Skip to main content
Αυτή η σελίδα εμφανίζεται με χρήση αυτόματης μετάφρασης. Προβολή στα Αγγλικά;

Υποστήριξη AI για επαγγελματίες του ιατρικού τομέα

Ζεράρντο Χερμοσίλο Βαλαντέζ | Οι εφευρέτες της χρονιάς της Siemens | Επίτευξη δια βίου

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 δομών ιστών μέσα στο σώμα του ασθενούς. «Όλες αυτές οι τεχνολογίες μας παρέχουν δεδομένα εικόνας που είναι χρήσιμα μόνο για τη διάγνωση 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 την ασυνήθιστη 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

A man in a suit and tie is standing in front of a building with a large window.

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

Οι άνθρωποι είναι συνήθως πολύ καλοί στο να εντοπίζουν πράγματα σε εικόνες. Για παράδειγμα, οι περισσότεροι άνθρωποι θα βρουν εύκολο να αναγνωρίσουν τη σπονδυλική στήλη σε εικόνες ακτίνων Χ - 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 σπονδυλικών στήλων. 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 μπορεί να βρει το δρόμο της μέσα από ιατρικές εικόνες και να κατηγοριοποιήσει 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 τη γκάμα προϊόντων SHS

Υπάρχουν πολλές διαφορετικές εφαρμογές για την αναγνώριση εικόνας με γνώμονα την τεχνητή νοημοσύνη 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 «Εμφάνιση της σωστής ωμοπλάτης». Μπορεί επίσης να παρέχει αυτοματοποιημένη υποστήριξη για ακτινολογικές εξετάσεις που καθορίζουν πότε το ενέσιμο μέσο αντίθεσης έχει φτάσει στο όργανο που πρόκειται να εξεταστεί και να αναλύει δεδομένα εικόνας για πιθανές παθογόνες αλλαγές. Πολλές από τις καινοτομίες που έχει οδηγήσει ο Gerardo είναι πανταχού παρούσες σε ολόκληρη τη 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.

Person in black shirt standing against white wall, holding a dark object with blurred background.

Η εφεύρεσή του διαμορφώνει ολόκληρη τη γκάμα προϊόντων της Siemens Healthineers

Serious man in black shirt with tattoo standing against white wall, partially illuminated from right side

Η τεχνητή νοημοσύνη μπορεί να μάθει να βρίσκει το δρόμο της μέσα από ιατρικές εικόνες και να την κατηγοριοποιεί σωστά.

Σχεδόν τόσο έξυπνος όσο ένας άτλαντας ανατομίας

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 άτλαντας ανατομίας. Μπορεί να διακρίνει μεταξύ περίπου 200 διαφορετικών ορόσημων (μέρη του σώματος) και να τα εντοπίσει στο υλικό απεικόνισης.