Penggunaan kecerdasan buatan dalam kedokteran saat ini dapat secara serius meningkatkan akurasi diagnosis, membuat hidup lebih mudah bagi pasien. Diharapkan bahwa AI akan menjadi sangat diperlukan dalam diagnosis dan penyempurnaan penyakit. Karena kemampuan untuk membandingkan data, mengumpulkan dan mensintesis informasi, partisipasi AI dalam diagnostik harus membantu meningkatkan statistik kesalahan medis secara kualitatif, meningkatkan peran pencegahan dan pencegahan penyakit.
Menurut
perkiraan perusahaan riset Research & Markets, pasar global untuk kecerdasan buatan pada tahun 2020 akan tumbuh menjadi 5,05 miliar dolar. Pada saat yang sama, perawatan kesehatan akan menjadi segmen dengan pertumbuhan tercepat. Menurut
penelitian internasional , penggunaan kecerdasan buatan dalam kedokteran dapat meningkatkan keuntungan perusahaan di industri perawatan kesehatan.
Pada 2016, pangsa pasar AI Eropa bernilai $ 270 juta, dengan pertumbuhan tahunan yang diharapkan lebih dari 35%. Menurut
BIS Research , pada tahun 2025 total pasar AI dalam layanan kesehatan akan mencapai $ 28 miliar dengan pertumbuhan tahunan rata-rata lebih dari 45,1%, dan pasar AI untuk pencitraan medis dan diagnostik akan mencapai $ 2,5 miliar.
AI dan masalah penyakit retina
Menurut
Organisasi Kesehatan Dunia , masalah penglihatan berhubungan langsung dengan hampir satu dari dua puluh orang di planet ini, dan sekitar 80% dari masalah ini bisa dihindari melalui tindakan pencegahan. Sebagai contoh, sangat penting untuk mendeteksi penyakit retina pada tahap awal, tetapi dokter mata tidak memiliki sumber daya yang cukup untuk studi dan diagnosis penyakit secara menyeluruh. Kecerdasan buatan dapat membantu mereka dalam hal ini dan dengan demikian menyelamatkan penglihatan jutaan pasien.
Komplikasi dari diabetes (retinopati diabetik) adalah salah satu penyebab utama masalah penglihatan. Jumlah total penderita diabetes diperkirakan
dua kali lipat antara tahun 2000 dan 2030 , secara signifikan meningkatkan jumlah kasus penyakit mata di seluruh dunia.
Diagnosis dini lebih dari setengahnya mengurangi insiden kehilangan penglihatan yang serius. Sayangnya, dalam deteksi penyakit retina pada tahap awal selama pemeriksaan pasien, kemajuannya kecil. Di negara-negara yang paling menderita penyakit ini, pasien tidak menjalani pemeriksaan rutin, dan dokter spesialis mata memiliki akurasi yang agak rendah dalam mengenali dan mendiagnosis penyakit retina secara benar dengan masing-masing pemeriksaan mata yang mendalam. Pada saat yang sama, tidak seperti penyakit lain yang mengancam jiwa yang didengar semua orang hari ini, penyakit retina dan gangguan penglihatan tidak begitu terlihat di mata publik. Karena itu, masalahnya sering diremehkan.
Di bawah tatapan kecerdasan buatan
Kecerdasan buatan (AI) berpotensi berkontribusi pada pengurangan yang signifikan dalam kasus penyakit retina, membantu dokter mata mendeteksi penyakit secara lebih efektif dan melengkapi pengalaman manusia. Bekerja sama dengan Lenovo, Barcelona Supercomputing Center (BSC) memutuskan untuk menyelidiki bagaimana AI dapat meningkatkan akurasi proses penyaringan dan berpotensi mendeteksi penyakit retina lebih awal dari biasanya. Teknologi AI meningkatkan kemungkinan deteksi dini penyakit, membuat pemeriksaan pasien lebih mudah diakses dan lebih cepat di negara-negara dengan cakupan yang tidak memadai. Selain itu, pasien dapat secara mandiri menjalani pemeriksaan awal dalam beberapa menit menggunakan smartphone mereka dengan aplikasi khusus.
Masa depan kedokteran adalah pencegahan penyakit. Oleh karena itu, penting untuk meningkatkan akurasi diagnostik pendahuluan.Selain retinopati diabetik, penyakit mata menyebabkan banyak patologi lain, seperti glaukoma, degenerasi makula, nevus dan membran epiretinal. Model pembelajaran mesin memungkinkan untuk mengidentifikasi berbagai patologi ini jauh lebih mudah daripada metode skrining saat ini. Dario Garcia-Gasulla, Peneliti Kehormatan di Barcelona Supercomputer Center, optimis tentang kemungkinan menggunakan teknologi ini: “Menskalakan, melatih, dan memvalidasi model pembelajaran mesin untuk mempelajari masalah penglihatan ini bisa menjadi proses yang rumit. Tetapi potensinya sangat besar, karena pendekatan yang sama dapat diterapkan di bidang kedokteran lain dan dalam banyak aplikasi industri. ”
Pelatihan model dan mengatasi masalah kelangkaan data
Masalah dengan mempelajari model AI untuk mendeteksi beberapa penyakit retina adalah kurangnya data "bersih" yang tersedia untuk melatih jaringan saraf. Untuk patologi dengan ketersediaan terbatas dari kumpulan data (misalnya, kurang dari 5000 gambar), pelatihan mendalam yang dapat diandalkan dari jaringan saraf dari awal mungkin tidak dimungkinkan. Dalam hal ini, Anda dapat menggunakan "transfer pelatihan."
Otomasi akan memberi dokter waktu ekstra yang dapat ia gunakan untuk mempelajari penyakit pasien dan menegakkan diagnosis yang paling akurat. Menurut para ahli dari Harvard Medical School, penggunaan teknologi AI akan mengurangi tingkat kesalahan dalam diagnosis sebesar 85%.Transfer pelatihan didasarkan pada model-model yang disiapkan untuk tugas-tugas dengan kumpulan data yang lebih besar, yang kemudian digunakan kembali untuk menyelesaikan tugas-tugas lain dengan ketersediaan data yang sedikit. Terkadang digunakan untuk menyorot tanda-tanda (extractor). Akibatnya, transfer pelatihan juga dapat mengurangi waktu pelatihan (hingga menit), menghemat waktu penelitian dan, pada akhirnya, biaya yang terkait dengan pengembangan solusi.
| Patologi | Akurasi deteksi
|
|---|
Glaukoma
| 85,5%
|
Pigmentasi retina
| 75,1%
|
Membran epiretinal
| 78,8%
|
Mata Nevus
| 65,0%
|
Degenerasi makula
| 91,07%
|
Keakuratan mendeteksi berbagai patologi retina menggunakan AI adalah 75-91%.Teknologi AI Baru
Pada Konferensi Supercomputer Internasional (ISC) di Frankfurt, Lenovo dan BSC akan menunjukkan aplikasi yang menunjukkan cara kerja transfer belajar. Itu dibuat di Lenovo AI Innovation Center di Morrisville, PC. Carolina Utara (AS). Aplikasi ini akan memungkinkan pengunjung melalui antarmuka intuitif untuk secara mandiri membangun dan melatih model dan dengan demikian memainkan peran aktif dalam meningkatkan penyaringan penyakit retina.
Garcia-Gasulla menjelaskan: “Tujuan dari demonstrasi ini adalah untuk menunjukkan betapa mudahnya menggunakan jaringan saraf dalam yang telah dilatih sebelumnya sebagai ekstraktor fitur, yang menjadi dasar untuk model lain yang lebih sederhana dan lebih cepat (dalam hal ini SVM). Dalam 10 menit, setiap peserta akan dapat merancang, melatih, dan menguji efektivitas model pembelajaran mesin untuk mengidentifikasi patologi retina. Model peserta konferensi yang bekerja dengan patologi yang sama akan dibandingkan dan dievaluasi untuk menemukan dan memberi penghargaan model terbaik yang dikembangkan selama forum ini. "
LiCO mempercepat pembelajaran model AI dan penyebaran tradisional sistem komputasi berkinerja tinggi dengan menyediakan antarmuka pengguna yang intuitif untuk mengelola perangkat lunak dan tumpukan perangkat keras.Produk, layanan, dan proses medis yang cerdas telah dikembangkan oleh lebih dari 800 perusahaan, termasuk vendor terkemuka. Untuk penelitian semacam itu, Lenovo membangun
solusi AI-nya sendiri , termasuk
Platform Lenovo Intelligent Computing Orchestration (LiCO) 5.1 yang baru-baru ini dirilis dan arsitektur referensi
Desain Validasi Lenovo AI untuk mengembangkan model berdasarkan arsitektur Intel Xeon Scalable dan NVIDIA Tesla.
Komponen pelatihan model. Tumpukan perangkat lunak AI berkembang dengan cepat, dengan kerangka kerja baru dan yang diperbarui muncul hampir setiap bulan. Memilih di antara banyak opsi open source bisa memakan waktu lama. Arsitektur referensi Lenovo telah diuji dan dikonfigurasi pada platform Lenovo ThinkSystem.AI dalam dunia kedokteran: masa depan telah tiba
Penggunaan kecerdasan buatan dalam kedokteran dapat merevolusi industri kesehatan melalui pengembangan bidang-bidang seperti kedokteran pribadi, diagnostik, pengembangan obat-obatan baru, pembedahan yang dibantu robot, telemonitoring penyakit kronis, bantuan jarak jauh untuk pasien, dukungan untuk membuat keputusan medis yang tepat, dan mengidentifikasi kesalahan medis.
Agency
Frost & Sullivan mencatat bahwa teknologi kecerdasan buatan meningkatkan akurasi diagnosis hingga 30-40%, sementara biaya perawatan medis berkurang setengahnya. McKinsey telah menunjukkan bahwa dalam kedokteran, 36% fungsi dapat diotomatisasi, terutama pada tingkat pengumpulan data dan analisis.
Perkembangan ke arah ini secara aktif dilakukan di luar negeri dan di Rusia, misalnya,
salah satu proyek Rusia adalah sistem untuk mendiagnosis penyakit, yang mencakup pengenalan patologi menggunakan gambar digital medis yang diperoleh dari radiografi paru-paru, mamografi, computed tomography, dan ultrasound.
Proyek adalah aplikasi yang dapat digunakan pada komputer kerja atau ponsel cerdas pengguna. Ia bekerja berdasarkan jaringan saraf yang dilatih untuk mengenali patologi dalam gambar medis. Tahap pertama dari proyek ini adalah penganalisa sel darah patologis dan pengakuan patologi fundus. Di masa depan, ini akan mencakup area-area seperti radiografi paru-paru, mamografi, computed tomography, mobile ultrasound.
Dan proyek baru muncul hampir setiap tahun. Banyak perkembangan tersedia sekarang. Misalnya, di Rusia, informasi dan sistem analitik
CoBrain-Analytics telah diluncurkan untuk mendiagnosis dan merumuskan terapi pribadi untuk pasien dengan penyakit otak. Kecerdasan buatan dalam kedokteran adalah masa depan yang telah datang.