Model pembelajaran mendalam yang baru dapat belajar mengenal pasti penyakit dari imbasan perubatan dengan lebih cepat dan tepat, menurut penyelidikan baru oleh pasukan saintis pengkomputeran University of Alberta dan syarikat spinoff U of A MEDO. Model terobosan adalah hasil kerja pasukan penyelidik di Fakulti Sains — termasuk sumbangan Pouneh Gorji, seorang pelajar siswazah yang hilang dalam Penerbangan PS752.
Pembelajaran mendalam adalah jenis pembelajaran mesin — subbidang kecerdasan buatan; teknik pembelajaran mendalam adalah algoritma komputer yang mencari corak dalam set data yang besar, menghasilkan model yang kemudian dapat digunakan untuk membuat ramalan. Model-model ini berfungsi paling baik apabila mereka belajar dari ratusan ribu atau bahkan berjuta-juta contoh. Tetapi bidang diagnostik perubatan memberikan cabaran yang unik, di mana penyelidik biasanya hanya mempunyai akses kepada beberapa ratus gambar imbasan perubatan dengan alasan privasi.
"Apabila model pembelajaran dalam dilatih dengan sedikit kejadian, kinerjanya cenderung buruk," kata Roberto Vega, pengarang utama kajian dan pelajar siswazah di Jabatan Sains Komputer.
"Dalam kajian kami, kami menangani masalah bagaimana belajar model pembelajaran dalam yang berkesan untuk tugas-tugas perubatan dengan sedikit contoh latihan. Idea utamanya ialah kita dapat memanfaatkan pengetahuan yang ada dalam sastera perubatan untuk memandu proses pembelajaran dengan lebih baik. "
Peningkatan prestasi datang dari melatih algoritma mengenai gambar perubatan serta diagnosis "probabilistik" yang sesuai, yang diberikan secara tidak langsung oleh pakar perubatan. Pendekatan ini membolehkan algoritma mempelajari corak yang mencirikan setiap penyakit dalam imbasan, yang memungkinkan untuk meramalkan penyakit apa yang ditunjukkan dalam imbasan pesakit baru atau jika imbasan kelihatan sihat.
"Pendekatan kami kedua-duanya meningkatkan ketepatan klasifikasi model dan memberikan keyakinan yang bermakna terhadap ramalannya, memberikan perkiraan kebarangkalian penyakit itu terdapat dalam imbasan," kata Vega.
“Dengan penyelidikan ini, kami ingin memberikan radiologis alat yang lebih baik yang membuat pekerjaan mereka lebih mudah, cepat, dan lebih efektif. Kami juga menghadapi masalah kekurangan tenaga perubatan, yang merupakan masalah yang diperburuk di negara-negara membangun. Harapan kami ialah kami dapat mengembangkan model yang membolehkan pakar perubatan kami membuat keputusan yang lebih baik. "
Hasil kerja banyak
Penyelidikan ini merangkumi sumbangan besar dari Pouneh Gorji, lulusan Jabatan Sains Komputer selepas kematian dan mangsa tragedi Flight PS752. Pada Januari 2020, Gorji dan Arash Pourzarabi pulang ke Iran untuk berkahwin dan merupakan dua daripada empat anggota komuniti Fakulti Sains antara 176 orang yang terbunuh dalam Penerbangan PS752.
Bagi pasukan, penyelidikan ini juga merupakan peluang untuk menghormati warisan Gorji dan sumbangan kritikalnya terhadap projek ini. Semasa penyelidik memulakan projek itu, algoritma secara eksklusif tertumpu pada displasia pinggul, jelas Vega. Gorji sedang berusaha mengembangkan model pembelajaran mesin untuk mengenal pasti hati berlemak, dan dia bergabung dengan pasukan yang akhirnya menghasilkan reka bentuk semula algoritma dan kejayaan dalam prestasi.
"Asal algoritma tidak bekerja untuk hati berlemak, jadi saya dan Pouneh mula bekerjasama untuk menyelesaikan masalah. Setelah beberapa minggu, kami menemui kelemahan penting dalam pendekatan asalnya dan kami dapat mencadangkan penyelesaiannya - satu yang melibatkan kaedah matematik baru untuk menangani bahagian model, "kata Vega.