Daha önce bir MRI taraması geçirdiyseniz, deneyimin ne kadar rahatsız edici olabileceğini bilirsiniz. Klostrofobiye neden olan bir tüpe yerleştirilirsiniz ve tıbbi bir poltergeist gibi etrafınızda görünmeyen donanım vızıldayarak, gıcırdarken ve çarparken bir saate kadar tamamen hareketsiz kalmanız istenir. Yine de yeni araştırma, yapay zekanın MRI taramalarını dört kat daha hızlı hale getirerek hastaları tüpe daha hızlı girip çıkmasını sağlayarak bu çıkmaza yardımcı olabileceğini öne sürüyor. Çalışma, Facebook’un yapay zeka araştırma ekibi (FAIR) ve NYU Langone Health’deki radyologlar arasında fastMRI adlı ortak bir projedir. Bilim insanları birlikte, düşük çözünürlüklü ve yüksek çözünürlüklü MRI taramaları çiftleri üzerinde bir makine öğrenimi modeli eğitti ve bu modeli, olağan giriş verilerinin sadece dörtte birinden nihai MRI taramalarının neye benzediğini "tahmin etmek" için kullandı. Bu, taramaların daha hızlı yapılabileceği anlamına gelir, bu da hastalar için daha az güçlük ve daha hızlı teşhisler anlamına gelir. "Yapay zekayı tıbbi görüntülemeye dahil etmek için büyük bir adım." Projede çalışan FAIR'de ziyaret eden biyomedikal yapay zeka araştırmacısı Nafissa Yakubova, "Yapay zekayı tıbbi görüntülemeye dahil etmek için büyük bir adım," diyor. Yapay zekanın olmasının nedeni Daha az veriden aynı taramaları üretmek için kullanılan, sinir ağının eğitim verilerini inceleyerek tıbbi bir taramanın neye benzediğine dair soyut bir fikir edinmiş olmasıdır.Yıllar boyunca pek çok banka tasarlamış bir mimar gibi düşünün. Bir bankanın neye benzediğine dair soyut bir fikirleri var ve böylece son bir planı daha hızlı oluşturabilirler. "Sinir ağı tıbbi görüntünün genel yapısını biliyor," radyoloji profesörü Dan Sodickson NYU Langone Health'de, The Verge'e anlatıyor. "Bazı açılardan, yaptığımız şey, verilere dayalı olarak bu belirli hastanın [taraması] ile ilgili benzersiz olanı doldurmaktır." Radyologların da aynı teşhisi koyduğunu söylüyoruz. Aynı sorunları bulurlar. Hiçbir şeyi kaçırmazlar. " "Aynı sorunları buluyorlar. Hiçbir şeyi kaçırmazlar. " Bu kavram son derece önemlidir. Düşük çözünürlüklü girdilerden yüksek çözünürlüklü veriler oluşturmak için sıklıkla makine öğrenimi modelleri kullanılsa da, bu süreç genellikle hatalara neden olabilir. Örneğin, AI, eski video oyunlarından düşük çözünürlüklü görüntüleri yükseltmek için kullanılabilir, ancak insanların girdiyle eşleştiğinden emin olmak için çıktıyı kontrol etmesi gerekir. Ve yapay zekanın yanlış bir MRI taramasını "hayal etmesi" fikri açıkça endişe vericidir. fastMRI ekibi bunun yöntemleriyle ilgili bir sorun olmadığını söylüyor. Başlangıç ​​olarak, AI taramalarını oluşturmak için kullanılan giriş verileri vücudun hedef bölgesini tamamen kaplar. Makine öğrenimi modeli, sadece birkaç bulmaca parçasından son bir taramanın neye benzediğini tahmin etmez. İhtiyaç duyduğu tüm parçalara sadece daha düşük bir çözünürlükte sahiptir. İkincisi, bilim adamları MRI taramalarının fiziğine dayanan sinir ağı için bir kontrol sistemi oluşturdu. Bu, bir taramanın oluşturulması sırasında düzenli aralıklarla, AI sisteminin çıktı verilerinin bir MRI makinesinin üretmesi için fiziksel olarak mümkün olanla eşleşip eşleşmediğini kontrol ettiği anlamına gelir.GIF: FAIR / NYU Bir çeyrekten oluşturulmuş yapay zeka ile geliştirilmiş bir MRI taraması normal giriş verilerinin. GIF: FAIR / NYU Sodickson, "Ağın herhangi bir keyfi görüntü oluşturmasına izin vermiyoruz," diyor. "Süreç boyunca üretilen herhangi bir görüntünün fiziksel olarak MRI görüntüsü olarak gerçekleştirilebilir olmasını istiyoruz. Arama alanını bir şekilde sınırlayarak her şeyin MRI fiziği ile tutarlı olmasını sağlıyoruz. " Yakubova, yalnızca radyologlar ve yapay zeka mühendisleri arasındaki uzun tartışmalardan sonra ortaya çıkan bu özel içgörünün projenin başarısını sağladığını söylüyor. "Tamamlayıcı uzmanlık, böyle çözümler üretmenin anahtarıdır" diyor. Bir sonraki adım, teknolojiyi hastalara gerçekten yardımcı olabileceği hastanelere taşımak. FastMRI ekibi bunun oldukça hızlı bir şekilde, belki de sadece birkaç yıl içinde olabileceğinden emin. Oluşturdukları eğitim verileri ve modeli tamamen açık erişimdir ve yeni donanım olmadan mevcut MRI tarayıcılarına dahil edilebilir. Ve Sodickson, araştırmacıların bu tarayıcıları üreten şirketlerle halihazırda görüşmelerde bulunduğunu söylüyor. University College London'daki MRI araştırma ekibinin başında olan ve bu araştırmaya dahil olmayan Karin Shmueli, The Verge'e bunun olacağını söyledi. İlerlemek için önemli bir adım olun.FastMRI gibi çalışmanın, yapay zekayı son derece umut verici olan tıbbi görüntülemeye dahil eden daha geniş bir trendin parçası olduğunu da sözlerine ekledi. “AI gelecekte kesinlikle daha fazla kullanımda olacak” diyor. .