Model pembelajaran mendalam baru dapat belajar mengidentifikasi penyakit dari pemindaian medis lebih cepat dan lebih akurat, menurut penelitian baru oleh tim ilmuwan komputasi University of Alberta dan perusahaan spin-off U of A MEDO. Model terobosan ini merupakan hasil kerja tim peneliti di Fakultas Sains — termasuk kontribusi Pouneh Gorji, seorang mahasiswa pascasarjana yang hilang dalam Penerbangan PS752.
Pembelajaran mendalam adalah jenis pembelajaran mesin—subbidang kecerdasan buatan; teknik pembelajaran mendalam adalah algoritma komputer yang menemukan pola dalam kumpulan data yang besar, menghasilkan model yang kemudian dapat digunakan untuk membuat prediksi. Model-model ini bekerja paling baik ketika mereka belajar dari ratusan ribu atau bahkan jutaan contoh. Tetapi bidang diagnosa medis menghadirkan tantangan unik, di mana para peneliti biasanya hanya memiliki akses ke beberapa ratus gambar pemindaian medis untuk alasan privasi.
“Ketika model pembelajaran mendalam dilatih dengan sangat sedikit contoh, kinerjanya cenderung buruk,” kata Roberto Vega, penulis utama studi dan mahasiswa pascasarjana di Departemen Ilmu Komputer.
“Dalam penelitian kami, kami membahas masalah bagaimana mempelajari model pembelajaran mendalam yang efektif untuk tugas-tugas medis dengan beberapa contoh pelatihan. Ide utamanya adalah kami dapat memanfaatkan pengetahuan yang ada dalam literatur medis untuk memandu proses pembelajaran dengan lebih baik. "
Peningkatan kinerja berasal dari pelatihan algoritme pada gambar medis serta diagnosis "probabilistik" yang sesuai, yang diberikan secara tidak langsung oleh para ahli medis. Pendekatan ini memungkinkan algoritme mempelajari pola yang mencirikan setiap penyakit dalam pemindaian, memungkinkannya untuk memprediksi penyakit apa yang ditampilkan dalam pemindaian pasien baru atau apakah pemindaian terlihat sehat.
“Pendekatan kami meningkatkan akurasi klasifikasi model dan memberikan kepercayaan yang berarti dalam prediksinya, memberikan perkiraan kemungkinan adanya penyakit dalam pemindaian,” kata Vega.
“Dengan penelitian ini, kami ingin memberikan ahli radiologi alat yang lebih baik yang membuat pekerjaan mereka lebih mudah, lebih cepat, dan lebih efektif. Kami juga memiliki masalah kekurangan tenaga medis, yang merupakan masalah yang diperburuk di negara-negara berkembang. Harapan kami adalah kami dapat mengembangkan model yang memungkinkan para ahli medis kami membuat keputusan yang lebih baik.”
Karya banyak orang
Penelitian ini mencakup kontribusi signifikan dari Pouneh Gorji, lulusan anumerta dari Departemen Ilmu Komputer dan korban tragedi Penerbangan PS752. Pada Januari 2020, Gorji dan Arash Pourzarabi pulang ke Iran untuk menikah dan merupakan dua dari empat anggota komunitas Fakultas Sains di antara 176 orang yang tewas dalam Penerbangan PS752.
Bagi tim, penelitian ini juga merupakan kesempatan untuk menghormati warisan Gorji dan kontribusi kritisnya untuk proyek tersebut. Ketika para peneliti memulai proyek, algoritme secara eksklusif berfokus pada displasia pinggul, jelas Vega. Gorji sedang mengembangkan model pembelajaran mesin untuk mengidentifikasi perlemakan hati, dan dia bergabung dengan tim yang pada akhirnya mengarah pada desain ulang algoritme dan terobosan dalam kinerja.
"Asli algoritma tidak bekerja untuk perlemakan hati, jadi Pouneh dan saya mulai bekerja sama untuk memecahkan masalah. Setelah beberapa minggu, kami menemukan kelemahan penting dalam pendekatan asli dan kami dapat mengusulkan solusi—salah satu yang melibatkan cara matematis baru untuk menangani bagian model,” kata Vega.