2023. 05. 15. - 10:30
Mesterséges intelligencia - Mély neurális hálózat mutatja ki a betegségek biomarkereit
Egy új, mély neurális hálózat megoldja a betegségek biomarkereinek robusztus, valós időben történő kimutatását.
Laboratóriumi kutatók mély neurális hálózatot fejlesztettek ki, amely javítja a kórokozó biomarkerek kimutatására szolgáló egyedi eszközök pontosságát.
A biomarkerek kimutatására való kifinomult rendszerek – vagyis olyan molekulák, mint a DNS vagy fehérjék, amelyek jelzik egy betegség jelenlétét – kulcsfontosságúak a valós idejű diagnosztikai és betegségmegfigyelő eszközök számára.
Holger Schmidt, a Santa Cruz-i Kaliforniai Egyetem (UC) elektro- és számítástechnika kiváló professzora régóta foglalkozik kutatócsapatával egyedi, rendkívül érzékeny eszközök, úgynevezett optofluidikus chipek fejlesztésével, melyek alkalmasak a biomarkerek kimutatására.
Schmidt végzős hallgatója, Vahid Ganjalizadeh vezette a kutatást, mely gépi tanulás segítségével javítja rendszereiket - jobbá téve a biomarkerek pontos osztályozási képességét. Az általa kifejlesztett mély neurális hálózat valós időben 99,8 százalékos pontossággal osztályozza a részecskejeleket egy viszonylag olcsó és hordozható rendszeren.
A kutatók minderről a Nature Scientific Reports tanulmányában számoltak be. Olvasd el: Jobban tanul a mesterséges intelligencia, ha nem tanul egyáltalán
Mesterséges intelligencia - Mély neurális hálózat mutatja ki a betegségek biomarkereit
Amikor a biomarker detektorokat a terepen vagy egy gondozási helyszínen, például egy klinikán vetik be, előfordulhat, hogy az érzékelők által vett jelek nem olyan jó minőségűek, mint a laboratóriumban vagy ellenőrzött környezetben. Ennek számos oka lehet, így például az, hogy olcsóbb chipeket kell használni a költségek csökkentése érdekében, de problémát jelenthetnek olyan környezeti jellemzők is, mint a hőmérséklet és a páratartalom.
A gyenge jel okozta kihívások kezelésére Schmidt és csapata olyan mély neurális hálózatot fejlesztett ki, amely nagy biztonsággal képes azonosítani a gyenge jel forrását. A kutatók a neurális hálózatot ismert oktató jelekkel képezték ki és megtanították arra, hogy felismerje a lehetséges variációkat, amelyeket láthat - így képes felismerni a mintákat és igen nagy pontossággal azonosítani az új jeleket.
A Schmidt laboratóriumában kialakított párhuzamos klaszter-hullámelemzés (PCWA) megközelítés érzékeli a jel jelenlétét.
Ezután a neurális hálózat feldolgozza a potenciálisan gyenge vagy zajos jelet, azonosítva annak forrását. Ez a rendszer valós időben működik, így a felhasználók a másodperc töredéke alatt megkapják az eredményeket.
A neurális hálózati modell egy kisebb változata hordozható eszközökön is futhat. A kutatók a tanulmányban a rendszert egy Google Coral Dev táblán futtatják - ez egy viszonylag olcsó peremeszköz a mesterséges intelligencia algoritmusainak gyorsított végrehajtására. Vagyis, a rendszer kevesebb energiát igényel a feldolgozás végrehajtásához, mint más technikák.
„Egyes kutatásoktól eltérően, amelyek szuperszámítógépeken történő futtatást igényelnek a nagy pontosságú észleléshez, bebizonyítottuk, hogy még egy kompakt, hordozható, viszonylag olcsó eszköz is meg tudja oldani ezt a feladatot – magyarázta Ganjalizadeh. – Mindez elérhetővé, megvalósíthatóvá és hordozhatóvá teszi az eszközt az egészségügyi, gondozási pontok számára.” Olvasd el: Megleli a betegséggel kapcsolatos géneket a mesterséges intelligencia
A szakemberek az egész rendszert teljesen helyi használatra tervezték, vagyis az adatfeldolgozás internet-hozzáférés nélkül is megtörténhet, ellentétben más felhőalapú számítástechnikán alapuló rendszerekkel.
Ez egyben adatbiztonsági előnyt is jelent - eredményeket lehet előállítani anélkül, hogy adatokat kellene megosztani egy felhőkiszolgáló szolgáltatóval.
A kutatók úgy tervezték meg, hogy mobileszközön is képes legyen eredményt adni, így nincs szükség laptopra a terepen.
Ez egy robusztusabb rendszert építhet, amelyet az alulfinanszírozott vagy kevésbé fejlett régiókba is elvihető és jól működik – jegyezte meg Schmidt.
A továbbfejlesztett rendszer minden más biomarker esetében is működni fog, amelyet Schmidt laboratóriumának rendszerei a múltban használtak - ilyen például a Covid-19, az ebola, az influenza és a rák biomarkerei. Bár jelenleg az orvosi alkalmazásokra összpontosítanak, a rendszer potenciálisan bármilyen típusú jel észlelésére adaptálható.
A technológia továbbfejlesztése érdekében Schmidt és laboratóriumának tagjai azt tervezik, hogy még dinamikusabb jelfeldolgozási képességekkel bővítik eszközeiket.
Ez leegyszerűsíti a rendszert, egyesíti a jelek detektálásához szükséges feldolgozási technikákat alacsony és magas molekulakoncentráció esetén egyaránt. A csapat azon is dolgozik, hogy a beállítás különálló részeit beépítse az optofluidikus chip integrált kialakításába.
L.A.
