Niestrudzony diagnosta o wielkiej dokładności – uczenie maszynowe rewolucją w ochronie zdrowia

Możemy poprawić jakość diagnostyki w opiece zdrowotnej dzięki eksperckim systemom, które łączą widzenie przemysłowe i uczenie maszynowe. Dobrze wyszkolony model sztucznej inteligencji jest w stanie identyfikować wzorce na obrazach medycznym, które mogłyby być trudne do wykrycia dla ludzkiego oka. Dzięki rozwiązaniom wykorzystującym widzenie i uczenie już dzisiaj systemy są zdolne do klasyfikacji i oceny stopnia zaawansowania chorób, np. nowotworów.

Dzięki urządzeniu wbudowanemu, które wykonuje analizę badań medycznych za pomocą modelu sztucznej inteligencji, możliwe jest replikowanie i dystrybuowanie rzeczywistej ludzkiej wiedzy eksperckiej w przystępny i niezawodny sposób. Bez wątpienia tradycyjna metoda szkolenia większej liczby ekspertów i wysyłania ich „w świat”, w celu wykonywania swoich zadań, zajmuje więcej czasu i jest droższe.

Instytucje medyczne oraz specjaliści są zainteresowani urządzeniami, które w sposób opłacalny poprawiają funkcjonowanie opieki zdrowotnej. Dlatego producenci sprzętu medycznego widzą ogromny potencjał systemów wizyjnych i uczenia maszynowego. 

„Każdy przypadek analizy obrazu stanowi potencjalną okazję do zastosowania widzenia i uczenia maszynowego” – mówi Matthias Zumpe, kierownik zespołu oprogramowania wbudowanego w Etteplan.

Rozwiązania wbudowane potrafią już np. policzyć jaja pasożytów jelitowych w próbce. Mikroskop ze sztuczną inteligencją automatyzuje obrazowanie i wykorzystuje AI do klasyfikacji i liczenia różnych pasożytów. Wcześniej eksperci, wyposażeni w mikroskopy i liczniki, wykonywali te prace ręcznie. Urządzenie może osiągnąć taką samą dokładność jak człowiek, ale szybciej – i bez konieczności robienia jakichkolwiek przerw.

„Te niedrogie urządzenia mogą być łatwo dostarczane na przykład do szkół w krajach rozwijających się, aby pomóc w diagnostyce” – dodaje Zumpe. Maszyny zostały opracowane przez Etteplan we współpracy z Johnson & Johnson.

Uruchomienie modelu uczenia maszynowego wymaga jedynie umiarkowanej mocy obliczeniowej, która może być osiągnięta na sprzęcie lokalnym, bez konieczności łączenia się z chmurą.

Pierwszym krokiem dla producenta sprzętu medycznego, który chce wejść w świat sztucznej inteligencji, jest określenie, jakich dostępnych danych można użyć do szkolenia modelu uczenia maszynowego.

„Czasami organizacje błędnie szacują liczbę i jakość danych, potrzebnych do szkolenia dobrze działającego modelu” – mówi Zumpe.

Aby skutecznie zgromadzić odpowiednie zasoby danych, warto znaleźć partnera z doświadczeniem w uczeniu maszynowym, ponieważ ono znacznie różni się od tradycyjnych metod przetwarzania obrazów – na przykład opartych na filtrach. Rozwinięcie produktu wykorzystującego sztuczną inteligencję zazwyczaj oznacza wejście w dziedzinę diagnozowania i podejmowania decyzji.

„W porównaniu do bardziej tradycyjnego sposobu prezentowania obrazów personelowi medycznemu celem pomocy w podejmowaniu decyzji interpretacja obrazów i danych przy użyciu modelu uczenia maszynowego wiąże się, oczywiście, z większą odpowiedzialnością i koniecznością przestrzegania regulacji” – wyjaśnia Zumpe.

Ponadto przepisy dotyczące opieki zdrowotnej są inne w każdym kraju, co może sprawić, że opracowanie zgodnego rozwiązania będzie bardziej skomplikowane.

Ze względu na to, że niektóre dane treningowe dla aplikacji medycznych są poufne, zachodzi konieczność przeprowadzenia procesu uczenia maszynowego na serwerach lokalnych.

„W zależności od danych czasami wygodniejsze jest korzystanie z gotowych usług uczenia maszynowego w chmurze publicznej, takich jak Google Cloud, AWS lub Microsoft Azure. Mamy doświadczenie w obu środowiskach” – mówi Zumpe.

Doświadczony partner biznesowy może również pomóc w wyborze najbardziej odpowiedniego modelu uczenia maszynowego dla każdego konkretnego przypadku. Z pewnością istnieje wiele potencjalnych pułapek, które mogą być trudne do zidentyfikowania dla początkujących.

„Jak można zapewnić, że poufne dane pacjentów nie przedostaną się do modelu? Jak tworzyć nieryzykowne, etyczne systemy eksperckie? Na tego rodzaju pytania trudno jest odpowiedzieć bez kogoś specjalizującego się w dziedzinie uczenia maszynowego” – podkreśla Zumpe.

Etteplan ma doświadczenie w organizowaniu całego procesu widzenia maszynowego i uczenia maszynowego od początku do końca. Warto pamiętać, że istnieje prawdopodobieństwo, że wdrożenie uczenia maszynowego wcale nie będzie potrzebne.

„Rozpatrujemy każdy przypadek indywidualnie. Jeśli problem klienta można rozwiązać przy użyciu prostszych i bardziej dostępnych metod niż uczenie maszynowe, naturalnie preferujemy takie rozwiązania. Zastosowanie tego systemu nie jest dla nas celem samym w sobie. Choć jest bardzo skuteczne, to tylko jedno z wielu narzędzi, które oferujemy” – kończy Zumpe.