Искусственный интеллект ускоряет диагностику заболеваний

Исследователи активно изучают возможности искусственного интеллекта в медицине, видя в нём перспективный инструмент для раннего выявления заболеваний и оптимизации лечения. Однако эффективность ИИ напрямую зависит от того, насколько качественно он обучен. В последнее время был предложен новый подход, который позволяет ускорить процесс обучения, используя меньше данных.

Недавно ученые разработали многозадачный метод обучения, который позволяет быстрее создавать базовые модели с минимальными затратами ресурсов. Этот подход особенно полезен в области медицинской визуализации, где часто наблюдается нехватка данных. Новый метод направлен на преодоление этого барьера и может спасти жизни благодаря более точной диагностике.

По данным ВОЗ, количество случаев рака продолжает расти, и для успешного лечения необходимо своевременное выявление биомаркеров. Системы ИИ могут помочь идентифицировать эти критически важные параметры на медицинских изображениях. Именно этим занялась команда исследователей из Фраунгоферовского института цифровой медицины MEVIS в сотрудничестве с университетами Аахена, Регенсбурга и медицинской школы Ганновера.

Привычные методы обучения ИИ требуют больших объемов данных, но в медицинских исследованиях такие данные зачастую недоступны. В рамках нового подхода разработчики отказались от больших массивов данных и традиционных методов самообучения. Это решение оказалось крайне полезным в клинической практике, где условия получения данных могут значительно различаться.

Инновационный подход, разработанный в Fraunhofer MEVIS, основывается на обучении под контролем врачей. ИИ проходит базовое обучение, изучая общие характеристики тканей, и затем применяет эти знания для решения конкретных задач. Это позволяет значительно сократить объемы данных, необходимые для обучения, и при этом обеспечить высокую точность анализа.

Результаты, полученные при использовании этого метода, показывают, что можно достичь аналогичной точности, затрачивая всего 6% от объема данных, обычно требуемого при традиционных методах обучения. Это не только сокращает время и ресурсы, но и делает процесс обучения ИИ более доступным и экономически выгодным.

Успешное участие в международных конкурсах подтвердило эффективность нового подхода. Разработчики из Fraunhofer MEVIS показали, что их модель способна конкурировать на мировом уровне, что доказывает её потенциал для дальнейшего развития и применения в клинической практике.

В ближайшем будущем разработанные модели и инструменты обучения станут доступны для широкого круга специалистов, что позволит ускорить внедрение ИИ в медицину и повысить качество медицинской помощи.