Skip to main content

Υποστήριξη AI για επαγγελματίες του ιατρικού τομέα

Gerardo Hermosillo Valadez | Οι εφευρέτες της χρονιάς της Siemens | Βραβείο δια βίου Προσφοράς

Τεχνολογίες απεικόνισης όπως οι ακτίνες Χ, οι αξονικές τομογραφίες και οι μαγνητικές τομογραφίες βοηθούν τους γιατρούς εδώ και δεκαετίες δίνοντάς τους λεπτομερείς εικόνες των οστών και των ιστών μέσα στο σώμα του ασθενούς. «Όλες αυτές οι τεχνολογίες μας παρέχουν δεδομένα εικόνας που είναι χρήσιμα για τη διάγνωση μόνο εάν μπορούν να ερμηνευτούν σωστά. Για παράδειγμα, κάποιος πρέπει να καταλάβει ότι η λεπτή γραμμή στην εικόνα ακτίνων Χ δείχνει ότι ένα οστό έχει σπάσει ή να παρατηρήσει τη μη φυσιολογική μάζα σε μεγάλο όγκο δεδομένων από μια μαγνητική τομογραφία», λέει ο Gerardo Hermosillo Valadez από τη Siemens Healthineers (SHS), εφευρέτης της χρονιάς 2024 στην κατηγορία Lifetime Achievement. «Το τμήμα μου εργάζεται σε διαδικασίες τεχνητής νοημοσύνης που μπορούν να ερμηνεύσουν ιατρικές εικόνες και έτσι να ανακουφίσουν και να υποστηρίξουν το ιατρικό προσωπικό».

Ερμηνεία εικόνας με τεχνητή νοημοσύνη

Ένας άντρας με κοστούμι και γραβάτα στέκεται μπροστά από ένα κτίριο με ένα μεγάλο παράθυρο.

Ο Gerardo Hermosillo Valadez είναι εφευρέτης του έτους 2024: Η εφεύρεσή του αναπτύσσει ανατομική νοημοσύνη

Οι άνθρωποι είναι συνήθως πολύ καλοί στο να εντοπίζουν αντικείμενα σε εικόνες. Για παράδειγμα, οι περισσότεροι άνθρωποι θα βρουν εύκολο να αναγνωρίσουν τη σπονδυλική στήλη σε ακτινογραφίες - ακόμα κι αν οι εικόνες διαφέρουν πολύ λόγω διαφορετικών στάσεων του ασθενούς, διαφορετικών γωνιών από τις οποίες λαμβάνεται η εικόνα, μεγάλων ή μικρών οστών, ή υγιών έναντι παραμορφωμένων σπονδύλων. Οι υπολογιστές μπορούν να το κάνουν αυτό μόνο χρησιμοποιώντας τεχνητή νοημοσύνη - με βαθιά μάθηση - και μόνο εάν έχουν εκπαιδευτεί με πολλά κατάλληλα δείγματα. «Αυτός είναι ο τρόπος με τον οποίο η τεχνητή νοημοσύνη μπορεί να αναπτύξει την ανατομική νοημοσύνη έτσι ώστε να προσανατολίζεται σε ιατρικές εικόνες και να κατηγοριοποιεί σωστά τα διάφορα οστά, όργανα και ιστούς», λέει ο Gerado. «Με τον ίδιο τρόπο, η τεχνητή νοημοσύνη μπορεί να μάθει να κάνει διάκριση μεταξύ φυσιολογικού και μη φυσιολογικού ιστού».

Καινοτομίες που διαμορφώνουν ολόκληρη την γκάμα προϊόντων SHS

Υπάρχουν πολλές διαφορετικές εφαρμογές για την αναγνώριση εικόνας ΑΙ στην καθημερινή ζωή σε νοσοκομεία και ιατρεία: για παράδειγμα, ένα σύστημα μπορεί να μάθει να εμφανίζει τα σωστά δεδομένα εικόνας ως απάντηση σε μια οδηγία όπως «Δείξε τη δεξιά ωμοπλάτη». Μπορεί επίσης να παρέχει αυτοματοποιημένη υποστήριξη στις ακτινολογικές εξετάσεις προσδιορίζοντας πότε το εγχυόμενο σκιαγραφικό έχει φτάσει στο όργανο που πρόκειται να εξεταστεί και να αναλύει δεδομένα εικόνας για πιθανές παθολογικές αλλαγές. Πολλές από τις καινοτομίες που έχει προωθήσει ο Gerardo είναι πανταχού παρούσες σε ολόκληρη την γκάμα προϊόντων SHS.

Διαφορετικές στρατηγικές εκμάθησης AI

«Η τεχνητή νοημοσύνη είναι τόσο καλή όσο τα δεδομένα με τα οποία έχει εκπαιδευτεί», τονίζει ο Gerardo. «Για να αναγνωρίσουμε τους όγκους σε μια εικόνα μαγνητικής τομογραφίας, πρέπει πρώτα να έχει μάθει από χιλιάδες εικόνες τόσο υγιών όσο και ασθενών ανθρώπων που έχουμε διαθέσει σε αυτήν». Υπάρχουν τρεις βασικές προσεγγίσεις για την εκπαίδευση της τεχνητής νοημοσύνης: εποπτευόμενη μάθηση, ασθενώς εποπτευόμενη μάθηση και αυτοεποπτευόμενη μάθηση. Στην εποπτευόμενη μάθηση, η τεχνητή νοημοσύνη λαμβάνει ακριβείς πληροφορίες για κάθε σύνολο δεδομένων: για παράδειγμα, «Υπάρχει ένας όγκος στην επάνω δεξιά γωνία της εικόνας». Στην ασθενώς εποπτευόμενη μάθηση, δίνονται μόνο μερικές ετικέτες πληροφοριών: για παράδειγμα, όγκος ή καθόλου όγκος. Στην αυτοεποπτευόμενη μάθηση, τα δεδομένα δεν έχουν καθόλου ετικέτες και η τεχνητή νοημοσύνη μαθαίνει ανεξάρτητα: για παράδειγμα, κρύβοντας μέρη από υπάρχουσες εικόνες δειγμάτων και «μαντεύοντας» πώς μοιάζουν.

Άτομο με μαύρο πουκάμισο που στέκεται μπροστά από λευκό τοίχο, κρατώντας ένα σκοτεινό σκούρο αντικείμενο με θολό φόντο.

Η εφεύρεσή του διαμορφώνει ολόκληρη τη γκάμα προϊόντων της Siemens Healthineers

Σοβαρός άντρας με μαύρο πουκάμισο και τατουάζ που στέκεται μπροστά σε λευκό τοίχο, μερικώς φωτισμένος από τη δεξιά πλευρά

Η τεχνητή νοημοσύνη μπορεί να μάθει να προσανατολίζεται στις ιατρικές εικόνες και να τις κατηγοριοποιεί σωστά.

Σχεδόν τόσο έξυπνο όσο ένας ανατομικός άτλας

Η εποπτευόμενη μάθηση είναι ο γρηγορότερος και πιο αποτελεσματικός τρόπος για την εκμάθηση της τεχνητής νοημοσύνης, αλλά είναι χρονοβόρα και δαπανηρή η απόκτηση επαρκών εκπαιδευτικών δεδομένων που λαμβάνουν υπόψη όλες τις σχετικές πτυχές. Η αυτοεποπτευόμενη μάθηση απαιτεί τον περισσότερο χρόνο μάθησης, αλλά η τεχνητή νοημοσύνη μπορεί να λειτουργήσει ανεξάρτητα χωρίς δαπανηρή επισήμανση δεδομένων. «Πρόσφατα, επικεντρωθήκαμε στις τελευταίες αυτοεποπτευόμενες τεχνικές μάθησης, τεχνικές όπως αυτές που χρησιμοποιούνται από το ChatGPT», λέει ο Gerardo. «Αυτό μας έδωσε μια σημαντική ώθηση, ειδικά στον τομέα της νοημοσύνης της ανατομίας. Η τεχνητή νοημοσύνη μας είναι τώρα σχεδόν τόσο έξυπνη όσο ένας ανατομικός άτλας. Μπορεί να διακρίνει μεταξύ περίπου 200 ανατομικά σημεία και να τα εντοπίσει στις ιατρικές εικόνες».