แบบจำลองการเรียนรู้เชิงลึกแบบใหม่สามารถเรียนรู้ที่จะระบุโรคจากการสแกนทางการแพทย์ได้เร็วและแม่นยำยิ่งขึ้น ตามการวิจัยใหม่โดยทีมนักวิทยาศาสตร์ด้านคอมพิวเตอร์ของมหาวิทยาลัยอัลเบอร์ตาและ MEDO บริษัท spinoff แห่ง U of A รูปแบบการพัฒนานี้เป็นผลงานของทีมนักวิจัยในคณะวิทยาศาสตร์ ซึ่งรวมถึงการมีส่วนร่วมของ Pouneh Gorji นักศึกษาระดับบัณฑิตศึกษาที่แพ้ในเที่ยวบิน PS752
การเรียนรู้เชิงลึกเป็นประเภทของการเรียนรู้ของเครื่อง—สาขาย่อยของปัญญาประดิษฐ์ เทคนิคการเรียนรู้เชิงลึกคืออัลกอริธึมของคอมพิวเตอร์ที่ค้นหารูปแบบในชุดข้อมูลขนาดใหญ่ สร้างแบบจำลองที่สามารถใช้ในการทำนายได้ โมเดลเหล่านี้ทำงานได้ดีที่สุดเมื่อเรียนรู้จากตัวอย่างหลายแสนหรือหลายล้านตัวอย่าง แต่สาขาการวินิจฉัยทางการแพทย์มีความท้าทายที่ไม่เหมือนใคร ซึ่งโดยทั่วไปแล้วนักวิจัยจะสามารถเข้าถึงภาพสแกนทางการแพทย์ได้เพียงไม่กี่ร้อยภาพเท่านั้นด้วยเหตุผลด้านความเป็นส่วนตัว
Roberto Vega หัวหน้าผู้เขียนการศึกษาและนักศึกษาระดับบัณฑิตศึกษาของ Department of Computing Science กล่าวว่า "เมื่อโมเดลการเรียนรู้เชิงลึกได้รับการฝึกอบรมเพียงไม่กี่ครั้ง ประสิทธิภาพของโมเดลก็มีแนวโน้มแย่
“ในการศึกษาของเรา เราได้กล่าวถึงปัญหาของวิธีการเรียนรู้แบบจำลองการเรียนรู้เชิงลึกที่มีประสิทธิภาพสำหรับงานทางการแพทย์ด้วยการฝึกอบรมเพียงไม่กี่ครั้ง แนวคิดหลักคือเราสามารถใช้ประโยชน์จากความรู้ที่มีอยู่ในวรรณกรรมทางการแพทย์เพื่อเป็นแนวทางในกระบวนการเรียนรู้ได้ดียิ่งขึ้น”
การปรับปรุงประสิทธิภาพมาจากการฝึกอัลกอริทึมเกี่ยวกับภาพทางการแพทย์ ตลอดจนการวินิจฉัย "ความน่าจะเป็น" ที่สอดคล้องกันซึ่งจัดทำโดยผู้เชี่ยวชาญทางการแพทย์ทางอ้อม วิธีนี้ช่วยให้อัลกอริธึมสามารถเรียนรู้รูปแบบที่กำหนดลักษณะของโรคแต่ละโรคในการสแกน ทำให้สามารถคาดการณ์ว่าโรคใดแสดงในการสแกนของผู้ป่วยรายใหม่ หรือหากการสแกนดูมีสุขภาพดี
"แนวทางของเราทั้งปรับปรุงความแม่นยำในการจำแนกประเภทของแบบจำลองและให้ความเชื่อมั่นที่มีความหมายในการทำนายโดยให้ค่าประมาณความน่าจะเป็นที่จะมีโรคในการสแกน" Vega กล่าว
“ด้วยการวิจัยนี้ เราต้องการให้นักรังสีวิทยามีเครื่องมือที่ดีกว่า ซึ่งจะทำให้งานของพวกเขาง่ายขึ้น เร็วขึ้น และมีประสิทธิภาพมากขึ้น เรายังมีปัญหาบุคลากรทางการแพทย์ที่ขาดแคลน ซึ่งเป็นปัญหาที่ทวีความรุนแรงขึ้นในประเทศกำลังพัฒนา ความหวังของเราคือเราสามารถพัฒนาแบบจำลองที่ช่วยให้ผู้เชี่ยวชาญทางการแพทย์ของเราตัดสินใจได้ดีขึ้น”
ผลงานของใครหลายๆคน
การวิจัยรวมถึงการมีส่วนร่วมที่สำคัญจาก Pouneh Gorji ผู้สำเร็จการศึกษาจาก Department of Computing Science และเหยื่อของโศกนาฏกรรม Flight PS752 ในเดือนมกราคม 2020 Gorji และ Arash Pourzarabi เดินทางกลับบ้านเพื่อแต่งงานที่อิหร่านและเป็นสมาชิกสองในสี่ของชุมชนคณะวิทยาศาสตร์จาก 176 คนที่เสียชีวิตในเที่ยวบิน PS752
สำหรับทีม การวิจัยยังเป็นโอกาสในการเชิดชูมรดกของ Gorji และผลงานที่สำคัญของเธอในโครงการ เมื่อนักวิจัยเริ่มโครงการนี้ อัลกอริธึมมุ่งเน้นไปที่สะโพก dysplasia เท่านั้น Vega อธิบาย Gorji กำลังทำงานเพื่อพัฒนาแบบจำลองการเรียนรู้ของเครื่องเพื่อระบุตับไขมัน และเธอเข้าร่วมทีมซึ่งนำไปสู่การออกแบบอัลกอริทึมใหม่และการพัฒนาประสิทธิภาพในท้ายที่สุด
"ต้นตำรับ ขั้นตอนวิธี ไม่ได้ทำงานเพื่อไขมันพอกตับ ฉันกับปูเน่จึงเริ่มทำงานร่วมกันเพื่อแก้ปัญหา หลังจากผ่านไปหลายสัปดาห์ เราค้นพบข้อบกพร่องที่สำคัญในแนวทางดั้งเดิม และเราสามารถเสนอวิธีแก้ปัญหา ซึ่งเกี่ยวข้องกับวิธีการทางคณิตศาสตร์แบบใหม่ในการจัดการกับส่วนของแบบจำลอง” Vega กล่าว