LegközelebbKövetkező útmutató
AI az űrben és a műholdakban
Iparágak
Iparági ÚTMUTATÓ
A bőr a test legnagyobb, legláthatóbb szerve, így a bőrgyógyászat természetesen alkalmas a képalapú mesterséges intelligencia számára.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Deep learning can classify skin lesions, including potentially deadly melanoma, from photographs at a level that rivals board-certified dermatologists.
A Stanford kutatói által végzett, 2017-es Nature-tanulmány egy konvolúciós neurális hálózatot képezett ki nagyjából 130 000 klinikai képen, és kimutatta, hogy a bőrrákokat, beleértve a melanómát és a karcinómákat is, olyan pontosan osztályozhatja, mint 21 okleveles bőrgyógyász. Azóta modelleket építenek be okostelefon-alkalmazásokba és dermoszkópiai eszközökbe, amelyek elemzik a bőrgyógyászok által az anyajegyek vizsgálatára használt felnagyított, polarizált képeket. Az ígéret a triage: segít az alapellátásban dolgozó orvosoknak és betegeknek eldönteni, hogy mely pontokon van szükség sürgős biopsziára, különösen ott, ahol kevés a bőrgyógyász. A bőrgyógyászat azonban szembeszökő méltányossági problémát tárt fel. A legtöbb edzési adatkészletet a világos bőr uralja, így a modellek gyakran rosszabbul teljesítenek sötétebb bőrtónusokon, ahol a melanoma ritkább, de halálosabb, ha kihagyja. A változatos adatkészletek, például a Fitzpatrick 17k és a Diverse Dermatology Images létrehozása most kiemelt feladat.
A 2017-es Stanford CNN körülbelül 130 000 kép alapján osztályozta a bőrrákokat 21 okleveles bőrgyógyászhoz hasonlóan, ami a terület alapvető eredménye.
Az okostelefonos és dermoszkópiai alkalmazások kivizsgálják a gyanús anyajegyeket, segítve a betegeket és az alapellátó orvosokat annak eldöntésében, hogy mi szükséges sürgős szakorvosi felülvizsgálatra.
A teljes testet lefényképező rendszerek mesterséges intelligencia segítségével idővel összehasonlítják a képeket, és megjelölik az új vagy változó elváltozásokat a magas kockázatú betegeknél.
Változatos adatkészletek, mint például a Fitzpatrick 17k és a Diverse Dermatology Images készülnek, hogy csökkentsék az AI gyengébb pontosságát a sötétebb bőrtónusokon.
A szabályozott osztályozási alkalmazások és a dermoscopy asszisztensek rutin első vonalbeli eszközökké válnak, kiterjesztve a szakorvosi szintű szűrést az általános orvosi rendelőre és a rosszul ellátott területekre. A bőrtónus teljesítménybeli különbségeinek felszámolása különböző adatkészletek révén a terület központi tőkekihívása és aktív kutatási törekvés. A mesterséges intelligencia-változásészlelés funkcióval végzett teljes test fényképezése nyomon követi az idő múlásával minden anyajegyet, és a képeket a páciens anamnézisével és akár a genetikai kockázattal kombináló multimodális modellek kiélezik, hogy kinek van valóban szüksége biopsziára.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A bőr a test legnagyobb, legláthatóbb szerve, így a bőrgyógyászat természetesen alkalmas a képalapú mesterséges intelligencia számára. A mélyreható tanulás képes osztályozni a bőrelváltozásokat, beleértve a potenciálisan halálos melanomát is, a fényképek alapján olyan szinten, amely felveszi a versenyt az igazgatótanács által minősített bőrgyógyászokkal.
A körülbelül 130 000 képen kiképzett Stanford CNN 21 okleveles bőrgyógyász diagnosztikai teljesítményét mérte fel a bőrrák osztályozásában, ami a terület koncepciójának alapvető bizonyítéka.
Az edzési adatkészleteket történelmileg a világosabb bőr uralta, így a modellek gyakran alulteljesítenek sötétebb bőrön, ahol a melanoma ritkább, de gyakrabban halálos, ha kihagyják.
A dermoszkópia nagyítást és polarizált fényt használ a bőrfelszín alatti pigment- és érszerkezetek feltárására, amelyeket szabad szemmel nem láthatunk, így gazdagabb MI-elemzést biztosít.
Mivel a sebészeti bőrmarkerek és vonalzók főként a biopsziára előkészített rákos megbetegedések képén jelentek meg, egyes modellek megtanulták ezeket a markereket rosszindulatú daganatokkal, nem pedig magával a lézióval társítani.
A megbízható dermatológiai mesterséges intelligencia a biopsziával megerősített diagnózisokkal, a kórszövettani arany standarddal szemben érvényes, nem pedig kizárólag ellenőrizetlen vizuális címkékkel szemben.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
AI az űrben és a műholdakban
Iparágak