Skip to main content
Ta strona jest wyświetlana przy użyciu automatycznego translatora. Czy chcesz wyświetlić ją w języku angielskim?

Wsparcie AI dla lekarzy

Gerardo Hermosillo Valadez | Wynalazcy Roku Siemens | Dożywotnie dzieło

Technologie obrazowania, takie jak zdjęcia rentgenowskie, tomografia komputerowa i MRI, pomagają lekarzom od dziesięcioleci, dając im szczegółowe obrazy kości i struktur tkankowych w ciele pacjenta. „Wszystkie te technologie dostarczają nam danych obrazowych, które są pomocne w diagnozie tylko wtedy, gdy można je poprawnie zinterpretować. Na przykład ktoś musi zrozumieć, że cienka linia na zdjęciu rentgenowskim pokazuje złamanie kości lub zauważyć niezwykłą masę dużej ilości danych ze skanowania MRI” - mówi Gerardo Hermosillo Valadez z Siemens Healthineers (SHS), Wynalazca Roku 2024 w kategorii Lifetime Achievement. „Mój dział pracuje nad procesami sztucznej inteligencji, które mogą interpretować obrazy medyczne, a tym samym odciążać i wspierać personel medyczny”.

Interpretacja obrazu za pomocą sztucznej inteligencji

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

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

Ludzie są zwykle bardzo dobrzy w dostrzeganiu rzeczy na zdjęciach. Na przykład większości ludzi łatwo będzie rozpoznać kręgosłup na zdjęciach rentgenowskich - nawet jeśli obrazy znacznie się różnią ze względu na różne postawy pacjenta, różne kąty, pod którymi wykonywane jest zdjęcie, duże lub małe kości lub zdrowe i zdeformowane kolce. Komputery mogą to zrobić tylko przy użyciu sztucznej inteligencji - z głębokim uczeniem - i tylko wtedy, gdy zostały przeszkolone z wieloma odpowiednimi próbkami. „W ten sposób sztuczna inteligencja może rozwinąć inteligencję anatomiczną, aby mogła znaleźć drogę przez obrazy medyczne i poprawnie kategoryzować różne kości, narządy i tkanki” - mówi Gerado. „W ten sam sposób sztuczna inteligencja może nauczyć się rozróżniać tkankę normalną i nieprawidłową”.

Innowacje, które kształtują całą gamę produktów SHS

Istnieje wiele różnych zastosowań do rozpoznawania obrazu opartego na sztucznej inteligencji w życiu codziennym w szpitalach i gabinetach lekarskich: na przykład system może nauczyć się wyświetlać prawidłowe dane obrazu w odpowiedzi na instrukcję typu „Pokaż prawe łopatki”. Może również zapewnić automatyczne wsparcie dla badań radiologicznych, które określają, kiedy wstrzyknięty środek kontrastowy dotarł do badanego narządu, i analizować dane obrazu pod kątem możliwych zmian chorobotwórczych. Wiele innowacji, które Gerardo wprowadza, jest wszechobecnych w całej gamie produktów SHS.

Różne strategie uczenia się sztucznej inteligencji

„Sztuczna inteligencja jest tak dobra, jak dane, z którymi została przeszkolona” - podkreśla Gerardo. „Aby rozpoznać guzy na obrazie MRI, musiało najpierw nauczyć się z tysięcy zdjęć zarówno zdrowych, jak i chorych ludzi, które mu udostępniliśmy”. Istnieją trzy podstawowe podejścia do szkolenia sztucznej inteligencji: uczenie się nadzorowane, uczenie się słabo nadzorowane i uczenie się samodzielnie. W uczeniu się nadzorowanym sztuczna inteligencja otrzymuje dokładne informacje dla każdego zestawu danych: na przykład „W prawym górnym rogu obrazu znajduje się guz”. W słabo nadzorowanym uczeniu podano tylko kilka etykiet informacyjnych: na przykład guz lub brak guza. Podczas samodzielnego uczenia się dane nie mają żadnych etykiet, a sztuczna inteligencja uczy się niezależnie: na przykład ukrywając części przed istniejącymi przykładowymi obrazami i „zgadując”, jak wyglądają.

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

Jego wynalazek kształtuje całą gamę produktów Siemens Healthineers

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

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

Prawie tak inteligentny jak atlas anatomii

Uczenie się nadzorowane jest najszybszym i najskuteczniejszym sposobem uczenia się sztucznej inteligencji, ale uzyskanie wystarczających danych szkoleniowych uwzględniających wszystkie istotne aspekty jest czasochłonne i kosztowne. Uczenie się samodzielnie nadzorowane wymaga najwięcej czasu na naukę, ale sztuczna inteligencja może pracować niezależnie bez kosztownego etykietowania danych. „Ostatnio koncentrujemy się na najnowszych technikach samouczenia się, technikach takich jak te używane przez ChatGPT” - mówi Gerardo. „To dało nam znaczący impuls, zwłaszcza w dziedzinie inteligencji anatomicznej. Nasza sztuczna inteligencja jest teraz prawie tak inteligentna jak atlas anatomii. Potrafi odróżnić około 200 różnych punktów orientacyjnych (części ciała) i zlokalizować je w materiale obrazowym.