Skip to main content

AI wspiera personel medyczny

Gerardo Hermosillo Valadez | Wynalazcy Roku Siemens | Osiągnięcie Życia

Technologie obrazowania, takie jak zdjęcia rentgenowskie, tomografia komputerowa i MRI, pomagają lekarzom od dziesięcioleci, zapewniając szczegółowe obrazy kości i struktur tkankowych w ciele pacjenta. „Wszystkie te technologie dostarczają nam danych obrazowych, które są przydatne przy diagnozie tylko wtedy, gdy można je prawidłowo zinterpretować. Na przykład ktoś musi rozpoznać, że cienka linia na zdjęciu rentgenowskim wskazuje złamanie kości, lub zauważyć nietypową masę w ogromnej ilości danych z badania MRI” – mówi Gerardo Hermosillo Valadez z Siemens Healthineers (SHS), Wynalazca Roku 2024 w kategorii Osiągnięcia Życia.
„Mój dział pracuje nad procesami AI, które potrafią interpretować obrazy medyczne, a tym samym odciążyć i wspierać personel medyczny”.

Interpretacja obrazu za pomocą sztucznej inteligencji

Mężczyzna w garniturze i krawacie stoi przed budynkiem z dużym oknem.

Gerardo Hermosillo Valadez jest wynalazcą roku 2024: jego wynalazek rozwija inteligencję anatomiczną

Ludzie zazwyczaj bardzo dobrze radzą sobie z rozpoznawaniem obiektów na obrazach. Na przykład większość osób bez trudu zidentyfikuje kręgosłup na zdjęciach rentgenowskich, nawet jeśli obrazy różnią się znacznie ze względu na różną postawę pacjenta, różne kąty wykonania zdjęcia, wielkość kości czy zdrowy versus zdeformowany kręgosłup. Komputery potrafią to robić tylko przy użyciu sztucznej inteligencji, z wykorzystaniem uczenia głębokiego, i tylko wtedy, gdy zostały wytrenowane na wielu odpowiednich próbkach. „W ten sposób sztuczna inteligencja może rozwijać inteligencję anatomiczną, dzięki której potrafi poruszać się w obrazach medycznych i prawidłowo klasyfikować różne kości, narządy i tkanki” – mówi Gerardo. „W ten sam sposób AI może nauczyć się odróżniać tkankę normalną od nieprawidłowej”.

Innowacje kształtujące cały zakres produktów SHS

Istnieje wiele różnych zastosowań rozpoznawania obrazów wspieranego sztuczną inteligencją w codziennej pracy szpitali i gabinetów lekarskich. Na przykład system może nauczyć się wyświetlać odpowiednie dane obrazowe w odpowiedzi na polecenie typu „Pokaż prawą łopatkę”. Może również zapewniać automatyczne wsparcie przy badaniach radiologicznych, określając moment, w którym podany kontrast dociera do badanego narządu, oraz analizować dane obrazowe pod kątem możliwych zmian patologicznych. Wiele z innowacji, które wprowadza Gerardo, jest obecnych w całym portfolio produktów SHS.

Zróżnicowane strategie uczenia AI

„Sztuczna inteligencja jest tak dobra, jak dane, na których była trenowana” – podkreśla Gerardo. „Aby rozpoznać guzy na obrazach MRI, AI musi najpierw nauczyć się na podstawie tysięcy zdjęć zarówno zdrowych, jak i chorych osób, które zostały jej udostępnione”. Istnieją trzy podstawowe podejścia do trenowania AI: uczenie nadzorowane, słabo nadzorowane oraz samonadzorowane. W uczeniu nadzorowanym AI otrzymuje precyzyjne informacje dla każdego zbioru danych: na przykład „W prawym górnym rogu obrazu znajduje się guz”.
W uczeniu słabo nadzorowanym podawane są tylko nieliczne etykiety informacyjne, np. guz lub brak guza.
W uczeniu samonadzorowanym dane nie mają żadnych etykiet, a AI uczy się samodzielnie – na przykład poprzez ukrywanie fragmentów istniejących obrazów próbnych i „zgadywanie”, jak one wyglądają.

Osoba w czarnej koszuli stojąca przy białej ścianie, trzymająca ciemny przedmiot z rozmytym tłem.

Jego wynalazek kształtuje całą gamę produktów Siemens Healthineers

Poważny mężczyzna w czarnej koszuli z tatuażem stojący przy białej ścianie, częściowo oświetlony od prawej strony

Sztuczna inteligencja może nauczyć się znajdować drogę przez obrazy medyczne i poprawnie je kategoryzować.

Prawie tak inteligentny jak atlas anatomii

Uczenie nadzorowane jest najszybszym i najefektywniejszym sposobem nauki AI, jednak pozyskanie wystarczającej ilości danych treningowych uwzględniających wszystkie istotne aspekty jest czasochłonne i kosztowne. Uczenie samonadzorowane wymaga najwięcej czasu, ale AI może pracować samodzielnie, bez kosztownego oznaczania danych. „Ostatnio koncentrujemy się na najnowszych technikach uczenia samonadzorowanego, takich jak te stosowane w ChatGPT” – mówi Gerardo. „Daje nam to znaczący postęp, szczególnie w dziedzinie inteligencji anatomicznej. Nasza AI jest teraz niemal tak inteligentna jak atlas anatomiczny. Potrafi rozróżnić około 200 różnych punktów orientacyjnych (części ciała) i zlokalizować je w materiałach obrazowych..