Theo nghiên cứu mới của nhóm các nhà khoa học máy tính Đại học Alberta và công ty phụ trách đại học MEDO, một mô hình học sâu mới có thể học cách xác định các bệnh từ quét y tế nhanh hơn và chính xác hơn. Mô hình đột phá là công trình của một nhóm các nhà nghiên cứu tại Khoa Khoa học — bao gồm cả sự đóng góp của Pouneh Gorji, một sinh viên tốt nghiệp bị mất trong Chuyến bay PS752.
Học sâu là một loại học máy — một lĩnh vực con của trí tuệ nhân tạo; Kỹ thuật học sâu là các thuật toán máy tính tìm kiếm các mẫu trong tập hợp dữ liệu lớn, tạo ra các mô hình sau đó có thể được sử dụng để đưa ra dự đoán. Những mô hình này hoạt động tốt nhất khi chúng học hỏi từ hàng trăm nghìn hoặc thậm chí hàng triệu ví dụ. Nhưng lĩnh vực chẩn đoán y tế đặt ra một thách thức duy nhất, nơi các nhà nghiên cứu thường chỉ có quyền truy cập vào vài trăm hình ảnh quét y tế vì lý do bảo mật.
Roberto Vega, tác giả chính của nghiên cứu và là nghiên cứu sinh tại Khoa Khoa học Máy tính cho biết: “Khi một mô hình học sâu được đào tạo với quá ít trường hợp, hiệu suất của nó có xu hướng kém đi.
“Trong nghiên cứu của mình, chúng tôi đã đề cập đến vấn đề làm thế nào để học các mô hình học sâu hiệu quả cho các nhiệm vụ y tế với ít trường hợp đào tạo. Ý tưởng chính là chúng ta có thể tận dụng kiến thức có trong tài liệu y học để hướng dẫn quá trình học tập tốt hơn ”.
Những cải tiến về hiệu suất đến từ việc đào tạo thuật toán trên hình ảnh y tế cũng như chẩn đoán “xác suất” tương ứng của chúng, được cung cấp gián tiếp bởi các chuyên gia y tế. Cách tiếp cận này cho phép thuật toán tìm hiểu các mô hình đặc trưng cho từng bệnh trong bản quét, cho phép nó dự đoán bệnh nào được hiển thị trong bản quét của bệnh nhân mới hoặc nếu bản quét có vẻ khỏe mạnh.
Vega cho biết: “Cách tiếp cận của chúng tôi đã cải thiện độ chính xác phân loại của mô hình và cung cấp sự tin cậy có ý nghĩa vào dự đoán của nó, đưa ra ước tính xác suất có bệnh trong quá trình quét.
“Với nghiên cứu này, chúng tôi muốn cung cấp cho các bác sĩ X quang những công cụ tốt hơn giúp công việc của họ dễ dàng hơn, nhanh hơn và hiệu quả hơn. Chúng tôi cũng gặp phải vấn đề khan hiếm nhân viên y tế, một vấn đề ngày càng trầm trọng ở các nước đang phát triển. Hy vọng của chúng tôi là có thể phát triển các mô hình cho phép các chuyên gia y tế của chúng tôi đưa ra quyết định tốt hơn ”.
Công việc của nhiều
Nghiên cứu bao gồm sự đóng góp đáng kể của Pouneh Gorji, một sinh viên tốt nghiệp sau khi tốt nghiệp Khoa Khoa học Máy tính và là nạn nhân của thảm kịch Máy bay PS752. Vào tháng 2020 năm 176, Gorji và Arash Pourzarabi về nhà ở Iran để kết hôn và là hai trong số bốn thành viên của cộng đồng Khoa học trong số 752 người thiệt mạng trong chuyến bay PSXNUMX.
Đối với nhóm, nghiên cứu cũng là cơ hội để tôn vinh di sản của Gorji và những đóng góp quan trọng của cô cho dự án. Khi các nhà nghiên cứu bắt đầu dự án, thuật toán chỉ tập trung vào chứng loạn sản xương hông, Vega giải thích. Gorji đang nghiên cứu phát triển các mô hình học máy để xác định gan nhiễm mỡ và chính cô ấy tham gia nhóm đã dẫn đến việc thiết kế lại thuật toán và tạo ra bước đột phá trong hiệu suất.
"Bản gốc thuật toán không có tác dụng với gan nhiễm mỡ, vì vậy Pouneh và tôi bắt đầu làm việc cùng nhau để giải quyết vấn đề. Sau vài tuần, chúng tôi đã phát hiện ra một lỗ hổng quan trọng trong cách tiếp cận ban đầu và chúng tôi có thể đề xuất một giải pháp — một giải pháp liên quan đến một phương pháp toán học mới để giải quyết một phần của mô hình, ”Vega nói.