2022. 11. 23. - 10:30

Új mesterséges intelligencia technológiát teszteltek a koronavírus-azonosításban

Új mesterséges intelligencia technológiát teszteltek a koronavírus-azonosításban

Mellkasröntgen során értékelték a Minnesotai Egyetem kutatói a koronavírus diagnózisának egyesített tanulási variációit – ez egy mesterséges intelligencia-technika, amely megoldja, hogy több fél együttműködve fejlesszen és képezzen ki MI-modelleket.

Az új mesterséges intelligencia technológia használatát értékelték szakemberek a Covid-19 diagnosztizálásában.
 
A Minnesotai Egyetem kutatói tanulmányukban számoltak be arról, miként értékelték a koronavírus diagnózisának egyesített tanulási variációit mellkasröntgen során.
 
Az egyesített tanulás egy mesterséges intelligencia (MI) technika, amely lehetővé teszi, hogy több fél együttműködve fejlesszen és képezzen ki mesterséges intelligencia-modelleket, anélkül, hogy adatkészleteket kellene cserélni vagy központosítani.
 
A kutatásban a Minnesotai Egyetem, az M Health Fairview, az Emory Egyetem, az Indiana Egyetem Orvostudományi Kara és a Floridai Egyetem működött együtt. A tanulmányt az American Medical Informatics Association folyóirat közölte. Olvasd el: Mely koronavírus-betegnél nagy a halál kockázata? Az MI megmondja
 
Új mesterséges intelligencia technológiát teszteltek a koronavírus-azonosításban
Új mesterséges intelligencia technológiát teszteltek a koronavírus-azonosításban
 
A kutatócsoport egyetlen webhely teljesítményét hasonlította össze egy háromügyfeles egyesített modellel, egy korábban leírt Covid-19 diagnosztikai modell segítségével. Úgy találták, hogy a személyre szabott egyesített tanulás lehetőséget kínálhat belső és külsőleg validált algoritmusok kidolgozására is.
 
„Az egyesített tanulás fontos jövőbeli megoldás a mesterséges intelligencia számára az egészségügyben - mondta Christopher Tignanelli orvos, a Minnesota Egyetem Orvostudományi Karának docense. - Mivel minden gépi tanulási módszer nagy hasznot húz az adatokhoz való hozzáférés lehetőségéből, amelyek közelebb állnak a valódi globális terjesztéshez, az egyesített tanulás ígéretes megközelítés hatékony, pontos, biztonságos, robusztus és elfogulatlan modellek előállításához.
 
Dr. Tignanelli Ju Sun Ph.D.-vel, a Tudományos és Mérnöki Főiskola adjunktusával vezette közösen a tanulmányt. Mindketten a Klinikai mesterséges intelligencia program vezetői a Minnesotai Egyetem Egészségügyi Iskolájának Egészségügyi Rendszertudományok Tanulási Központjában. 
 
„Büszkék vagyunk rá, hogy az első kutatócsoportok közütt lehetünk, akik valós egészségügyi környezetben valósítják meg és tovább finomítják az egyesített tanulást, ipari partnerek, köztük az Nvidia és a Cisco támogatásával - mondta Sun. - Az adatok a modern mesterséges intelligencia olaja, az egyesített tanulás pedig tökéletes olajfinomítóvá teszi az MI fejlesztését az egészségügyben.” Olvasd el: A hosszú Covid-ot is diagnosztizálja a mesterséges intelligencia
 
A kutatócsoport szerint az egyesített tanulás segít megvédeni az érzékeny egészségügyi adatokat és új kutatási és üzleti utakat nyithat meg a betegek ellátásának javítása érdekében - mivel lehetővé teszi több fél számára az adatkészletek cseréjének vagy központosításának szükségességét.
 
A legkorszerűbb algoritmusokat általában csupán néhány forrásból származó, gondosan összeállított adatkészleteken értékelik, nem pedig valóban reprezentatív adatokon.
 
Ez problémákat eredményezhet, amikor a demográfiai vagy technikai egyensúlyhiány torzítja az előrejelzéseket és hátrányosan befolyásolja bizonyos csoportok vagy webhelyek pontosságát.
 
A kutatók megjegyezték: a betegségminták, a társadalmi-gazdasági és genetikai tényezők, valamint az összetett és ritka esetek közötti finom összefüggések megragadásához kulcsfontosságú, hogy egy modellt különféle esetekre tárjanak.
 
Az egyesített tanulás egyéb lehetséges előnyei a továbbfejlesztett orvosi kép- és szövegelemzés; a jobb diagnosztikai eszközök a klinikusok számára; az együttműködésen alapuló és felgyorsított gyógyszerkutatás; a csökkentett költségek és a forgalomba hozatal ideje a gyógyszergyárak számára; sőt, a ritka betegségek kezelése, amikor egyetlen intézmény sem rendelkezik elegendő esettel a modellek képzésére – mutattak rá a kutatók.
 
„Őszintén hiszünk abban, hogy a precíziós gyógyászatra és végső soron az orvosi ellátás javítására gyakorolt ​​lehetséges hatás nagyon ígéretes” – mondta dr. Tignanelli.
 
 
L.A.

Hírlevél feliratkozás

Kérjük, add meg adataidat a hírlevélre történő feliratkozáshoz! A megadott adatokat bizalmasan kezeljük, azokat harmadik félnek át nem adjuk.

 

gyulai_vafurdo

profight_banner.