Skip to main content
Denne siden vises ved hjelp av automatisk oversettelse. Vis på engelsk i stedet?

AI-støtte for medisinsk fagpersonell

Gerardo Hermosillo Valadez | Årets oppfinnere fra Siemens | Livstidsprestasjon

Bildeteknologier som røntgenstråler, CT-skanninger og MR har hjulpet leger i flere tiår ved å gi dem detaljerte bilder av bein og vevsstrukturer inne i pasientens kropp. «Alle disse teknologiene gir oss bildedata som bare er nyttige med en diagnose hvis de kan tolkes riktig. For eksempel må noen forstå at den fine linjen i røntgenbildet viser at et bein er ødelagt, eller legge merke til den uvanlige massen i den store mengden data fra en MR-skanning, sier Gerardo Hermosillo Valadez fra Siemens Healthineers (SHS), Årets oppfinner 2024 i kategorien Lifetime Achievement. «Avdelingen min jobber med AI-prosesser som kan tolke medisinske bilder og dermed avlaste og støtte medisinsk personale.»

Bildetolkning med kunstig intelligens

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

Gerardo Hermosillo Valadez er Årets oppfinner 2024: Oppfinnelsen hans utvikler anatomisk intelligens

Folk er vanligvis veldig flinke til å oppdage ting på bilder. For eksempel vil de fleste finne det lett å gjenkjenne ryggraden i røntgenbilder - selv om bildene skiller seg mye på grunn av forskjellige stillinger hos pasienten, forskjellige vinkler som bildet er tatt fra, store eller små bein, eller sunne vs. deformerte pigger. Datamaskiner kan bare gjøre dette ved hjelp av kunstig intelligens - med dyp læring - og bare hvis de har blitt trent med mange passende prøver. «Slik kan kunstig intelligens utvikle anatomisk intelligens slik at den kan finne veien gjennom medisinske bilder og riktig kategorisere de forskjellige bein, organer og vev», sier Gerado. «På samme måte kan AI lære å skille mellom normalt og unormalt vev.»

Innovasjoner som former hele SHS-produktsortimentet

Det er mange forskjellige applikasjoner for AI-drevet bildegjenkjenning i hverdagen på sykehus og legekontorer: for eksempel kan et system lære å vise riktige bildedata som svar på en instruksjon som «Vis høyre skulderblad.» Det kan også gi automatisert støtte for radiologiske undersøkelser som bestemmer når det injiserte kontrastmediet har nådd organet som skal undersøkes, og analysere bildedata for mulige patogene endringer. Mange av innovasjonene som Gerardo har drevet med, er allestedsnærværende i hele SHS-produktsortimentet.

Ulike AI-læringsstrategier

«Kunstig intelligens er bare så god som dataene den er trent med,» understreker Gerardo. «For å gjenkjenne svulster i et MR-bilde, må det først ha lært av tusenvis av bilder av både friske og syke mennesker som vi har gjort tilgjengelig for det.» Det er tre grunnleggende tilnærminger til trening av AI: veiledet læring, svakt overvåket læring og selvstyrt læring. I overvåket læring får AI presis informasjon for hvert datasett: for eksempel «Det er en svulst øverst til høyre i bildet.» Ved svakt overvåket læring er det bare gitt noen få infoetiketter: for eksempel svulst eller ingen svulst. I selvstyrt læring har dataene ingen etiketter i det hele tatt, og AI lærer uavhengig: for eksempel ved å skjule deler fra eksisterende prøvebilder og «gjette» hvordan de ser ut.

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

Oppfinnelsen hans former hele Siemens Healthineers produktsortiment

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

Kunstig intelligens kan lære å finne veien gjennom medisinske bilder og kategorisere den riktig.

Nesten like smart som et anatomi-atlas

Overvåket læring er den raskeste og mest effektive måten for AI å lære, men det er tidkrevende og dyrt å skaffe tilstrekkelig opplæringsdata som tar hensyn til alle relevante aspekter. Selvstyrt læring krever mest læringstid, men AI kan fungere uavhengig uten kostbar datamerking. «Nylig har vi konsentrert oss om de nyeste selvovervåkede læringsteknikkene, teknikker som de som brukes av ChatGPT,» sier Gerardo. «Det har gitt oss et betydelig løft, spesielt innen anatomi intelligens. Vår AI er nå nesten like smart som et anatomi-atlas. Den kan skille mellom rundt 200 forskjellige landemerker (kroppsdeler) og lokalisere dem i bildematerialet.