Sistemi i ri i AI, i Google ndihmon radiologët të analizojnë rrezet X
Mësimi i thellë mund të zbulojë rrezet x të gjoksit jonormal me saktësi që përputhet me atë të radiologëve profesionistë, sipas një punimi të ri nga një ekip studiuesish të Inteligjencës Artificiale në Google të botuar në revistën shkencore të vlerësuar nga kolegët.
Sistemi i mësimit të thellë mund të ndihmojë radiologët të kenë përparësi në rrezet x të gjoksit, dhe gjithashtu mund të shërbejë si një mjet i parë i përgjigjes në mjediset e urgjencës ku radiologët me përvojë nuk janë në dispozicion. Gjetjet tregojnë se, ndërsa mësimi i thellë nuk është afër zëvendësimit të radiologëve, ai mund të ndihmojë në rritjen e produktivitetit të tyre në një kohë që bota po përballet me një mungesë të madhe të ekspertëve mjekësorë.
Punimi gjithashtu tregon se sa larg ka arritur komuniteti kërkimor i Inteligjencës Artificiale për të ndërtuar procese që mund të zvogëlojnë rreziqet e modeleve të mësimit të thellë dhe të krijojnë punë që mund të ndërtohen më tej në të ardhmen.
Përparimet në analizën e imazhit mjekësor të mundësuar nga AI janë të pamohueshme. Tani ka dhjetëra sisteme të mësimit të thellë për imazhet mjekësore që kanë marrë miratimin zyrtar nga FDA dhe organet e tjera rregullatore në të gjithë botën.
Por problemi me shumicën e këtyre modeleve është se ata janë trajnuar për një detyrë shumë të ngushtë, siç është gjetja e gjurmëve të një sëmundjeje dhe kushteve specifike në imazhet me rreze x. Prandaj, ato do të jenë të dobishme vetëm në rastet kur radiologu e di se çfarë të kërkojë.
Por radiologët nuk fillojnë domosdoshmërisht duke kërkuar një sëmundje specifike. Dhe ndërtimi i një sistemi që mund të zbulojë çdo sëmundje të mundshme është jashtëzakonisht e vështirë “nëse jo e pamundur.
“Gama e gjerë e anomalive të mundshme CXR [rrezet X të gjoksit] e bën jopraktike zbulimin e çdo gjendjeje të mundshme duke ndërtuar sisteme të shumta të veçanta, secila prej të cilave zbulon një ose më shumë kushte të paracaktuara,” shkruajnë studiuesit e AI të Google në punimin e tyre Me
Zgjidhja e tyre ishte krijimi i një sistemi të mësimit të thellë që zbulon nëse një skanim i gjoksit është normal apo përmban gjetje klinikisht të zbatueshme. Përcaktimi i fushës së problemit për sistemet e mësimit të thellë është një akt për të gjetur ekuilibrin midis specifikës dhe përgjithësueshmërisë. Në njërën anë të spektrit janë modele të mësimit të thellë që mund të kryejnë detyra shumë të ngushta (p.sh., zbulimi i pneumonisë ose frakturave) me koston e mos përgjithësimit në detyrat e tjera (p.sh., zbulimi i tuberkulozit). Dhe në anën tjetër janë sistemet që i përgjigjen një pyetjeje më të përgjithshme (p.sh., a është ky skanim me rreze x normale apo ka nevojë për ekzaminim të mëtejshëm?) Por nuk mund të zgjidhin probleme më specifike.
Intuita e studiuesve të Google ishte se zbulimi i anomalive mund të ketë një ndikim të madh në punën e radiologëve, edhe nëse modeli i trajnuar nuk vuri në dukje sëmundje specifike.
“Një sistem i besueshëm i UA për të dalluar CXR -të normale nga ato jonormale mund të kontribuojë në punën dhe menaxhimin e shpejtë të pacientit,” shkruajnë studiuesit.
Për shembull, një sistem i tillë mund të ndihmojë në heqjen e prioriteteve ose përjashtimin e rasteve që janë normale, gjë që mund të përshpejtojë procesin klinik.
Edhe pse studiuesit e Google nuk dhanë detaje të sakta të modelit që ata përdorën, gazeta përmend EfficientNet, një familje e rrjeteve nervore konvolucionare (CNN) që janë të njohur për arritjen e saktësisë më të avancuar në detyrat e shikimit të kompjuterit në një pjesë të kostot llogaritëse të modeleve të tjera.
B7, modeli i përdorur për zbulimin e anomalive me rreze X, është më i madhi i familjes EfficientNet dhe përbëhet nga 813 shtresa dhe 66 milion parametra (megjithëse studiuesit ndoshta e rregulluan arkitekturën bazuar në aplikimin e tyre). Shtë interesante, studiuesit nuk përdorën procesorët TPU të Google dhe përdorën 10 GPU Tesla V100 për të trajnuar modelin.