Sztuczna inteligencja diagnozująca choroby siatkówki - sekretem uczenie transferowe

Nie od dziś szuka się dla sztucznej inteligencji zastosowania w medycynie. Może ona pomagać w diagnozowaniu rzadkich chorób czy też do pewnego stopnia odciążać lekarzy. Najnowsze dokonanie naukowców z Uniwersytetu w Kalifornii jest zaś najlepszym dowodem na to, że zakres, w jakim nowe technologie mogą być wykorzystane, jest znacznie szerszy.

Naukowcy zdołali zaprojektować cyfrową platformę diagnostyczną, której podstawą jest sztuczna inteligencja. Zastosowali w niej nietypowe rozwiązanie: uczenie transferowe. Jest to szczególna odmiana uczenia maszynowego, która wyróżnia się szybszym przyswajaniem wiedzy i zdolnością do wykorzystania jej w innym środowisku.

Jak tłumaczy ekspert ds. sztucznej inteligencji, Tomasz Gibas, „fenomen uczenia transferowego w przypadku medycyny polega na tym, że pozwala ono przenieść zasób wiedzy z jednego obszaru chorobowego na inny, podnosząc dokładność diagnozy przy jednoczesnym skróceniu czasu potrzebnego na naukę”.

Odpowiedź brzmi: skutecznie. Stworzona przez naukowców z Kalifornii platforma stała się dzięki uczeniu transferowemu niezwykle precyzyjna. Po przeanalizowaniu około 200 tysięcy zdjęć jest dziś w stanie z 95-procentową skutecznością postawić diagnozę. Program informuje nie tylko o tym, czy choroba występuje, ale też jaki jest to rodzaj degeneracji siatkówki i jaki jest poziom jego zaawansowania.

Odpowiedź na zadane pytanie mogłaby również brzmieć: szybko. Prawidłowa (w 95 proc. przypadków) diagnoza jest bowiem stawiana po upływie zaledwie pół minuty, co jest wynikiem więcej niż zadowalającym.

„Obecnie jesteśmy w stanie zaufać sztucznej inteligencji w takich obszarach jak np. samodzielne parkowanie samochodu, jednak poleganie na niej w tak skomplikowanych sytuacjach jak diagnozy medyczne nie było do tej pory powszechną praktyką. 

Naukowcy z Uniwersytetu w Kalifornii chcą to zmienić – stworzona przez nich platforma wykorzystująca sztuczną inteligencję potrafi nie tylko zdiagnozować i rozróżnić dwie najpopularniejsze choroby siatkówki (zwyrodnienie plamki żółtej i cukrzycowy obrzęk plamki), ale także ocenić stopień zaawansowania schorzenia.

Kluczem do tego sukcesu była zmiana sposobu uczenia się sztucznej inteligencji. Naukowcy wykorzystali nowy, specyficzny typ uczenia maszynowego nazwany uczeniem transferowym. [Dzięki niemu] skuteczność diagnozy wynosi ok. 95 proc., co twórcy porównują z trafnością dobrze wyszkolonego okulisty. 

Co więcej, zadbano też, by proces diagnozowania był jak najbardziej przejrzysty, aby nawet pacjenci nieobeznani z technologią mogli mu zaufać. Komputer na bieżąco pokazuje, na jaki obszar patrzy oraz na jakiej podstawie wystawia swoją diagnozę.

Zastosowanie transferowego systemu uczenia się pozwala już teraz kalifornijskiej sztucznej inteligencji diagnozować obrazy rentgenowskie klatki piersiowej i z 90-proc. dokładnością rozróżniać wirusowe i bakteryjne zapalenie płuc. Najbliższym planem twórców jest zastosowanie jej także w innych obszarach medycyny, ponieważ każdorazowe zwiększenie bazy danych skutkuje według nich zwiększeniem efektywności diagnozy. 

Finalnie, celem jest pokazanie lekarzom, że sztuczna inteligencja jest cennym narzędziem pozwalającym usprawnić pracę, a pacjentom – że szybka i trafna diagnoza dokonana przez komputer pozwoli im szybciej poddać się niezbędnemu leczeniu”.

Źródło: Good One PR, Cell, EurekAlert. Foto: Engin_Akyurt/Pixabay (CC0)