Skip to main content
Ta stran je prikazana z avtomatskim prevajanjem. Namesto tega glej v angleščini?

Podpora umetne inteligence za zdravstvene delavce

Gerardo Hermosillo Valadez | Izumitelji leta podjetja Siemens | Nagrada za življenjsko delo

Tehnologije medicinskega slikanja, kot so rentgenski posnetki, CT-pregledi in magnetna resonanca (MRI), že desetletja pomagajo zdravnikom, saj jim omogočajo podrobne slike kosti in tkivnih struktur v pacientovem telesu. »Vse te tehnologije nam zagotavljajo slikovne podatke, ki so za diagnozo koristni le, če jih je mogoče pravilno interpretirati. Na primer, nekdo mora razumeti, da fina linija na rentgenski sliki kaže na zlom kosti, ali pa opaziti nenavadno maso v veliki količini podatkov iz MRI-pregleda,« pravi Gerardo Hermosillo Valadez iz podjetja Siemens Healthineers (SHS), izumitelj leta 2024 v kategoriji za življenjsko delo. »Moj oddelek razvija procese umetne inteligence, ki lahko interpretirajo medicinske slike ter s tem razbremenijo in podprejo zdravstveno osebje.«

Interpretacija slike z umetno inteligenco

Moški v obleki in kravati stoji pred stavbo z velikim oknom.

Gerardo Hermosillo Valadez je izumitelj leta 2024: Njegov izum razvija anatomsko inteligenco

Ljudje smo običajno zelo dobri pri prepoznavanju stvari na slikah. Na primer, večina ljudi zlahka prepozna hrbtenico na rentgenskih posnetkih – tudi če se slike med seboj precej razlikujejo zaradi različnih položajev pacienta, različnih kotov snemanja, večjih ali manjših kosti ali zaradi zdrave oziroma deformirane hrbtenice.
Računalniki lahko to naredijo le s pomočjo umetne inteligence – z globokim učenjem – in le, če so bili naučeni na številnih ustreznih primerih.
»Na ta način lahko umetna inteligenca razvije anatomsko razumevanje, ki ji omogoča, da se znajde v medicinskih slikah ter pravilno razvrsti različne kosti, organe in tkiva,« pravi Gerardo. »Na enak način se lahko umetna inteligenca nauči razlikovati med normalnim in nenormalnim tkivom.«

Inovacije, ki oblikujejo celotno paleto izdelkov SHS

Uporaba prepoznavanja slik, ki temelji na umetni inteligenci, ima v vsakdanjem delu bolnišnic in ambulant številne možnosti. Na primer, sistem se lahko nauči prikazati ustrezne slikovne podatke kot odziv na ukaz, kot je »Prikaži desno lopatico.« Prav tako lahko zagotavlja samodejno podporo pri radioloških preiskavah, tako da določi trenutek, ko injicirano kontrastno sredstvo doseže organ, ki ga je treba pregledati, ter analizira slikovne podatke glede morebitnih patoloških sprememb.
Številne inovacije, ki jih razvija Gerardo, so danes prisotne v celotnem naboru izdelkov podjetja Siemens Healthineers (SHS).

Različne strategije učenja AI

Umetna inteligenca je dobra le toliko, kolikor so dobri podatki, s katerimi je bila naučena,« poudarja Gerardo. »Da bi lahko prepoznala tumor na MRI-posnetku, se mora najprej učiti na tisočih slikah zdravih in bolnih ljudi, ki smo jih dali na voljo.« Obstajajo trije osnovni pristopi k učenju umetne inteligence: nadzorovano učenje (supervised learning), šibko nadzorovano učenje (weakly supervised learning) in samonadzorovano učenje (self-supervised learning). Pri nadzorovanem učenju umetna inteligenca za vsak podatkovni niz prejme natančne informacije, na primer: »Tumor je v zgornjem desnem kotu slike.« Pri šibko nadzorovanem učenju so podane le osnovne oznake informacij, na primer: tumor ali brez tumorja. Pri samonadzorovanem učenju podatki nimajo nobenih oznak, umetna inteligenca pa se uči samostojno – na primer tako, da skrije dele obstoječih vzorčnih slik in nato »ugiba«, kako ti deli izgledajo.

Oseba v črni srajci, ki stoji ob beli steni in drži temen predmet z zamegljenim ozadjem.

Njegov izum oblikuje celotno paleto izdelkov Siemens Healthineers

Resen moški v črni srajci s tetovažo stoji ob beli steni, delno osvetljen z desne strani

Umetna inteligenca se lahko nauči najti pot skozi medicinske slike in jo pravilno kategorizirati.

Skoraj tako pameten kot atlas anatomije

Nadzorovano učenje je najhitrejši in najučinkovitejši način učenja umetne inteligence, vendar je pridobivanje zadostne količine učnih podatkov, ki upoštevajo vse pomembne vidike, časovno zahtevno in drago. Samonadzorovano učenje zahteva največ časa za učenje, vendar lahko umetna inteligenca deluje samostojno, brez dragih postopkov označevanja podatkov. »V zadnjem času smo se osredotočili na najnovejše tehnike samonadzorovanega učenja, podobne tistim, ki jih uporablja ChatGPT,« pravi Gerardo. »To nam je dalo pomemben zagon, zlasti na področju anatomskega razumevanja. Naša umetna inteligenca je zdaj skoraj tako pametna kot anatomski atlas. Razlikuje lahko približno 200 različnih anatomskih orientacijskih točk (delov telesa) in jih locira na slikovnem gradivu.«