Skip to main content

Tıp uzmanları için AI desteği

Gerardo Hermosillo Valadez | Siemens Yılın Mucitleri | Ömür Boyu Başarı

Röntgenler, BT taramaları ve MRG'ler gibi görüntüleme teknolojileri, hastanın vücudundaki kemik ve doku yapılarının ayrıntılı görüntülerini sunarak onlarca yıldır doktorlara yardımcı oluyor. Siemens Healthineers’ten (SHS) ve 2024 Yılı Yaşam Boyu Başarı kategorisinde Yılın Mucidi ödülünün sahibi Gerardo Hermosillo Valadez, “Örneğin, birinin röntgen görüntüsündeki ince çizginin bir kemiğin kırıldığını gösterdiğini anlaması ya da bir MR taramasından elde edilen büyük miktardaki veride olağandışı bir kitleyi fark etmesi gerekir” diyor. “Bölümüm, tıbbi görüntüleri yorumlayarak tıbbi personelin yükünü hafifletip onlara destek olabilecek AI süreçleri üzerinde çalışıyor. "

Yapay zeka ile görüntü yorumlama

Takım elbise ve kravatlı bir adam büyük pencereli bir binanın önünde duruyor.

Gerardo Hermosillo Valadez 2024 Yılının Mucidi: Buluşu anatomik zekayı geliştiriyor

İnsanlar genellikle resimlerdeki şeyleri tespit etmede çok iyidir. Örneğin, çoğu insan röntgen görüntülerinde omurgayı tanımayı kolay bulacaktır - görüntüler hastanın farklı duruşları, resmin çekildiği farklı açılar, büyük veya küçük kemikler veya sağlıklı ve deforme olmuş dikenler nedeniyle çok farklı olsa bile. Bilgisayarlar bunu ancak yapay zeka kullanarak - derin öğrenme ile - ve yalnızca birçok uygun örnekle eğitilmişlerse yapabilirler. Gerado, “Yapay zeka anatomik zekayı bu şekilde geliştirebilir, böylece tıbbi görüntüler aracılığıyla yolunu bulabilir ve farklı kemikleri, organları ve dokuları doğru bir şekilde kategorize edebilir” diyor. “Aynı şekilde, AI normal ve anormal doku arasında ayrım yapmayı öğrenebilir.”

Tüm SHS ürün yelpazesini şekillendiren yenilikler

Hastanelerde ve doktor ofislerinde günlük yaşamda AI odaklı görüntü tanıma için birçok farklı uygulama vardır: örneğin, bir sistem “Sağ omuz bıçağını göster” gibi bir talimata yanıt olarak doğru görüntü verilerini görüntülemeyi öğrenebilir. Ayrıca, enjekte edilen kontrast maddenin incelenecek organa ne zaman ulaştığını belirleyen radyolojik incelemeler için otomatik destek sağlayabilir ve olası patojenik değişiklikler için görüntü verilerini analiz edebilir. Gerardo'nun hayata geçirdiği yeniliklerin çoğu, SHS ürün yelpazesinin tamamında her yerde bulunur.

Farklı AI öğrenme stratejileri

Gerardo, “Yapay zeka yalnızca eğitildiği veriler kadar iyidir” diye vurguluyor. “Bir MRI görüntüsündeki tümörleri tanımak için, önce ona sunduğumuz hem sağlıklı hem de hasta insanların binlerce görüntüsünden öğrenmiş olmalı.” Yapay zekayı eğitmek için üç temel yaklaşım vardır: denetimli öğrenme, zayıf denetimli öğrenme ve kendi kendine denetimli öğrenme. Denetimli öğrenmede, AI'a her veri seti için kesin bilgi verilir: örneğin, “Görüntünün sağ üst köşesinde bir tümör var.” Zayıf denetimli öğrenmede, yalnızca birkaç bilgi etiketi verilir: örneğin, tümör veya tümör yok. Kendi kendini denetlemeli öğrenmede, verilerin hiçbir etiketi yoktur ve AI bağımsız olarak öğrenir: örneğin, parçaları mevcut örnek görüntülerden gizleyerek ve neye benzediklerini “tahmin ederek”.

Beyaz duvarın önünde duran, siyah tişörtlü kişi; arka planı bulanık, elinde koyu renkli bir nesne tutuyor.

Onun icadı tüm Siemens Healthineers ürün yelpazesini şekillendiriyor

Beyaz duvara yaslanmış, sağ taraftan kısmen aydınlatılmış, dövmeli, siyah gömlekli ciddi bir adam

Yapay zeka, tıbbi görüntüler aracılığıyla yolunu bulmayı öğrenebilir ve doğru bir şekilde kategorize edebilir.

Neredeyse bir anatomi atlası kadar akıllı

Denetimli öğrenme, AI'ın öğrenmesinin en hızlı ve en verimli yoludur, ancak ilgili tüm yönleri dikkate alan yeterli eğitim verisi elde etmek zaman alıcı ve pahalıdır. Kendi kendini denetlemeli öğrenme, en fazla öğrenme süresini gerektirir, ancak yapay zeka pahalı veri etiketlemesi olmadan bağımsız olarak çalışabilir. Gerardo, “Son zamanlarda, ChatGPT tarafından kullanılanlar gibi en son kendi kendini denetlemeli öğrenme tekniklerine odaklanıyoruz” diyor. “Bu bize özellikle anatomi zekası alanında önemli bir destek verdi. Yapay AI'ımız artık neredeyse bir anatomi atlası kadar akıllı. Yaklaşık 200 farklı yer işareti (vücut parçaları) arasında ayrım yapabilir ve bunları görüntüleme materyalinde bulabilir.