ヘラルド・エルモシロ・ヴァラデス | Siemens ス・インベンターズ・オブ・ザ・イヤー | 生涯の業績
X線、CTスキャン、MRIなどの画像技術は、患者の体内の骨や組織構造の詳細な画像を提供することで、何十年にもわたって医師の役に立ってきました。「これらの技術はすべて、正しく解釈できれば診断に役立つ画像データを提供します。たとえば、X線画像の細い線が骨折を示していることを誰かが理解したり、MRIスキャンからの大量のデータに異常な質量があることに気付いたりする必要があります」と、生涯功労部門で2024年の発明者となったシーメンス・ヘルシナーズ（SHS）のヘラルド・エルモシロ・ヴァラデスは言います。「私の部署では、医療画像を解釈して、医療スタッフの負担を軽減し、支援できるAIプロセスに取り組んでいます。」
ヘラルド・エルモシージョ・ヴァラデスは2024年の発明家です。彼の発明は解剖学的知性を発達させます
人々は通常、写真で物事を見分けるのがとても上手です。たとえば、ほとんどの人は、X線画像で背骨を簡単に認識できます。患者の姿勢が異なったり、写真を撮る角度が異なったり、骨が大きいか小さかったり、健康な脊椎と変形した脊椎によって画像が大きく異なっていても。コンピューターがこれを行うことができるのは、人工知能（ディープラーニング）を使用し、多くの適切なサンプルでトレーニングされている場合のみです。「このようにして、人工知能は解剖学的知能を発達させ、医療画像の中からその方法を見つけて、さまざまな骨、臓器、組織を正しく分類することができます」とGerado氏は言います。「同様に、AIは正常な組織と異常な組織を区別することを学ぶことができます。」
病院や診療所の日常生活におけるAI主導の画像認識には、さまざまな用途があります。たとえば、システムは「右肩甲骨を見せて」などの指示に応じて、正しい画像データを表示することを学習できます。また、注入された造影剤がいつ検査対象の臓器に到達したかを判断し、画像データを分析して病原性の変化がないか調べる放射線検査の自動サポートも提供できます。Gerardoが推進してきたイノベーションの多くは、SHS製品シリーズ全体に浸透しています。
「人工知能の性能は、トレーニングに使用されたデータによって決まります」とGerardoは強調します。「MRI画像で腫瘍を認識するには、まず、私たちが提供した健康な人と病気の人の両方の何千もの画像から学ばなければなりません。」AIのトレーニングには、教師付き学習、弱教師付き学習、自己教師付き学習の3つの基本的なアプローチがあります。教師あり学習では、AIに各データセットの正確な情報が与えられます。たとえば、「画像の右上に腫瘍があります」などです。弱い教師付き学習では、腫瘍か腫瘍なしなど、いくつかの情報ラベルしか付けられません。自己指導学習では、データにラベルがまったく付いておらず、AIは独立して学習します。たとえば、既存のサンプル画像からパーツを隠して、それらがどのように見えるかを「推測」するなどです。
彼の発明は、シーメンスヘルシニアーズの製品ラインナップ全体を形作っています
人工知能は、医療画像の中からその方法を見つけ、正しく分類することを学ぶことができます。
教師付き学習はAIにとって最も速く、最も効率的な学習方法ですが、関連するすべての側面を考慮した十分なトレーニングデータを取得するには時間と費用がかかります。自己指導による学習には最も多くの学習時間が必要ですが、AIは高価なデータラベル付けをしなくても独立して動作します。「最近、私たちはChatGPTで使われているような最新の自己指導学習テクニックに焦点を当てています」とGerardo氏は言います。「これは、特に解剖学知能の分野で、私たちを大きく後押ししてくれました。私たちのAIは今や解剖学アトラスとほぼ同じくらい賢いです。約200種類のランドマーク（体の部分）を区別し、それらを画像素材の中で見つけることができます。
