkatkan kinerja diagnostik ahli radiologi, kami telah mengusulkan solusi pembelajaran yang mendalam. Berdasarkan temuan penelitian kami, solusi kami mengungguli ahli radiologi yang berpengalaman. Selain itu, menggunakan solusi berbasis pembelajaran yang mendalam meningkatkan kinerja diagnostik secara keseluruhan dan ahli radiologi dengan pengalaman kurang mendapat manfaat dari sistem yang paling.

Tangkapan layar perangkat lunak pendeteksi kanker paru-paru. Seokbum Ko, penulis tersedia

Keterbatasan dan tantangan

Meskipun janji besar telah ditunjukkan dengan algoritma pembelajaran yang mendalam dalam berbagai tugas lintas radiologi dan kedokteran, sistem ini masih jauh dari sempurna. Memperoleh dataset beranotasi berkualitas tinggi akan tetap menjadi tantangan untuk pelatihan pembelajaran yang mendalam. Sebagian besar penelitian visi komputer didasarkan pada gambar alami, tetapi untuk aplikasi perawatan kesehatan, kita memerlukan dataset gambar medis yang besar dan beranotasi.

Tantangan lain dari sudut pandang klinis adalah waktu untuk menguji seberapa baik teknik pembelajaran yang mendalam bekerja berbeda dengan ahli radiologi manusia.

Perlu ada lebih banyak kolaborasi antara dokter dan ilmuwan pembelajaran mesin. Tingginya tingkat kompleksitas fisiologi manusia juga akan menjadi tantangan untuk teknik pembelajaran mesin.

Tantangan lain adalah persyaratan untuk memvalidasi sistem pembelajaran yang mendalam untuk implementasi klinis, yang kemungkinan akan membutuhkan kolaborasi multi-institusional dan kumpulan data besar. Akhirnya, platform perangkat keras yang efisien diperlukan untuk memastikan pemrosesan cepat sistem pembelajaran yang mendalam.

Dalam dunia perawatan kesehatan yang kompleks, alat AI dapat mendukung praktisi manusia untuk memberikan layanan yang lebih cepat dan diagnosis yang lebih akurat, dan menganalisis data untuk mengidentifikasi tren atau informasi genetika yang mungkin mempengaruhi seseorang terhadap penyakit tertentu. Ketika menyimpan menit bisa berarti menyelamatkan nyawa, AI dan pembelajaran mesin mungkin transformatif untuk petugas kesehatan dan pasien.Percakapan

Tentang Penulis

Seokbum Ko, Profesor, University of Saskatchewan

Artikel ini diterbitkan kembali dari Percakapan di bawah lisensi Creative Commons. Membaca Artikel asli.

Buku terkait

at Pasar InnerSelf dan Amazon