Η βαθιά μάθηση κάνει εξίσου καλά με τα πλεονεκτήματα στην αναγνώριση του καρκίνου του δέρματος

SkinVision
Ανησυχείτε για έναν περίεργο κρεατοελιά στην πλάτη σας; Γιατί να μην αφήσετε έναν αλγόριθμο να το κοιτάξει!

Αυτή είναι η ευρεία ιδέα πίσω από ένα πρόσφατο έργο που δημιουργήθηκε από επιστήμονες υπολογιστών στο Πανεπιστήμιο του Στάνφορντ, που εφάρμοσε τις εξαιρετικές δυνάμεις της μηχανικής όρασης των νευρωνικών δικτύων αιχμής βαθιάς μάθησης στον κόσμο της δερματολογίας.

Προτεινόμενα βίντεο

Χρησιμοποιώντας μια βάση δεδομένων με σχεδόν 130.000 εικόνες δερματικών παθήσεων, η ομάδα μπόρεσε να δημιουργήσει ένα Ο αλγόριθμος τεχνητής νοημοσύνης μπορεί να διαγνώσει δερματικές βλάβες με εκπαιδευμένο επίπεδο απόδοσης που ταιριάζει ειδικοί.

Σχετίζεται με

  • Deep-learning A.I. βοηθά τους αρχαιολόγους να μεταφράσουν αρχαίες πινακίδες
  • Αυτή η εφαρμογή που υποστηρίζεται από A.I. μπορεί να εντοπίσει τον καρκίνο του δέρματος με 95 τοις εκατό ακρίβεια
  • Το DeepSqueak είναι ένα A.I. που αποκαλύπτει τι συζητούν οι αρουραίοι

«[Το εκπαιδεύσαμε να] ταξινομεί εικόνες δερματικών παθήσεων ως καλοήθεις ή κακοήθεις και διαπιστώσαμε ότι ταιριάζει με την απόδοση περισσότερων από 21 πιστοποιημένων δερματολόγων σε τρία βασικά διαγνωστικά Καθήκοντα: εντοπισμός καρκινωμάτων κερατινοκυττάρων (ο πιο κοινός καρκίνος στον άνθρωπο), εντοπισμός μελανώματος (ο πιο θανατηφόρος καρκίνος του δέρματος) και ταυτοποίηση μελανώματος όταν παρατηρείται με δερματοσκόπηση», συν-πρώτα συγγραφέας

Αντρέ Εστέβα είπε στο Digital Trends.

Το νευρωνικό δίκτυο που χρησιμοποίησαν οι ερευνητές ήταν ένα που σχεδιάστηκε αρχικά από την Google και εκπαιδεύτηκε να αναγνωρίζει 1,28 εκατομμύρια εικόνες, με τον κάπως επιπόλαιο σκοπό να διακρίνει τις γάτες από τους σκύλους.

«Είδαμε ότι επέδειξε υπεράνθρωπες επιδόσεις στη διάκριση μεταξύ 200 διαφορετικών τύπων σκύλων», συν-πρώτος συγγραφέας Μπρετ Κούπρελ μας είπε. «Σκεφτήκαμε ότι θα μπορούσαμε να το εφαρμόσουμε σε κάτι πιο χρήσιμο, όπως η διάγνωση του καρκίνου του δέρματος».

Πριν από το έργο, ούτε η Esteva ούτε η Kuprel είχαν κάποιο υπόβαθρο στη δερματολογία, πράγμα που σημαίνει ότι ο αλγόριθμος που δημιουργήθηκε μπόρεσε να επιτύχει απόδοση σε επίπεδο ειδικού χωρίς να επωφεληθεί από κανέναν ειδικά κωδικοποιημένο τομέα η γνώση.

Ωστόσο, εάν ο αλγόριθμος επρόκειτο να χρησιμοποιηθεί από εκπαιδευμένους γιατρούς, θα μπορούσαν να επωφεληθούν από το α ο λεγόμενος «χάρτης ανάδειξης», αποκαλύπτοντας πόσο σημαντικό ήταν κάθε pixel σε μια εικόνα στην πρόβλεψη της AI επεξεργάζομαι, διαδικασία. Με άλλα λόγια, αντί να αντικαθιστά τους δερματολόγους, αυτό θα μπορούσε να αποδειχθεί χρήσιμο εργαλείο στο οπλοστάσιό τους - το ισοδύναμο μιας έξυπνης ακτινογραφίας που προσφέρει τη δική της ερμηνεία για το τι βλέπει.

Προς το παρόν, όμως, αυτό πάει πολύ μπροστά. «Υπάρχουν σίγουρα ρυθμιστικοί κανόνες για να τον εγκρίνει ο FDA», είπε ο Kuprel. "Αυτό θα ήταν σημαντικό πριν αναπτυχθεί οποιαδήποτε εφαρμογή." Πέρα από αυτό, όμως, οι ερευνητές δεν λένε τι θα ακολουθήσει.

«Ακόμα συζητάμε για τα επόμενα βήματα και δεν μπορούμε να σχολιάσουμε ακόμη», είπε η Εστέβα.

Συστάσεις των συντακτών

  • ΟΛΑ ΣΥΜΠΕΡΙΛΑΜΒΑΝΟΝΤΑΙ. θα μπορούσε να παίξει ζωτικό ρόλο στη γέννηση των αυριανών παιδιών εξωσωματικής γονιμοποίησης
  • Deep Learning A.I. μπορεί να μιμηθεί τα εφέ παραμόρφωσης των εμβληματικών θεών της κιθάρας
  • Ιάπωνες ερευνητές χρησιμοποιούν βαθιά μάθηση A.I. για να κινηθούν τα ρομπότ παρασυρόμενου ξύλου
  • Ο στατιστικολόγος σηκώνει κόκκινη σημαία σχετικά με την αξιοπιστία των τεχνικών μηχανικής μάθησης
  • Τι είναι η βαθιά μάθηση;

Αναβαθμίστε τον τρόπο ζωής σαςΤο Digital Trends βοηθά τους αναγνώστες να παρακολουθούν τον γρήγορο κόσμο της τεχνολογίας με όλα τα τελευταία νέα, διασκεδαστικές κριτικές προϊόντων, διορατικά editorial και μοναδικές κρυφές ματιές.