Skip to main content
Tämä sivu näytetään automaattisella käännöksellä. Näytä sen sijaan englanniksi?
Vakava mies mustassa paidassa tatuoinnilla vasemmassa käsivarressa, seisoo valkoista seinää vasten, kädet taskuissa, katsoo suoraan eteenpäin.

Tekoälyn tuki lääketieteen ammattilaisille

Gerardo Hermosillo Valadez | Siemensin vuoden keksijät | Elinikäinen saavutus

Kuvantamistekniikat, kuten röntgenkuvat, CT-skannaukset ja MRI, ovat auttaneet lääkäreitä vuosikymmenien ajan antamalla heille yksityiskohtaisia kuvia potilaan kehon luista ja kudosrakenteista. ”Kaikki nämä tekniikat tarjoavat meille kuvatietoja, joista on apua diagnoosissa vain, jos ne voidaan tulkita oikein. Jonkun on esimerkiksi ymmärrettävä, että röntgenkuvan hieno viiva osoittaa, että luu on murtunut, tai huomata epätavallinen massa MRI-skannauksen suuressa datamäärässä, sanoo Gerardo Hermosillo Valadez Siemens Healthineersista (SHS), Vuoden keksijä 2024 Lifetime Achievement -kategoriassa. ”Osastollani työskentelee tekoälyprosessien parissa, jotka voivat tulkita lääketieteellisiä kuvia ja siten lievittää ja tukea hoitohenkilökuntaa.”

Kuvan tulkinta tekoälyllä

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

Gerardo Hermosillo Valadez on vuoden keksijä 2024: Hänen keksintönsä kehittää anatomista älykkyyttä

Ihmiset ovat yleensä erittäin hyviä havaitsemaan asioita kuvissa. Esimerkiksi useimpien ihmisten on helppo tunnistaa selkäranka röntgenkuvissa - vaikka kuvat eroavat paljon potilaan erilaisista asennoista, erilaisista kuvakulmista, suurista tai pienistä luista tai terveistä vs. epämuodostuneista piikistä johtuen. Tietokoneet voivat tehdä tämän vain tekoälyn avulla - syvällä oppimisella - ja vain, jos ne on koulutettu monilla sopivilla näytteillä. ”Näin tekoäly voi kehittää anatomista älykkyyttä niin, että se voi löytää tiensä lääketieteellisten kuvien kautta ja luokitella eri luut, elimet ja kudokset oikein”, Gerado sanoo. ”Samalla tavalla tekoäly voi oppia erottamaan normaalin ja epänormaalin kudoksen.”

Innovaatiot, jotka muokkaavat koko SHS-tuotevalikoimaa

Tekoälypohjaiseen kuvantunnistukseen on monia erilaisia sovelluksia sairaaloiden ja lääkäreiden toimistojen jokapäiväisessä elämässä: esimerkiksi järjestelmä voi oppia näyttämään oikeat kuvatiedot vastauksena ohjeeseen, kuten ”Näytä oikea lapaluu”. Se voi myös tarjota automaattista tukea radiologisille tutkimuksille, jotka määrittävät, milloin injektoitu varjoaine on saavuttanut tutkittavan elimen, ja analysoida kuvatietoja mahdollisten patogeenisten muutosten varalta. Monet Gerardon ajamista innovaatioista ovat kaikkialla läsnä koko SHS-tuotevalikoimassa.

Erilaiset tekoälyn oppimisstrategiat

”Tekoäly on vain niin hyvä kuin data, jolla se on koulutettu”, Gerardo korostaa. ”Jotta kasvaimet voitaisiin tunnistaa magneettikuvasta, sen on ensin täytynyt oppia tuhansista kuvista sekä terveistä että sairaista ihmisistä, jotka olemme antaneet sen saataville.” Tekoälyn kouluttamiseen on kolme peruslähestymistapaa: ohjattu oppiminen, heikosti ohjattu oppiminen ja itseohjattu oppiminen. Ohjatussa oppimisessa tekoälylle annetaan tarkkaa tietoa jokaisesta tietojoukosta: esimerkiksi ”Kuvan oikeassa yläkulmassa on kasvain”. Heikosti valvotussa oppimisessa annetaan vain muutama infotarra: esimerkiksi kasvain tai ei kasvainta. Itseohjatussa oppimisessa datalla ei ole lainkaan tarroja, ja tekoäly oppii itsenäisesti: esimerkiksi piilottamalla osia olemassa olevista näytekuvista ja ”arvaamalla”, miltä ne näyttävät.

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

Hänen keksintönsä muokkaa koko Siemens Healthineers -tuotevalikoimaa

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

Tekoäly voi oppia löytämään tiensä lääketieteellisten kuvien kautta ja luokittelemaan sen oikein.

Lähes yhtä älykäs kuin anatomian atlas

Ohjattu oppiminen on tekoälyn nopein ja tehokkain tapa oppia, mutta on aikaa vievää ja kallista hankkia riittävästi koulutusdataa, joka ottaa huomioon kaikki olennaiset näkökohdat. Itseohjattu oppiminen vaatii eniten oppimisaikaa, mutta tekoäly voi toimia itsenäisesti ilman kalliita datamerkintöjä. ”Viime aikoina olemme keskittyneet uusimpiin itseohjattuihin oppimistekniikoihin, tekniikoihin, kuten ChatGPT: n käyttämiin”, Gerardo sanoo. ”Se on antanut meille merkittävän vauhdin, etenkin anatomian älykkyyden alalla. Tekoälymme on nyt melkein yhtä älykäs kuin anatomian atlas. Se pystyy erottamaan noin 200 erilaista maamerkkiä (ruumiinosia) ja paikantaa ne kuvantamismateriaalista.