Wire News

Tekoäly voi auttaa taistelussa COVID-19:ää vastaan

Kirjoittanut toimittaja

Uusi koneoppimiskehys voisi helpottaa radiologien työtä tarjoamalla nopean ja tarkan sairauden diagnoosin.

COVID-19-pandemia valloitti maailman myrskyn alussa 2020, ja siitä lähtien on tullut yleisin kuolinsyy useissa maissa, mukaan lukien Kiinassa, Yhdysvalloissa, Espanjassa ja Isossa-Britanniassa. Tutkijat työskentelevät laajasti kehittääkseen käytännöllisiä tapoja diagnosoida COVID-19-infektioita, ja monet heistä ovat keskittyneet siihen, miten tekoälyä (AI) voitaisiin hyödyntää tähän tarkoitukseen.       

Useat tutkimukset ovat raportoineet, että tekoälypohjaisia ​​järjestelmiä voidaan käyttää COVID-19:n havaitsemiseen keuhkojen röntgenkuvissa, koska tautilla on taipumus tuottaa keuhkoihin mätä- ja vesialueita, jotka näkyvät valkoisina täplinä röntgenkuvissa. . Vaikka tähän periaatteeseen perustuvia diagnostisia tekoälymalleja on ehdotettu, niiden tarkkuuden, nopeuden ja sovellettavuuden parantaminen on edelleen ensisijainen tavoite.

Nyt Korean Incheonin kansallisyliopiston professori Gwanggil Jeonin johtama tutkijaryhmä on kehittänyt automaattisen COVID-19-diagnoosin kehyksen, joka muuttaa asioita uudella tavalla yhdistämällä kaksi tehokasta tekoälyyn perustuvaa tekniikkaa. Heidän järjestelmänsä voidaan kouluttaa erottamaan tarkasti COVID-19-potilaiden rintakehän röntgenkuvat muista kuin COVID-19-potilaista. Heidän artikkelinsa julkaistiin verkossa 27. lokakuuta 2021 ja julkaistiin 21. marraskuuta 2021 IEEE Internet of Things Journalin 8. osassa, numerossa 21.

Tutkijoiden käyttämät kaksi algoritmia olivat Faster R-CNN ja ResNet-101. Ensimmäinen on koneoppimiseen perustuva malli, joka käyttää alueehdotusverkkoa, joka voidaan kouluttaa tunnistamaan relevantit alueet syöttökuvassa. Toinen on 101 kerroksesta koostuva syväoppiva neuroverkko, jota käytettiin runkoverkona. ResNet-101 on tehokas malli kuvantunnistukseen, kun se on opetettu riittävällä syöttötiedolla. "Parhaan tietomme mukaan lähestymistapamme on ensimmäinen, joka yhdistää ResNet-101:n ja Faster R-CNN:n COVID-19:n havaitsemiseen", sanoo professori Jeon. "Kun mallimme oli koulutettu 8800 röntgenkuvalla, saimme huikea 98 %:n tarkkuus.”

Tutkimusryhmä uskoo, että heidän strategiansa voisi osoittautua hyödylliseksi COVID-19:n varhaisessa havaitsemisessa sairaaloissa ja kansanterveyskeskuksissa. Tekoälyteknologiaan perustuvien automaattisten diagnostisten tekniikoiden käyttäminen voisi viedä jonkin verran työtä ja painetta radiologeilta ja muilta lääketieteen asiantuntijoilta, joilla on ollut valtava työtaakka pandemian alkamisesta lähtien. Lisäksi kun nykyaikaisemmat lääkinnälliset laitteet yhdistetään Internetiin, ehdotettuun malliin voidaan syöttää suuria määriä harjoitustietoa; tämä johtaa vieläkin parempaan tarkkuuteen, eikä vain COVID-19:n osalta, kuten professori Jeon toteaa: "Tutkimuksessamme käytetty syvän oppimisen lähestymistapa soveltuu muun tyyppisiin lääketieteellisiin kuviin, ja sitä voidaan käyttää erilaisten sairauksien diagnosoimiseen."

Maailmanlaajuinen matkailutapahtuma World Travel Market London on palannut! Ja sinut on kutsuttu. Tämä on tilaisuutesi olla yhteydessä muihin alan ammattilaisiin, verkottua vertaisverkkoihin, oppia arvokkaita oivalluksia ja saavuttaa menestystä liiketoiminnassa vain kolmessa päivässä! Rekisteröidy ja varmista paikkasi jo tänään! järjestetään 3.-7. Rekisteröidy nyt!

Liittyvät uutiset

Kirjailijasta

toimittaja

eTurboNewn päätoimittaja on Linda Hohnholz. Hän työskentelee eTN:n päämajassa Honolulussa, Havaijilla.

Tilaa
Ilmoita
vieras
0 Kommentit
Sisäiset palautteet
Näytä kaikki kommentit
0
Haluaisitko ajatuksiasi, kommentoi.x
Jakaa...