Αμερικανοί εππιστήμονες εκπαίδευσαν ένα σύστημα τεχνητής νοημοσύνης να μελετά ακτινογραφίες και να κάνει διαγνώσεις φυματίωσης. Το σύστημα αναμένεται να βοηθήσει μελλοντικά γιατρούς απομονωμένων περιοχών και αναπτυσσόμενων χωρών, που δεν έχουν πρόσβαση σε εξειδικευμένους ακτινολόγους.
Η φυματίωση, σύμφωνα με τον Παγκόσμιο Οργανισμό Υγείας, είναι μία από τις δέκα κυριότερες αιτίες θανάτου, παγκοσμίως. Το 2016 περίπου 10,4 εκατομμύρια άνθρωποι νόσησαν και 1,8 εκατομμύρια πέθαναν.
Σύμφωνα με άρθρο του επιστημονικού εντύπου Radiology, ερευνητές του Πανεπιστημιακού Νοσοκομείου Τόμας Τζέφερσον της Φιλαδέλφεια, με επικεφαλής τον δρα Πάρας Λακχανί, τροφοδότησαν με ακτινογραφίες (θετικές και αρνητικές στη φυματίωση) δύο διαφορετικά μοντέλα τεχνητής νοημοσύνης (AlexNet και GoogleNet).
Βαθιά μάθηση στην Ιατρική
Τα εν λόγω συστήματα διαθέτουν την ικανότητα της «βαθιάς μάθησης», μια μορφή τεχνητής νοημοσύνης που επιτρέπει στους ηλεκτρονικούς υπολογιστές να μαθαίνουν από τη μελέτη των δεδομένων και να βελτιώνονται. Αυτό ισχύει ιδίως για τα νευρωνικά συστήματα, που μιμούνται τη δομή του ανθρωπίνου εγκεφάλου.
AlexNet και GoogleNet διαφώνησαν στο 12% περίπου των ακτινογραφιών που κλήθηκαν να διαγνώσουν. Τελικά, οι ερευνητές συνδύασαν τα δύο μοντέλα, πετυχαίνοντας ακρίβεια 96% στη διάγνωση της φυματίωσης. Όταν το σύστημα τεχνητής νοημοσύνης συνδυάσθηκε με την εμπειρία ενός ακτινολόγου, το ποσοστό ακρίβειας έφθασε το 99%.
Στο παρελθόν άλλα συστήματα μηχανικής (αλλά όχι βαθιάς) μάθησης είχαν ποσοστό επιτυχίας της τάξης του 80%. Οι ερευνητές σκοπεύουν να βελτιώσουν ακόμη περισσότερο το σύστημά τους.
«Υπάρχει πλέον τρομερό ενδιαφέρον για την τεχνητή νοημοσύνη εντός και εκτός του πεδίου της ιατρικής. Η σχετικά υψηλή διαγνωστική ακρίβεια των συστημάτων βαθιάς μάθησης είναι συναρπαστική», εξηγεί ο δρ Λακχαμί και προσθέτει ότι «στόχος μας είναι να εφαρμόσουμε ένα τέτοιο διαγνωστικό σύστημα τεχνητής νοημοσύνης στον πραγματικό κόσμο, καθώς πιστεύουμε ότι μπορεί να παίξει σημαντικό ρόλο στην αντιμετώπιση της φυματίωσης».
Newsroom ΔΟΛ
