Η Τεχνητή Νοημοσύνη μπορεί να βοηθήσει στον αγώνα κατά του COVID-19

A HOLD FreeRelease 1 | eTurboNews | eTN
Avatar της Linda Hohnholz
Γραμμένο από Linda Hohnholz

Το νέο πλαίσιο μηχανικής μάθησης θα μπορούσε να ανακουφίσει το έργο των ακτινολόγων παρέχοντας γρήγορη και ακριβή διάγνωση ασθενειών.

Η πανδημία του COVID-19 σάρωσε τον κόσμο στις αρχές του 2020 και έκτοτε έχει γίνει η κύρια αιτία θανάτου σε πολλές χώρες, όπως η Κίνα, οι ΗΠΑ, η Ισπανία και το Ηνωμένο Βασίλειο. Οι ερευνητές εργάζονται εκτενώς για την ανάπτυξη πρακτικών τρόπων για τη διάγνωση λοιμώξεων από τον COVID-19 και πολλοί από αυτούς έχουν εστιάσει την προσοχή τους στο πώς θα μπορούσε να αξιοποιηθεί η τεχνητή νοημοσύνη (AI) για αυτόν τον σκοπό.       

Αρκετές μελέτες έχουν αναφέρει ότι τα συστήματα που βασίζονται σε τεχνητή νοημοσύνη μπορούν να χρησιμοποιηθούν για την ανίχνευση του COVID-19 σε εικόνες με ακτίνες Χ θώρακα, επειδή η ασθένεια τείνει να παράγει περιοχές με πύον και νερό στους πνεύμονες, οι οποίες εμφανίζονται ως λευκές κηλίδες στις ακτινογραφίες . Αν και έχουν προταθεί διάφορα διαγνωστικά μοντέλα τεχνητής νοημοσύνης που βασίζονται σε αυτήν την αρχή, η βελτίωση της ακρίβειας, της ταχύτητας και της εφαρμογής τους παραμένει κορυφαία προτεραιότητα.

Τώρα, μια ομάδα επιστημόνων με επικεφαλής τον καθηγητή Gwanggil Jeon του Εθνικού Πανεπιστημίου Incheon, στην Κορέα, έχει αναπτύξει ένα αυτόματο πλαίσιο διάγνωσης COVID-19 που αναδεικνύει τα πράγματα σε ένα βαθμό, συνδυάζοντας δύο ισχυρές τεχνικές που βασίζονται στην τεχνητή νοημοσύνη. Το σύστημά τους μπορεί να εκπαιδευτεί ώστε να διαφοροποιεί με ακρίβεια τις εικόνες ακτινογραφίας θώρακα ασθενών με COVID-19 από εκείνους που δεν έχουν COVID-19. Το έγγραφό τους έγινε διαθέσιμο στο διαδίκτυο στις 27 Οκτωβρίου 2021 και δημοσιεύτηκε στις 21 Νοεμβρίου 2021, στον τόμο 8, τεύχος 21 του IEEE Internet of Things Journal.

Οι δύο αλγόριθμοι που χρησιμοποίησαν οι ερευνητές ήταν ο Faster R-CNN και ο ResNet-101. Το πρώτο είναι ένα μοντέλο που βασίζεται σε μηχανική μάθηση που χρησιμοποιεί ένα δίκτυο πρότασης περιοχής, το οποίο μπορεί να εκπαιδευτεί για να αναγνωρίζει τις σχετικές περιοχές σε μια εικόνα εισόδου. Το δεύτερο είναι ένα νευρωνικό δίκτυο βαθιάς μάθησης που περιλαμβάνει 101 επίπεδα, το οποίο χρησιμοποιήθηκε ως ραχοκοκαλιά. Το ResNet-101, όταν εκπαιδεύεται με αρκετά δεδομένα εισόδου, είναι ένα ισχυρό μοντέλο για την αναγνώριση εικόνων. «Από όσο γνωρίζουμε, η προσέγγισή μας είναι η πρώτη που συνδυάζει το ResNet-101 και το ταχύτερο R-CNN για την ανίχνευση του COVID-19», παρατηρεί ο καθηγητής Jeon, «Μετά την εκπαίδευση του μοντέλου μας με 8800 εικόνες ακτίνων Χ, λάβαμε αξιοσημείωτη ακρίβεια 98%.

Η ερευνητική ομάδα πιστεύει ότι η στρατηγική της θα μπορούσε να αποδειχθεί χρήσιμη για την έγκαιρη ανίχνευση του COVID-19 σε νοσοκομεία και κέντρα δημόσιας υγείας. Η χρήση αυτόματων διαγνωστικών τεχνικών που βασίζονται στην τεχνολογία AI θα μπορούσε να αφαιρέσει λίγη δουλειά και πίεση από ακτινολόγους και άλλους ιατρικούς ειδικούς, οι οποίοι αντιμετωπίζουν τεράστιο φόρτο εργασίας από την έναρξη της πανδημίας. Επιπλέον, καθώς όλο και περισσότερες σύγχρονες ιατρικές συσκευές συνδέονται στο Διαδίκτυο, θα είναι δυνατή η τροφοδοσία τεράστιων ποσοτήτων εκπαιδευτικών δεδομένων στο προτεινόμενο μοντέλο. Αυτό θα οδηγήσει σε ακόμη υψηλότερες ακρίβειες, και όχι μόνο για το COVID-19, όπως δηλώνει ο καθηγητής Jeon: «Η προσέγγιση βαθιάς μάθησης που χρησιμοποιείται στη μελέτη μας είναι εφαρμόσιμη σε άλλους τύπους ιατρικών εικόνων και θα μπορούσε να χρησιμοποιηθεί για τη διάγνωση διαφορετικών ασθενειών».

Σχετικά με τον Συγγραφέα

Avatar της Linda Hohnholz

Linda Hohnholz

Αρχισυντάκτης για eTurboNews με έδρα το eTN HQ.

Εγγραφείτε
Ειδοποίηση για
επισκέπτης
0 Σχόλια
Ενσωματωμένα σχόλια
Δείτε όλα τα σχόλια
0
Θα αγαπήσετε τις σκέψεις σας, παρακαλώ σχολιάστε.x
Μοιράστε σε...