Skip to main content

Podpora AI pro zdravotnické pracovníky

Gerardo Hermosillo Valadez | Vynálezci roku Siemens | Celoživotní úspěch

Snímací technologie, jako jsou rentgeny, CT skenery nebo MRI, pomáhají lékařům po celá desetiletí tím, že jim poskytují podrobné snímky kostí a tkáňových struktur uvnitř těla pacienta „Všechny tyto technologie nám poskytují obrazová data, která jsou užitečná při diagnostice, pouze pokud je umíme správně interpretovat. Je třeba například pochopit, že nevýrazná čára na rentgenovém snímku ukazuje na zlomenou kost, nebo si musíte všimnout neobvyklého zhuštění ve velkém množství dat z MRI snímků,“ říká Gerardo Hermosillo Valadez ze společnosti Siemens Healthineers (SHS), vynálezce roku 2024 v kategorii celoživotní úspěch. „Moje oddělení pracuje na procesech AI, které mohou umět interpretovat lékařské snímky, a tím ulevit zdravotnickému personálu a podpořit jej.“

Interpretace snímků umělou inteligencí

Muž v obleku a kravatě stojí před budovou s velkým oknem.

Gerardo Hermosillo Valadez je vynálezcem roku 2024: Jeho vynález rozvíjí anatomickou inteligenci

Lidé jsou obvykle velmi dobří v pozorování věcí na snímcích. Většina lidí pravděpodobně snadno rozpozná páteř na rentgenových snímcích přesto, že se snímky hodně liší v důsledku různého postavení pacienta, různých úhlů, ze kterých je snímek pořízen, velkých nebo malých kostí nebo podle zdravé či pokřivené páteře. Počítače to umí pouze s pomocí umělé inteligence a hlubokým učením, a pouze pokud byly vyškoleny s na mnoha vhodných vzorcích. „Takto může umělá inteligence rozvíjet anatomickou inteligenci, aby si mohla najít cestu lékařskými snímky a správně kategorizovat různé kosti, orgány a tkáně,“ říká Gerado. „Stejně tak se AI může naučit rozlišovat mezi normální a abnormální tkání.“

Inovace, které formují celou řadu produktů SHS

Existuje mnoho různých aplikací pro rozpoznávání snímků na bázi umělé inteligenci pro rutinné činnosti v nemocnicích a lékařských ordinacích: například se systém může naučit zobrazovat správná data ze snímků v reakci na pokyn typu „Zobrazit pravou lopatku“. Může také poskytovat automatizovanou podporu pro radiologická vyšetření – třeba určí, kdy injektovaná kontrastní látka dosáhla vyšetřovaného orgánu, a provede analýzu dat ze snímků z hlediska možných patogenních změn. Mnoho inovací, které Gerardo řídil, je všudypřítomných v celém produktovém sortimentu SHS.

Různé strategie učení AI

„Umělá inteligence je jen tak dobrá jako data, na kterých se učila,“ zdůrazňuje Gerardo. „Aby uměla rozpoznat nádory na snímcích MRI, musí se nejprve učit z tisíců snímků zdravých i nemocných lidí, které jsme jí dali k dispozici.“ Existují tři základní přístupy k výcviku AI: učení pod dohledem, učení pod mírným dohledem a učení pod vlastním dohledem. Při učení pod dohledem dostává AI přesné informace pro každou sadu dat: například „V pravém horním rohu snímku je nádor.“ Při mírně kontrolovaném učení je uvedeno pouze několik informačních pokynů: například nádor nebo žádný nádor. Při učení pod vlastním dohledem nejsou data vůbec označena a umělá inteligence se učí nezávisle: například zakrýváním částí proti stávajícím ukázkovým snímkům a „hádáním“, jak vypadají.

Osoba v černé košili stojí před bílou zdí a drží tmavý předmět, na rozmazaném pozadí.

Jeho vynález formuje celou řadu produktů Siemens Healthineers

Vážný muž v černé košili s tetováním stojí proti bílé stěně, je částečně osvětlený z pravé strany

Umělá inteligence se může naučit najít cestu prostřednictvím lékařských snímků a správně je kategorizovat.

Téměř stejně chytrý jako anatomický atlas

Učení pod dohledem je nejrychlejší a nejefektivnější způsob, jak se umělá inteligence může učit, ale získání dostatečných údajů pro učen, která zohlední všechny relevantní aspekty, je časově náročné a nákladné. Samostatné učení vyžaduje nejvíce času, ale umělá inteligence může pracovat nezávisle bez nákladného označování dat. „V poslední době jsme se soustředili na nejnovější techniky učení pod vlastním dohledem – techniky, jako jsou ty, které používá ChatGPT,“ říká Gerardo. „To nám poskytlo výraznou podporu, zejména v oblasti anatomické inteligence. Naše AI je nyní téměř stejně chytrá jako atlas anatomie. Dokáže rozlišit asi 200 různých orientačních bodů (částí těla) a lokalizovat je v nasnímaných materiálech.