Skip to main content

การคาดการณ์ทางกายวิภาคโดยมี AI ช่วยสนับสนุน

Gerardo Hermoillo Valadez | นักประดิษฐ์แห่งปีของ Siemens | ความสำเร็จตลอดชีวิต

เทคโนโลยีการถ่ายภาพ เช่น X-ray, CT scan และ MRI ได้ช่วยแพทย์มาหลายทศวรรษโดยให้ภาพรายละเอียดของกระดูกและโครงสร้างเนื้อเยื่อภายในร่างกายของผู้ป่วย “เทคโนโลยีทั้งหมดนี้ ให้ข้อมูลภาพแก่เรา ซึ่งมีประโยชน์ในการวินิจฉัยเท่านั้น หากสามารถตีความได้อย่างถูกต้องตัวอย่างเช่น มีคนต้องเข้าใจว่าเส้นละเอียดในภาพเอ็กซเรย์แสดงให้เห็นว่ากระดูกแตกหรือสังเกตเห็นมวลที่ผิดปกติในข้อมูลจำนวนมากจากการสแกน MRI” Gerardo Hermosillo Valadez จาก Siemens Healthineers (SHS) นักประดิษฐ์แห่งปี 2024 กล่าวในหมวดความสำเร็จตลอดชีวิต “แผนกของผมกำลังทำงานเกี่ยวกับกระบวนการ AI ที่สามารถตีความภาพทางการแพทย์และช่วยบรรเทาภาระแพทย์พร้อมกับสนับสนุนเจ้าหน้าที่ด้านการแพทย์”

การตีความภาพด้วยปัญญาประดิษฐ์

ชายสวมชุดสูทและเน็คไท ยืนอยู่หน้าอาคารที่มีหน้าต่างขนาดใหญ่

Gerardo Hermosillo Valadez เป็นนักประดิษฐ์แห่งปี 2024: นวัตกรรมของเขาช่วยพัฒนาระบบประมวลผลข้อมูลทางกายวิภาค

ผู้คนมักจะสังเกตสิ่งต่าง ๆ ในภาพได้ดี ตัวอย่างเช่น คนส่วนใหญ่จะเห็นภาพเอ็กซเรย์กระดูกสันหลังแล้วรู้เลยว่าเป็นภาพกระดูกสันหลัง แม้ว่าภาพจะแตกต่างกันมากจากท่าทางที่แตกต่างกันของผู้ป่วย มุมที่แตกต่างกันในการถ่ายภาพ กระดูกขนาดใหญ่หรือเล็ก ระูกเรียงตัวปกติหรือผิดรูป คอมพิวเตอร์สามารถทำสิ่งนี้ได้โดยใช้ปัญญาประดิษฐ์ — ด้วยการเรียนรู้เชิงลึก - และเฉพาะในกรณีที่พวกมันผ่านการฝึกอบรมด้วยตัวอย่างที่เหมาะสมจำนวนมาก“ นี่คือวิธีที่ปัญญาประดิษฐ์สามารถพัฒนาสติปัญญาทางกายวิภาคเพื่อให้สามารถค้นหาทางผ่านภาพทางการแพทย์และจัดหมวดหมู่กระดูกอวัยวะและเนื้อเยื่อต่าง ๆ ได้อย่างถูกต้อง” Gerado กล่าว“ในทำนองเดียวกัน AI สามารถเรียนรู้ที่จะแยกความแตกต่างระหว่างเนื้อเยื่อปกติและเนื้อเยื่อผิดปกติได้”

นวัตกรรมที่กำหนดกลุ่มผลิตภัณฑ์ SHS ทั้งหมด

มีแอปพลิเคชั่นมากมายสำหรับการจดจำภาพที่ขับเคลื่อนด้วย AI ในชีวิตประจำวันในโรงพยาบาลและห้องทำงานของแพทย์ ตัวอย่างเช่น ระบบสามารถเรียนรู้ที่จะแสดงข้อมูลภาพที่ถูกต้องเพื่อตอบสนองต่อคำแนะนำ เช่น “แสดงสะบักขวา” นอกจากนี้ยังสามารถให้การสนับสนุนอัตโนมัติสำหรับการตรวจทางรังสีที่กำหนดว่าสารคอนทราสต์ที่ฉีดเข้าไปถึงอวัยวะที่จะตรวจสอบเมื่อใด และวิเคราะห์ข้อมูลภาพเพื่อการเปลี่ยนแปลงที่อาจเกิดโรคได้ นวัตกรรมมากมายที่ Gerardo ขับเคลื่อนนั้นมีอยู่ทั่วทุกมุมในกลุ่มผลิตภัณฑ์ SHS ทั้งหมด

กลยุทธ์การเรียนรู้ของ AI ที่แตกต่างกัน

“ปัญญาประดิษฐ์นั้นดีเท่ากับข้อมูลที่ได้รับการฝึกฝนเท่านั้น” Gerardo เน้น “ในการรับรู้เนื้องอกในภาพ MRI มันต้องเรียนรู้จากภาพหลายพันภาพของทั้งคนที่มีสุขภาพดีและคนป่วยที่เราได้เปิดให้ใช้งานก่อน” มีแนวทางพื้นฐานสามประการในการฝึกอบรม AI ได้แก่ การเรียนรู้ที่มีการกำกับดูแล การเรียนรู้ที่มีการกำกับดูแลแบบไม่เข้มงวด และการเรียนรู้ที่มีการดูแลตนเองในการเรียนรู้ที่มีการกำกับดูแล AI จะได้รับข้อมูลที่แม่นยำสำหรับแต่ละชุดข้อมูล ตัวอย่างเช่น “มีเนื้องอกที่มุมขวาบนของภาพ” ในการเรียนรู้ที่มีการดูแลแบบไม่เข้มงวดจะมีป้ายกำกับข้อมูลเพียงไม่กี่ป้ายกำกับ เช่น มีเนื้องอกหรือไม่มีเนื้องอก ในการเรียนรู้ที่ดูแลด้วยตนเอง ข้อมูลจะไม่มีป้ายกำกับเลย และ AI เรียนรู้อย่างอิสระ ตัวอย่างเช่นโดยการซ่อนชิ้นส่วนจากภาพตัวอย่างที่มีอยู่และ “เดา” ว่ามีลักษณะอย่างไร

บุคคลในเสื้อเชิ้ตสีดำยืนอยู่ติดกับผนังสีขาวถือวัตถุสีเข้ม พื้นหลังเบลอ

สิ่งประดิษฐ์ของเขาหล่อหลอมผลิตภัณฑ์ของ Siemens Healthineers ทั้งหมด

ชายหน้าตาจริงจังในเสื้อเชิ้ตสีดำที่มีรอยสักที่แขนซ้าย ยืนติดกับผนังสีขาว บางส่วนด้านขวามีการเรืองแสง

ปัญญาประดิษฐ์สามารถเรียนรู้ที่จะค้นหาทางผ่านภาพทางการแพทย์และจัดหมวดหมู่อย่างถูกต้อง

ฉลาดจนแทบจะเหมือนแผนที่กายวิภาคศาสตร์

การเรียนรู้ที่มีการกำกับดูแลเป็นวิธีที่รวดเร็วและมีประสิทธิภาพที่สุดที่จะให้ AI เรียนรู้ แต่ต้องใช้เวลานานและมีราคาแพงในการรับข้อมูลการฝึกอบรมที่เพียงพอ ซึ่งคำนึงถึงทุกแง่มุมที่เกี่ยวข้องด้วย การเรียนรู้ที่ควบคุมตนเองต้องใช้เวลาในการเรียนรู้มากที่สุด แต่ AI สามารถทำงานได้อย่างอิสระโดยไม่ต้องติดป้ายกำกับข้อมูลซึ่งมีราคาแพง “ไม่นานมานี้ เราได้มุ่งเน้นไปที่เทคนิคการเรียนรู้ที่ควบคุมตนเองล่าสุด ซึ่งเป็นเทคนิคเช่นที่ใช้ ChatGPT” Gerardo กล่าว “นั่นทำให้เรามีแรงกระตุ้นอย่างมีนัยสำคัญ โดยเฉพาะอย่างยิ่งในด้านความฉลาดทางกายวิภาคศาสตร์ตอนนี้ AI ของเราเกือบจะฉลาดเท่าแผนที่กายวิภาคศาสตร์ สามารถแยกแยะระหว่างสถานที่สำคัญที่แตกต่างกันประมาณ 200 แห่ง (ส่วนของร่างกาย) และค้นหาในผลภาพถ่ายทางการแพทย์ได้