Google Research: Selbstgesteuertes Lernen verändert das medizinische Bild

Deep Learning ist in der Medizin, insbesondere in der medizinischen Bildgebung, vielversprechend und trägt dazu bei, die Geschwindigkeit und Genauigkeit der Diagnose des Zustands eines Patienten zu verbessern. Aber es sieht sich auch ernsthaften Hindernissen gegenüber. Fehlende getaggte Trainingsdaten.
Im medizinischen Kontext sind Trainingsdaten mit hohen Kosten verbunden, was den Einsatz von Deep Learning in vielen Anwendungen sehr erschwert.
Um dieses Hindernis zu überwinden, haben Wissenschaftler mehrere Lösungen gesucht, die in unterschiedlichem Maße erfolgreich waren. In einem neuen Artikel schlagen Googles Forscher für künstliche Intelligenz eine neue Methode zum Trainieren von Deep-Learning-Modellen medizinischer Bilder mit selbstüberwachendem Lernen vor. Erste Ergebnisse zeigen, dass diese Technologie den Bedarf an annotierten Daten reduzieren und die Leistung von Deep-Learning-Modellen in medizinischen Anwendungen verbessern kann.
Betreutes Vortraining
Heilung
Kann selbstheilende Sicherheitssoftware Cyberkriminalität bekämpfen?
Convolutional Neural Networks (CNNs) haben sich bei Computer-Vision-Aufgaben als sehr effektiv erwiesen. Google ist eine von mehreren Organisationen, die seinen Einsatz in der medizinischen Bildgebung untersuchen. In den letzten Jahren hat die Forschungsabteilung des Unternehmens eine Vielzahl von medizinischen Bildgebungsmodellen in Bereichen wie Augenheilkunde, Dermatologie, Mammographie und Pathologie entwickelt. „Die Anwendung von Deep Learning auf die Gesundheit ist sehr aufregend, aber es ist immer noch schwierig, da robuste und genaue DL-Modelle in Bereichen wie der Gesundheit benötigt werden“, sagte der KI-basierte Selbstcheck-Artikel von Google Research. Der Autor Shekoofeh Azizi sagte: .. TechTalks sagte.
Eine der größten Herausforderungen beim Deep Learning ist der Bedarf an großen Mengen kommentierter Daten. Große neuronale Netze erfordern Millionen von benannten Beispielen, um eine optimale Genauigkeit zu erreichen. In medizinischen Einrichtungen ist die Datenkennzeichnung eine komplexe und kostspielige Aufgabe.
„Diese „Etiketten“ in medizinischen Einrichtungen zu bekommen, ist aus mehreren Gründen schwierig. Es kann für klinisches Fachpersonal zeit- und kostenaufwändig sein, und um Daten auszutauschen, müssen die entsprechenden Datenschutzanforderungen erfüllt werden“, sagt Azizi. Beispiele für einige Erkrankungen sind zunächst selten, und andere Erkrankungen, wie die Erkennung von Brustkrebs, können nach der Aufnahme eines medizinischen Bildes Jahre dauern, bis sie klinische Ergebnisse zeigen.

Leave a Reply

Your email address will not be published. Required fields are marked *