Skip to main content

Suport AI pentru profesioniștii din domeniul medical

Gerardo Hermosillo Valadez | Siemens Inventors of the Year | Lifetime Achievement

Tehnologiile imagistice precum razele X, tomografiile CT și RMN-urile îi ajută pe medici de zeci de ani, oferindu-le imagini detaliate ale oaselor și structurilor tisulare din interiorul corpului pacientului. „Toate aceste tehnologii ne furnizează date imagistice care sunt utile pentru diagnostic doar dacă pot fi interpretate corect. De exemplu, cineva trebuie să înțeleagă că linia fină din imaginea radiografică indică o fractură sau să observe o masă neobișnuită în cantitatea mare de date provenite dintr-un RMN”, spune Gerardo Hermosillo Valadez de la Siemens Healthineers (SHS), Inventatorul Anului 2024 la categoria Lifetime Achievement. „Departamentul meu lucrează la procese de inteligență artificială care pot interpreta imaginile medicale și astfel pot reduce presiunea asupra personalului medical și îl pot sprijini.”

Interpretarea imaginii cu inteligență artificială

Un bărbat în costum și cravată stă în fața unei clădiri cu o fereastră mare.

Gerardo Hermosillo Valadez este inventatorul anului 2024: invenția sa dezvoltă inteligență anatomică

Oamenii sunt, de obicei, foarte buni la a identifica elemente în imagini. De exemplu, majoritatea oamenilor pot recunoaște cu ușurință coloana vertebrală în radiografii – chiar dacă imaginile diferă mult din cauza poziției pacientului, a unghiurilor din care sunt realizate, a dimensiunii oaselor sau a diferențelor dintre coloane sănătoase și deformate. Calculatoarele pot face acest lucru doar cu ajutorul inteligenței artificiale – prin deep learning – și numai dacă au fost antrenate cu numeroase exemple relevante. „În acest fel, inteligența artificială poate dezvolta inteligență anatomică, astfel încât să se poată orienta în imagini medicale și să clasifice corect diferitele oase, organe și țesuturi”, spune Gerardo. „În același mod, AI poate învăța să facă diferența între țesutul normal și cel anormal.”

Inovații care modelează întreaga gamă de produse SHS

Există multe aplicații diferite pentru recunoașterea imaginii bazată pe AI în viața de zi cu zi în spitale și cabinetele medicilor: de exemplu, un sistem poate învăța să afișeze datele corecte ale imaginii ca răspuns la o instrucțiune precum „Afișați omoplatul drept”. De asemenea, poate oferi suport automat pentru examinările radiologice care determină când mediul de contrast injectat a ajuns la organul de examinat și poate analiza datele imaginii pentru posibile modificări patogene. Multe dintre inovațiile pe care Gerardo le-a condus sunt omniprezente în întreaga gamă de produse SHS.

Diferite strategii de învățare AI

„Inteligența artificială este la fel de bună ca datele cu care a fost antrenată”, subliniază Gerardo. „Pentru a recunoaște tumori într-o imagine RMN, trebuie mai întâi să fi învățat din mii de imagini ale unor persoane sănătoase și bolnave, pe care i le-am pus la dispoziție.” Există trei abordări de bază pentru antrenarea AI: învățarea supervizată, învățarea slab supervizată și învățarea autosupervizată. În învățarea supervizată, AI primește informații precise pentru fiecare set de date, de exemplu „Există o tumoră în colțul din dreapta sus al imaginii.” În învățarea slab supervizată, sunt oferite doar câteva etichete informative, de exemplu tumoră sau fără tumoră. În învățarea autosupervizată, datele nu au deloc etichete, iar AI învață independent, de exemplu prin ascunderea unor părți din imagini existente și „ghicirea” modului în care acestea arată.

O persoană în tricou negru stă în fața unui perete alb, ținând un obiect închis la culoare, pe un fundal estompat.

Invenția sa modelează întreaga gamă de produse Siemens Healthineers

Un bărbat serios, în tricou negru, cu tatuaj, stă în fața unui perete alb, parțial iluminat din partea dreaptă.

Inteligența artificială poate învăța să se orienteze în imagini medicale și să le clasifice corect.

Aproape la fel de inteligent ca un atlas de anatomie

Învățarea supervizată este cea mai rapidă și eficientă metodă prin care inteligența artificială poate învăța, însă obținerea unui volum suficient de date de antrenament care să acopere toate aspectele relevante este consumatoare de timp și costisitoare. Învățarea autosupervizată necesită cel mai mult timp de învățare, dar permite AI-ului să funcționeze independent, fără etichetarea costisitoare a datelor. „În ultima perioadă, ne-am concentrat pe cele mai noi tehnici de învățare autosupervizată, precum cele utilizate de ChatGPT”, spune Gerardo. „Acest lucru ne-a oferit un impuls semnificativ, în special în domeniul inteligenței anatomice. AI-ul nostru este acum aproape la fel de performant ca un atlas anatomic. Poate distinge aproximativ 200 de repere diferite (părți ale corpului) și le poate localiza în materialul imagistic.