Barcelonából, az ESOR mesterséges intelligencia kurzusról jelentjük - első rész
Közösségek - AI - Mesterségs Intelligencia | 2019. április 07. 22:13 | Utolsó módosítás dátuma - 2024. október 09. 01:28 | Forrás: radiologia.hu - dr. Lánczi Levente
A tavasz kiemelt nemzetközi rendezvényét tartották mesterséges intelligencia témakörben Barcelonában. Stábunk is a helyszínen járt, folytatásos beszámolónk első része következik.
Nagy figyelem övezte a European School of Radiology (ESOR) kétnapos kurzusát - a helyszínen több százan, míg az élő, ingyenes internetes közvetítésnek köszönhetően 140-nél is több országból ötezren követték a “legújabb radiológai modalitást” alaposan körüljáró eseményt.
Mark Bishop bevezető előadásában a mesterséges intelligencia történetéről adott áttekintést. A mesterséges intelligencia kifejezést először egy 1956-ban tartott darthomouth-i konferencián használták először. A radiológia és mesterséges intelligencia jövőképével kapcsolatban Meskó Bertalan orvosi jövőkutató (vagy ahogy bizonyos körökben ismerik őt: The Medical Futurist) egyik videóját játszotta be: a radiológusokat nem fogja helyettesíteni a mesterséges intelligencia - de azok a radiológusok, akik használják a mesterséges intelligenciát, helyettesíteni fogák azon radiológusokat, akik nem használják az MI-t.
A pódiumon Marleen de Bruijne vette át a szót, aki a gépi tanulás (machine learning - ML) és a mély tanulás (deep learning - DL) radiológiában betöltött szerepéről beszélt. Ez utóbbi az előbbi többszöri elvégeztetésével, különböző szinteken, illetve szűrők alkalmazásával történik. Mindegyik esetében kulcs a megfelelő osztályozási szempont megtalálása, míg a tanulás vonatkozhat szegmentációra, léziódetektálásra, -karakterizálásra, diagnózis vagy prognózis felállítására, képi rekonstrukcióra. Paradox módon egy-egy mesterséges intelligencia hatékony működését gátolhatja a “túltanulás”, illetve nem feltétlenül a “legszebb” bemeneti adatokból érhető el a legjobb eredmény. Fontos lehet az úgynevezett “gyenge” adatok betáplálása is - ezek származhatnak például klinikai adatokból. Egy szűk feladatra szabott MI pedig már ma is sikeres lehet - például a hátsó keresztszalag sérüléseinek feltárásban térd MR-ek esetében.
Louis Marti Bonmati a biomarkerek világába vezetett el minket, és hangsúlyozta, hogy jelen állás szerint az MI kulcsa a nagy esetszámú, validált adatbázis, míg Daniel Rueckert előadásának egyik legerősebb üzenete az volt, hogy lehet magára a képre már nincs is feltétlenül szükség: akár a k-tér egyetlen sorából is kiolvashatók a megfelelő diagnosztikus adatok.
A szekcióvégi kérdés-válasz körök is a résztvevők széles és mély érdeklődésére utaltak. Egyrészt az adatok mennyiségi-minőségi jellemzőire vonatkoztak, másrészt arra, hogy hogyan és mit is oktassunk radiográfusoknak, orvostanhallgatóknak, radiológusoknak a témáról. Valamint hogy mi az, amit inkább befolyásol az MI: a képelemzést, vagy a teljes radiológiai munkafolyamatot?