Skip to main content
Denna sida visas med automatisk översättning. Visa på engelska istället?
Allvarlig man i svart skjorta med tatuering på vänster arm, stående mot vit vägg, händer i fickorna, tittar rakt fram.

AI-stöd för sjukvårdspersonal

Gerardo Hermosillo Valadez | Siemens Årets uppfinnare | Livstidsprestation

Bildteknik som röntgenstrålar, CT-skanningar och MRT har hjälpt läkare i årtionden genom att ge dem detaljerade bilder av ben och vävnadsstrukturer inuti patientens kropp. ”Alla dessa tekniker ger oss bilddata som bara är till hjälp vid en diagnos om den kan tolkas korrekt. Till exempel måste någon förstå att den fina linjen i röntgenbilden visar att ett ben är trasigt, eller märka den ovanliga massan i den stora mängden data från en MR-skanning, säger Gerardo Hermosillo Valadez från Siemens Healthineers (SHS), Årets uppfinnare 2024 i kategorin Lifetime Achievement. ”Min avdelning arbetar med AI-processer som kan tolka medicinska bilder och därmed avlasta och stödja medicinsk personal.”

Bildtolkning med artificiell intelligens

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

Gerardo Hermosillo Valadez är Årets uppfinnare 2024: Hans uppfinning utvecklar anatomisk intelligens

Människor är vanligtvis mycket bra på att upptäcka saker i bilder. Till exempel kommer de flesta att tycka att det är lätt att känna igen ryggraden i röntgenbilder - även om bilderna skiljer sig mycket på grund av olika ställningar hos patienten, olika vinklar från vilka bilden tas, stora eller små ben eller friska kontra deformerade ryggar. Datorer kan bara göra detta med hjälp av artificiell intelligens - med djup inlärning - och bara om de har tränats med många lämpliga prover. ”Så här kan artificiell intelligens utveckla anatomisk intelligens så att den kan hitta sin väg genom medicinska bilder och korrekt kategorisera de olika benen, organen och vävnaderna”, säger Gerado. ”På samma sätt kan AI lära sig att skilja mellan normal och onormal vävnad.”

Innovationer som formar hela SHS-produktsortimentet

Det finns många olika applikationer för AI-driven bildigenkänning i vardagen på sjukhus och läkarkontor: till exempel kan ett system lära sig att visa rätt bilddata som svar på en instruktion som ”Visa rätt axelblad.” Det kan också ge automatiserat stöd för radiologiska undersökningar som avgör när det injicerade kontrastmediet har nått det organ som ska undersökas och analysera bilddata för möjliga patogena förändringar. Många av de innovationer som Gerardo har drivit är allestädes närvarande i hela SHS-produktsortimentet.

Olika AI-inlärningsstrategier

”Artificiell intelligens är bara så bra som de data den har tränats med”, betonar Gerardo. ”För att känna igen tumörer i en MR-bild måste den först ha lärt sig från tusentals bilder av både friska och sjuka människor som vi har gjort tillgängliga för den.” Det finns tre grundläggande metoder för att träna AI: övervakat lärande, svagt övervakat lärande och självövervakat lärande. Vid övervakad inlärning ges AI exakt information för varje datamängd: till exempel ”Det finns en tumör i bildens övre högra hörn.” Vid svagt övervakat lärande ges endast ett fåtal infoetiketter: till exempel tumör eller ingen tumör. Vid självövervakad inlärning har data inga etiketter alls, och AI lär sig självständigt: till exempel genom att dölja delar från befintliga exempelbilder och ”gissa” hur de ser ut.

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

Hans uppfinning formar hela Siemens Healthineers produktsortiment

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

Konstgjord intelligens kan lära sig att hitta sin väg genom medicinska bilder och korrekt kategorisera den.

Nästan lika smart som en anatomiatlas

Övervakat lärande är det snabbaste och mest effektiva sättet för AI att lära sig, men det är tidskrävande och dyrt att få tillräckligt med träningsdata som tar hänsyn till alla relevanta aspekter. Självövervakad inlärning kräver mest inlärningstid, men AI kan fungera självständigt utan dyr datamärkning. ”Nyligen har vi koncentrerat oss på de senaste självövervakade inlärningsteknikerna, tekniker som de som används av ChatGPT,” säger Gerardo. ”Det har gett oss ett betydande uppsving, särskilt inom området anatomi intelligens. Vår AI är nu nästan lika smart som en anatomiatlas. Den kan skilja mellan cirka 200 olika landmärken (kroppsdelar) och lokalisera dem i bildmaterialet.