Quando AlphaGo di Google DeepMind ha sconfitto in modo scioccante il leggendario giocatore di Go Lee Sedol nel 2016, i termini intelligenza artificiale (AI), l'apprendimento automatico e il deep learning sono stati spinti nel mainstream tecnologico.

L'intelligenza artificiale è generalmente definita come la capacità di un computer o di una macchina di esibire o simulare comportamenti intelligenti come l'auto a guida autonoma di Tesla e l'assistente digitale di Apple Siri. È un campo fiorente e al centro di molte ricerche e investimenti. L'apprendimento automatico è la capacità di un sistema di intelligenza artificiale di estrarre informazioni da dati grezzi e imparare a fare previsioni da nuovi dati.

Il deep learning combina l'intelligenza artificiale con l'apprendimento automatico. Si tratta di algoritmi ispirati alla struttura e alla funzione del cervello chiamati reti neurali artificiali. L'apprendimento profondo ha ricevuto molta attenzione ultimamente sia nel mondo dei consumatori che in tutta la comunità medica.

L'interesse per il deep learning è cresciuto con il successo di AlexNet, una rete neurale progettata da Alex Krizhevsky che ha vinto l'ImageNet Large Scale Visual Recognition Challenge del 2012, un concorso annuale di classificazione delle immagini.

Un altro progresso relativamente recente è l'uso di unità di elaborazione grafica (GPU) per alimentare algoritmi di deep learning. Le GPU eccellono nei calcoli (moltiplicazioni e addizioni) necessari per le applicazioni di deep learning, riducendo così il tempo di elaborazione della domanda.

Nel nostro laboratorio presso l'Università del Saskatchewan stiamo svolgendo un'interessante ricerca di deep learning relativa alle applicazioni sanitarie e, in qualità di professore di ingegneria elettrica e informatica, Dirigo il gruppo di ricerca. Quando si tratta di assistenza sanitaria, utilizzare l'intelligenza artificiale o l'apprendimento automatico per fare diagnosi è una novità, e ci sono stati progressi entusiasmanti e promettenti.

Estrazione di vasi sanguigni nell'occhio

Il rilevamento di vasi sanguigni retinici anormali è utile per diagnosticare il diabete e le malattie cardiache. Al fine di fornire interpretazioni mediche affidabili e significative, il vaso retinico deve essere estratto da un'immagine retinica per interpretazioni affidabili e significative. Sebbene sia possibile la segmentazione manuale, è un complesso, compito lungo e noioso che richiede competenze professionali avanzate.

Il mio team di ricerca ha sviluppato un sistema in grado di segmentare i vasi sanguigni della retina semplicemente leggendo un'immagine retinica grezza. Si tratta di un sistema di diagnosi assistita da computer che riduce il lavoro richiesto da oculisti e oftalmologi, ed elabora le immagini 10 volte più velocemente, pur mantenendo un'elevata precisione.

Rilevare il cancro ai polmoni

La tomografia computerizzata (TC) è ampiamente utilizzata per la diagnosi del cancro del polmone. Però, perché le rappresentazioni visive di lesioni benigne (non cancerose) e maligne (cancerose) nelle scansioni TC sono simili, una TAC non può sempre fornire una diagnosi affidabile. Questo vale anche per un radiologo toracico con molti anni di esperienza. La rapida crescita dell'analisi della scansione TC ha generato una pressante necessità di strumenti computazionali avanzati per assistere i radiologi con il progresso dello screening.

Per migliorare le prestazioni diagnostiche dei radiologi, abbiamo proposto una soluzione di deep learning. Sulla base dei risultati della nostra ricerca, la nostra soluzione supera i radiologi esperti. Inoltre, l'utilizzo di una soluzione basata sul deep learning migliora le prestazioni diagnostiche complessive e i radiologi con meno esperienza beneficiano maggiormente del sistema.

Limiti e sfide

Sebbene sia stata dimostrata una grande promessa con algoritmi di apprendimento profondo in una varietà di compiti in radiologia e medicina, questi sistemi sono tutt'altro che perfetti. Ottenere set di dati annotati di alta qualità rimarrà una sfida per la formazione sul deep learning. La maggior parte delle ricerche sulla visione artificiale si basa su immagini naturali, ma per le applicazioni sanitarie, abbiamo bisogno di grandi set di dati di immagini mediche annotate.

Un'altra sfida dal punto di vista clinico sarà il momento di testare le prestazioni delle tecniche di deep learning rispetto ai radiologi umani.

È necessaria una maggiore collaborazione tra medici e scienziati dell'apprendimento automatico. L'alto grado di complessità della fisiologia umana rappresenterà anche una sfida per le tecniche di apprendimento automatico.

Un'altra sfida sono i requisiti per convalidare un sistema di deep learning per l'implementazione clinica, che probabilmente richiederebbe una collaborazione multi-istituzionale e grandi set di dati. Finalmente, è necessaria una piattaforma hardware efficiente per garantire un'elaborazione rapida dei sistemi di deep learning.

Nel complesso mondo della sanità, Gli strumenti di intelligenza artificiale possono supportare i professionisti umani per fornire un servizio più rapido e diagnosi più accurate, e analizzare i dati per identificare tendenze o informazioni genetiche che possono predisporre qualcuno a una particolare malattia. Quando risparmiare minuti può significare salvare vite, L'intelligenza artificiale e l'apprendimento automatico possono essere trasformativi per operatori sanitari e pazienti.

Questo articolo è stato ripubblicato da The Conversation con una licenza Creative Commons. Leggi l'articolo originale.