Ερευνητές από το Πανεπιστήμιο της Καλιφόρνια στο περιοδικό Cell παρουσίασαν στον κόσμο την πρωτοποριακή τους λύση στον τομέα της τεχνητής νοημοσύνης. Η πλατφόρμα που δημιούργησε όχι μόνο μπορεί να ανιχνεύσει, αλλά και να διαγνώσει ασθένειες που σχετίζονται με τον εκφυλισμό του αμφιβληστροειδούς του ματιού. Αυτό επιτεύχθηκε, μεταξύ άλλων, από αλλάζοντας το σύστημα μάθησης του υπολογιστή.
Προς το παρόν, είμαστε σε θέση να εμπιστευόμαστε την τεχνητή νοημοσύνη σε τομείς όπως η στάθμευση αυτοκινήτων, αλλά στηριζόμαστε σε τέτοιες περίπλοκες καταστάσεις, όπως οι ιατρικές διαγνώσεις δεν ήταν μέχρι σήμερα κοινή πρακτική. Επιστήμονες από το Πανεπιστήμιο της Καλιφόρνια θέλουν να το αλλάξουν - η πλατφόρμα που δημιούργησαν χρησιμοποιώντας τεχνητή νοημοσύνη όχι μόνο μπορεί να διαγνώσει και να διακρίνει μεταξύ των δύο πιο δημοφιλών παθήσεων του αμφιβληστροειδούς (εκφυλισμός της ωχράς κηλίδας και διαβητικό οίδημα της ωχράς κηλίδας), αλλά και να αξιολογήσει τη σοβαρότητα της νόσου.
$config[ads_text1] not found
Το κλειδί για αυτήν την επιτυχία ήταν να αλλάξει τον τρόπο που μαθαίνει η AI. Οι ερευνητές χρησιμοποίησαν έναν νέο συγκεκριμένο τύπο μηχανικής μάθησης που ονομάζεται «μεταφορά μάθησης». Το φαινόμενο της μεταφοράς μάθησης στην ιατρική είναι ότι σας επιτρέπει να μεταφέρετε γνώσεις από τη μία περιοχή της νόσου στην άλλη, αυξάνοντας την ακρίβεια της διάγνωσης μειώνοντας παράλληλα τον χρόνο που απαιτείται για τη μάθηση. Προς το παρόν, η πλατφόρμα έχει ήδη απορροφήσει 200 χιλιάδες. Η αξονική τομογραφία του αμφιβληστροειδούς και εντός 30 δευτερολέπτων μπορεί να κρίνει εάν ο ασθενής χρειάζεται θεραπεία. Η αποτελεσματικότητα της διάγνωσης είναι περίπου 95%, την οποία συγκρίνουν οι συγγραφείς με την ακρίβεια ενός καλά εκπαιδευμένου οφθαλμίατρου. Επιπλέον, η διαδικασία διάγνωσης ήταν όσο το δυνατόν πιο διαφανής, έτσι ώστε ακόμη και ασθενείς που δεν είναι εξοικειωμένοι με την τεχνολογία να μπορούν να την εμπιστεύονται. Ο υπολογιστής δείχνει σε συνεχή βάση σε ποιον τομέα εξετάζει και σε ποια βάση κάνει τη διάγνωσή του.
Η χρήση του συστήματος εκμάθησης μεταφοράς επιτρέπει στην τεχνητή νοημοσύνη της Καλιφόρνιας να διαγνώσει ακτινογραφίες στο στήθος και με 90 τοις εκατό. διακρίνει με ακρίβεια μεταξύ της ιογενούς και της βακτηριακής πνευμονίας. Το πλησιέστερο σχέδιο των δημιουργών είναι να το χρησιμοποιούν και σε άλλους τομείς της ιατρικής, διότι, σύμφωνα με αυτούς, κάθε φορά που η βάση δεδομένων αυξάνεται, η αποτελεσματικότητα της διάγνωσης θα αυξάνεται. Τέλος, ο στόχος είναι να δείξουμε στους γιατρούς ότι η τεχνητή νοημοσύνη είναι ένα πολύτιμο εργαλείο που τους επιτρέπει να βελτιώσουν την εργασία τους και ότι οι ασθενείς - ότι μια γρήγορη και ακριβής διάγνωση που γίνεται από έναν υπολογιστή θα τους επιτρέψει να υποστούν την απαραίτητη θεραπεία γρηγορότερα.
$config[ads_text2] not found
