Au fur et à mesure que l'apprentissage automatique progresse, ses applications incluent des diagnostics médicaux plus rapides et plus précis. Shutterstock
Lorsque AlphaGo de Google DeepMind a battu le légendaire joueur de Go, Lee Sedol, dans 2016, les termes intelligence artificielle (IA), apprentissage automatique et apprentissage en profondeur ont été propulsés dans le courant technologique dominant.
BBC Newsnight: AlphaGo et l'avenir de l'intelligence artificielle.
{YouTube> 53YLZBSS0cc {/ youtube}
L'IA est généralement définie comme la capacité d'un ordinateur ou d'une machine à présenter ou à simuler un comportement intelligent tel que La voiture autonome de Tesla ainsi que Assistant numérique d'Apple Siri. C’est un domaine en plein essor qui fait l’objet de nombreuses recherches et investissements. L'apprentissage automatique est la capacité d'un système d'intelligence artificielle d'extraire des informations à partir de données brutes et d'apprendre à faire des prévisions à partir de nouvelles données.
L'apprentissage en profondeur combine intelligence artificielle et apprentissage automatique. Il s’agit d’algorithmes inspirés de la structure et de la fonction du cerveau, appelés réseaux de neurones artificiels. L’apprentissage en profondeur a suscité beaucoup d’attention ces derniers temps, tant dans le monde de la consommation que dans la communauté médicale.
L'intérêt pour l'apprentissage en profondeur a explosé avec le succès d'AlexNet, un réseau de neurones conçu par Alex Krizhevsky qui a remporté le prix Défi de reconnaissance visuelle à grande échelle de 2012 ImageNet, un concours annuel de classification des images.
L’utilisation des unités de traitement graphique (GPU) pour alimenter des algorithmes d’apprentissage en profondeur constitue un autre progrès relativement récent. Les GPU excellent dans les calculs (multiplications et ajouts) nécessaires aux applications d'apprentissage approfondi, réduisant ainsi le temps de traitement des applications.
Dans notre laboratoire de l'Université de la Saskatchewan, nous menons une recherche intéressante en apprentissage en profondeur sur les applications de la santé. En tant que professeur d'ingénierie électrique et informatique, je dirige l'équipe de recherche. S'agissant des soins de santé, le recours à l'IA ou à l'apprentissage automatique pour établir des diagnostics est une nouveauté et des progrès intéressants et prometteurs ont été accomplis.
Extraire les vaisseaux sanguins dans l'oeil
La détection de vaisseaux sanguins rétiniens anormaux est utile pour diagnostiquer le diabète et les maladies cardiaques. Afin de fournir des interprétations médicales fiables et significatives, le vaisseau rétinien doit être extrait d'une image de la rétine pour permettre des interprétations fiables et significatives. Bien que la segmentation manuelle soit possible, il s'agit d'une tâche complexe, fastidieuse et fastidieuse qui nécessite des compétences professionnelles avancées.
Mon équipe de recherche a développé un système capable de segmenter les vaisseaux sanguins rétiniens simplement en lisant une image rétinienne brute. C'est un système de diagnostic assisté par ordinateur qui réduit le travail des ophtalmologistes et des ophtalmologisteset traite les images 10 plus rapidement, tout en conservant une grande précision.
Détecter le cancer du poumon
La tomographie par ordinateur (CT) est largement utilisée pour le diagnostic du cancer du poumon. Cependant, étant donné que les représentations visuelles des lésions bénignes (non cancéreuses) et malignes (cancéreuses) dans les tomodensitogrammes sont semblables à celles des tomodensitomètres, un scanner ne peut pas toujours fournir un diagnostic fiable. Cela est vrai même pour un radiologue thoracique avec plusieurs années d'expérience. La croissance rapide de Analyse tomodensitométrique a créé un besoin urgent d’outils informatiques avancés pour aider les radiologues à progresser dans le dépistage.
Pour améliorer les performances de diagnostic des radiologistes, nous avons proposé une solution d'apprentissage en profondeur. Sur la base des résultats de nos recherches, notre solution surpasse les radiologues expérimentés. De plus, l'utilisation d'une solution d'apprentissage en profondeur améliore les performances de diagnostic en général et les radiologues moins expérimentés profitent davantage du système.
Une capture d'écran du logiciel de détection du cancer du poumon. Seokbum Ko, Auteur fourni
Limites et défis
Bien que les algorithmes d’apprentissage en profondeur soient très prometteurs dans diverses tâches de radiologie et de médecine, ces systèmes sont loin d’être parfaits. L'obtention d'ensembles de données annotés de haute qualité demeurera un défi pour la formation en apprentissage en profondeur. La plupart des recherches en vision par ordinateur sont basées sur des images naturelles, mais pour les applications de santé, nous avons besoin de grands jeux de données d'images médicales annotées.
Un autre défi du point de vue clinique sera le moment de tester l’efficacité des techniques d’apprentissage en profondeur par rapport aux radiologues humains.
Il faut plus de collaboration entre les médecins et les scientifiques en apprentissage automatique. Le degré élevé de complexité de la physiologie humaine constituera également un défi pour les techniques d’apprentissage automatique.
Un autre défi est la nécessité de valider un système d'apprentissage en profondeur pour la mise en œuvre clinique, ce qui nécessiterait probablement une collaboration entre plusieurs institutions et de vastes ensembles de données. Enfin, une plate-forme matérielle efficace est nécessaire pour assurer le traitement rapide des systèmes d’apprentissage en profondeur.
Dans le monde complexe des soins de santé, les outils d'IA peuvent aider les praticiens à fournir des services plus rapides et des diagnostics plus précis, et à analyser les données pour identifier les tendances ou les informations génétiques susceptibles de prédisposer une personne à une maladie donnée. Quand économiser des minutes peut signifier sauver des vies, l'IA et l'apprentissage automatique peuvent transformer les travailleurs de la santé et les patients.
A propos de l'auteur
Seokbum Ko, professeur, Université de la Saskatchewan
Cet article est republié de The Conversation sous une licence Creative Commons. Lis le article original.
Livres connexes
at Marché InnerSelf et Amazon
