#RoboTemat: uczą sztuczną inteligencję rozpoznawać choroby
Sprawne czytanie i analizowanie zdjęć rentgenowskich to klucz do rozpoznania wielu chorób. Może to zaważyć na odpowiedniej diagnozie, co może nawet uratować życie pacjenta. Naukowcy chcą nauczyć sztuczną inteligencję rozpoznawania chorób poprzez analizę zdjęć pacjentów.
Naukowcy z amerykańskiego Massachusetts Institute of Technology pracują nad technologią, która umożliwi szybsze, sprawniejsze i co ważne – dokładniejsze analizowanie zdjęć rentgenowskich oraz historii chorób pacjentów. W tym celu naukowcy stosują algorytmy sztucznej inteligencji, które są trenowane przez nich. Prowadzący badania Ruizhi „Ray” Liao powiedział, że jego zespół chce, aby algorytmy sztucznej inteligencji wykonywały automatycznie pracę, którą wykonuje miliony radiologów na świecie.
Sztuczna inteligencja czyta obrazy
Wykorzystanie algorytmów sztucznej inteligencji do skanowania i rozpoznawania obrazów nie jest niczym nowym, przyznaje Liao. Jednak on i jego zespół postanowili wykorzystać dotychczas niewykorzystane w pełni źródło. Tym źródłem są historie chorób pacjentów z poprzednich lat, do których dołączone są prześwietlenia. Ma to na celu wytrenowanie algorytmów, aby były zdolne do samodzielnej interpretacji zdjęć i stawiania prawidłowych diagnoz. Naukowcy wykorzystują w tym celu również koncept z teorii informacji nazwany informacją wzajemną. Jest to miara statystyczna pokazująca zależność między dwiema zmiennymi.
Jak to działa?
Pierwszym krokiem jest wytrenowanie sieci neuronowej, aby ta określała zakres choroby, np. obrzęk płuc. Wykorzystuje się do tego prześwietlenia płuc chorych pacjentów, z których każde zawiera indywidualną ocenę lekarza określającą powagę każdego przypadku. Informacje te są zawarte w postaci ciągu liczbowego. W osobnym procesie sieć neuronowa analizuje ciąg liter, które składają się w konkretny tekst, który zawiera te same informacje, które zapisane są w innym ciągu liczb. Kolejnym etapem jest zintegrowanie ze sobą informacji zawartych w obrazach i tekście, żeby zmaksymalizować informacje wzajemne zawarte między dwoma zbiorami danych.
CZYTAJ WIĘCEJ: #RobotTemat: Roboty rehabilitacyjne na miare XXI wieku – Robotyka
„Kiedy ilość informacji wzajemnych między tekstem, a obrazem jest duża, to obrazy można z dużą dozą prawdopodobieństwa przewiedzieć poprzez analizę tekstu i odwrotnie”, wyjaśnia prof. Polina Golland z MIT.
Golland oraz Liao zaprezentowali również kolejną innowację, która zastosowali w swojej pracy. Zamiast trenować sztuczną inteligencję poprzez analizę całych raportów wykonanych przez radiologów, to rozbili je na mniejsze części. Chodziło oto, żeby opisy, które analizuje sieć neuronowa dotyczyły konkretnych zdjęć. Dzięki temu rozpoznanie choroby jest bardziej dokładne niż w przypadku analizy całej historii choroby danego pacjenta. Ponadto, dzięki temu, że sieć analizuje mniejsze części raportów ma do dyspozycji więcej próbek.
Ruizhi „Ray” Liao przyznał, że aspekt uczenia maszynowego jest dla niego w tym przedsięwzięciu bardzo fascynujący, ale to nie to jest w tym najważniejsze. Głównym celem dla niego jest dostarczenie technologii, która będzie znajdzie zastosowanie kliniczne i będzie akceptowana na świecie. Co ważne technologia ta może znaleźć zastosowanie właściwie w każdego rodzaju choroby, którą da się rozpoznać analizując zdjęcie rentgenowskie oraz jego opis sporządzony przez lekarza.
Źródła: phys.org, techxplore.com, technologynetworks.com
Autor: Mateusz Tomanek
Zobacz też:
