Doc. dr. Tomas Iešmantas. Gilusis mokymasis medicinoje

Svarbiausios | 2020-04-23

Dar ne taip seniai buvo kalbama, jog kompiuterinė rega (sritis, tirianti, kaip kompiuterius išmokyti atpažinti ir suprasti vizualinę informaciją) negali konkuruoti net ir su vienmečio vaiko regos galimybėmis. Tačiau dabar viskas pasikeitę iš esmės: kompiuteriai geba atpažinti objektus vaizduose beveik taip pat gerai, kaip suaugusieji, o ir jau testuojamos autonominės mašinos (angl. self-driving cars), kurios geba suprasti aplinkos vizualinę informaciją ir pačios manevruoti kelyje ne ką blogiau, nei vidutinis vairuotojas.

Vis didėjantis matematinių metodų, skirtų vizualinei informacijai analizuoti ir interpretuoti, efektyvumas ir tikslumas vilioja įdomiems taikymams, kurie iš esmės pakeistų žmonių kasdienybę. Viena iš tokių taikymo sričių yra medicina: greitesnis, tikslesnis ir labiau prieinamas įvairių ligų diagnozavimas turi potencialą pakeisti šiuo metu egzistuojančią sveikatos sistemą iš pagrindų.

Esamas proveržis kompiuterinėje regoje didele dalimi buvo nulemtas kompiuterinių technologijų vystymosi ir dėl to daug greitesnio – taip vadinamų giliųjų dirbtinių neuronų tinklų – apmokymo. Tiksliau, sąsūkų neuroninių tinklų (angl. Convolutional Neural Network, CNN; sąsūka yra matematinė operacija).

Sąsūkų neuroniniai tinklai ištakas turi neuromoksluose, tiriančiuose, kaip fiksuojama, atpažįstama ir interpretuojama smegenyse vizualinė informacija. CNN tam tikra prasme imituoja procesą, vykstantį smegenų žievės dalyje, susijusioje su rega.

Ir vis tik – tai kokie gi tiek medicininiai taikymai, kurių galima būtų tikėtis ateityje? O gal tai jau dabartis? Neseniai (2017 metais) buvo vykdoma studija, kurios metu CNN tinklas buvo apmokytas atpažinti 2000 (!) skirtingų odos ligų, naudojant vien tik odos darinių nuotraukas. Rezultatai buvo puikūs – tinklas gebėjo atpažinti beveik taip pat gerai arba, kai kurių ligų atvejais, netgi dar geriau nei vidutinis dermatologas.

2016 m. CNN tinklas buvo apmokytas atpažinti krūties vėžį, naudojant audinio histologinius vaizdus (ekspertui tai yra ilgas ir sunkus darbas). Gautas tikslumas buvo 92,5 %. Vis tiktai yra šiek tiek blogiau, nei vidutinis ekspertas – 96,6 %. Tačiau, sujungus ekspertinį vertinimą ir neuroninį tinklą, buvo gautas 99,5 % tikslumas – panašu, kad ateityje galime tikėtis, jog dirbtinis intelektas labai efektyviai bendradarbiaus su žmogumi.

Ne taip seniai buvo surengtas konkursas su 1 mln. JAV dolerių fondu už geriausius matematinius metodus, skirtus atpažinti ir lokalizuoti plaučiuose besivystančius piktybinius darinius, naudojant skaitmeninius kompiuterinės tomografijos tyrimo vaizdus.

Įvairių sutrikimų ir ligų spektras, kuriam šiuo metu taikomi gilieji neuroniniai tinklai, yra nepaprastai platus: įvairaus tipo ir įvairiuose organuose besivystančių vėžinių darinių aptikimas, akių, smegenų, plaučių, kepenų, sąnarių ir t. t. ligų diagnozė. Taip pat pradedami ir tyrimai, kaip panaudoti gilųjį mokymąsi operacijų metu.

Panašu, kad didele dalimi ateityje dirbtinis intelektas bus grįstas giliojo mokymosi matematiniais metodais, o poveikis medicinai bus  labai didelis.

Doc. dr. Tomas Iešmantas

We are using cookies to provide statistics that help us give you the best experience of our site. You can find out more or switch them off if you prefer. However, by continuing to use the site without changing settings, you are agreeing to our use of cookies.
Sutinku