Zdravotníckemu priemyslu často trvá veky, kým si osvojí nové technológie, pretože musí preskočiť početné regulačné obruče. Reakcia na umelú inteligenciu však bola iná. Nespočetné množstvo profesionálov už experimentuje s prediktívnymi a analytickými schopnosťami AI na zefektívnenie diagnostiky.  Vedci nedávno tvrdili, že AI dokáže identifikovať typ choroby, ktorú človek má – a ako ďaleko pokročila – jednoduchým pohľadom do úst. Táto technológia prešla dlhú cestu, ale dokáže predpovedať choroby iba pomocou farieb jazyka na diagnostiku?  Výskum dokazuje, že AI môže použiť farbu jazyka na diagnostiku  Výskumníci zo Strednej technickej univerzity v Bagdade v Iraku a University of South Australia v Adelaide v Austrálii nedávno zistili, že technológia AI dokáže analyzovať farby jazyka na diagnostiku. Vyvinuli systém počítačového videnia, ktorý spracováva a klasifikuje obrázky pomocou modelov farebného priestoru, ktoré poskytujú merateľné hodnoty odtieňov a jasu.  Na školenie a testovanie použili tisíce obrázkov, z ktorých mnohé pochádzali z Fakultnej nemocnice Al-Hussein v Iraku a Mosul General Hospital v Mosule. Trénovali model na skutočných ľuďoch so skutočnými chorobami, nie na syntetickom súbore údajov. Takéto rozdiely sú nevyhnutné pri vývoji nástroja na diagnostické účely.  Výskumníci klasifikovali obrázky do kategórií ružovej, bielej, červenej, žltej, zelenej, modrej alebo šedej, aby ich modely dokázali identifikovať farby za akýchkoľvek svetelných podmienok. Celkovo trénovali sedem. Najvýkonnejšia bola vytvorená pomocou Extreme Gradient Boost (XGBoost) – open source knižnice strojového učenia – ktorá  v priemere. Počas testovania presne diagnostikoval 58 zo 60 obrázkov, čo znamená, že bol správny v 96,6 % prípadov.   dosiahla presnosť viac ako 98 %.  Ich výsledky ma prekvapili. Úprimne povedané, nečakal som, že ich systém prekoná medicínskych profesionálov. Hoci rôzne výskumné skupiny vyvinuli podobné diagnostické modely na iné účely, len málo z nich je takto presných. Výskumy ukazujú, že aj vyškolení lekári s dlhoročnými skúsenosťami to dokážu len správne  v priemere.   71,4 % času  Čo farba jazyka prezrádza o zdraví človeka  Priznám sa, myslel som si, že pozerať sa na jazyk pri predpovedaní choroby je zvláštne. Zdalo sa, že s nejakou metódou ľudia prišli skôr, ako existovala moderná medicína. Aby som bol spravodlivý, čiastočne som mal pravdu. Použitie farieb jazyka na diagnostiku je založené na vyše 2000-ročnej tradičnej čínskej lekárskej praxi.  Zo všetkých charakteristík jazyka, vrátane tvaru, štruktúry a vlhkosti, farby  zdravia. Ak práve teraz vyplazím jazyk a pozriem sa do zrkadla, čakal by som, že to bude ružové. Akýkoľvek iný odtieň by mohol naznačovať, že s mojimi ústami, obehovým systémom alebo orgánmi nie je niečo v poriadku.   je najdôležitejším ukazovateľom  Začervenanie môže znamenať, že mám nezvyčajne vysokú horúčku alebo nedostatok vitamínov. Výskum ukazuje, že existuje a  a zožltnutie jazyka. Zelený nádych zvyčajne naznačuje plesňovú infekciu alebo nahromadenie baktérií. Modré sfarbenie môže byť znakom nízkej hladiny kyslíka v krvi alebo ochorenia krvných ciev. Šedá môže byť čokoľvek od huby po rakovinu.   potenciálne spojenie medzi cukrovkou  Zatiaľ čo zdravotníci majú desiatky diagnostických systémov, mnohí stále kontrolujú jazyky, pretože relatívne málo podmienok ovplyvňuje jeho farbu. Ak dôjde k viditeľnému sfarbeniu, môžu zúžiť koreň problému. V porovnaní s krvným testom, ktorý poskytuje presné údaje, ale žiadne definitívne odpovede, je to často lepšia možnosť.  Ľudská chyba však často znižuje jeho presnosť. Lekári tradične manuálne kontrolujú pacientov jazyk. Dokonca aj s dlhoročnými skúsenosťami, čokoľvek od mierne sfarbených horných svetiel až po dennú dobu môže ovplyvniť ich vnímanie farieb. Táto nejednoznačná, subjektívna metóda existuje už viac ako 2 000 rokov – je čas na inováciu.  Ako AI identifikuje a predpovedá chorobu pomocou farby jazyka  Profesionálni inžinieri a výskumníci, ktorí vyvinuli tento prelomový diagnostický zobrazovací systém, nechali účastníkov stáť 20 centimetrov od stroja počas jeho testovacej fázy. Vstavaná AI potom zistila farbu ich jazyka a predpovedala ich zdravotný stav v reálnom čase. Spracoval odtiene a jas pomocou modelov farebného priestoru.  Algoritmus XGBoost správne predpovedal choroby  počas testovania. Tento model strojového učenia je presný, pretože sa po počiatočnom výstupe neustále zlepšuje. Opakovane odhaduje a vypočítava chybovosť, aby sa postupne priblížil k svojmu cieľu, čím sa efektívne trénuje, aby zvýšil svoju presnosť.   96,6 % času  Ako stroj tejto výskumnej skupiny vidí farby jazyka  Kužeľové bunky - fotoreceptory v sietnici zodpovedné za farebné videnie - sú široko citlivé na červeno-modro-zelené (RGB) oblasti. Tento model farebného priestoru však neodráža informácie veľmi dobre. Systém počítačového videnia namiesto toho používal YCbCr, LAB, YIQ a HSV. Na rozdiel od ľudí nie je obmedzený na úzke spektrum viditeľného svetla.  Iné štúdie ukazujú, že systém počítačového videnia poháňaný AI dokáže presne rozpoznať a znovu vytvoriť farby bez spektrálnej disperzie, čo znamená, že dokáže definitívne vidieť farby, ktoré my nevidíme. Zatiaľ čo moje RGB-citlivé kužele môžu len  , túto technológiu môže vidieť asi 16,8 mil. Je tiež neuveriteľne presný, len v priemere sa odchyľuje od „neviditeľných“ farebných spektier asi v 1 % prípadov.   vidieť asi milión farieb  Ak model strojového učenia dokáže zachytiť jemné rozdiely v sýtosti a jase, ktoré sú pre mňa neviditeľné, prečo by nemohol vidieť odtiene, ktoré ja nevidím? Prirodzene, dôsledky sú závažné – AI môže byť schopná neustále prekonávať lekárov.  Prečo je dôležité používať farby jazyka na diagnostiku?  Keďže jeden model môže komunikovať s viacerými ľuďmi súčasne, môže pomôcť rôznym pacientom naraz. Nepotrebujú navštíviť kliniku – môžu si stiahnuť aplikáciu a použiť fotoaparát svojho telefónu. Keďže stroj výskumnej skupiny dokáže identifikovať a predpovedať choroby bez ohľadu na osvetlenie, existuje len malá šanca na nepresný výstup.  Domnievam sa, že skríning riadený umelou inteligenciou doma by mohol spôsobiť revolúciu v zdravotnej starostlivosti, ktorá by bola dostupnejšia a dostupnejšia. Milióny ľudí ročne zomierajú na choroby, proti ktorým by mali šancu bojovať, keby ich chytili skôr. Napríklad v Spojených štátoch okolo  s rakovinou žlčníka každý rok, čo má za následok odhadom 4 000 úmrtí ročne. Umelá inteligencia by ich mohla diagnostikovať na diaľku, čím by im pomohla včas dostať starostlivosť.   Diagnostikovaných je 12 000 ľudí  Potenciál AI priniesť revolúciu v diagnostike by mohol byť prínosom pre nemocnice rovnako ako pre pacientov. Napriek rozsiahlej digitalizácii výdavky na medicínu  od roku 2021 do roku 2022 – v celkovej výške 55 miliárd dolárov. Hlavnou príčinou nákladov bolo zvýšenie priemerného času, ktorý poskytovatelia strávili s pacientmi.   zvýšili približne o 47 %  Možnosti automatizácie a autonómna povaha AI by mohli zefektívniť stretnutia. Dôkazy ukazujú, že táto technológia môže pomôcť zdravotníckym zariadeniam  , tak to tu má potenciál. Nemocniciam by to umožnilo preniesť úspory nákladov na spotrebiteľov alebo investovať do ďalšieho vybavenia na záchranu života.   ušetriť 20 % až 50 % ich ročného rozpočtu  Nemyslel som si, že používanie farieb jazyka na diagnostiku môže byť také účinné, ale má jedinečný potenciál. Môže AI nahradiť lekárov? Pravdepodobne nie. Verím však, že sa stane základom v lekárskom priemysle, pretože dopĺňa identifikáciu, predikciu a liečbu chorôb. Ich odbornosť v kombinácii so silou strojového učenia by bola neprekonateľnou dvojicou.  Ako môže zdravotná starostlivosť využívať túto technológiu k lepšiemu  Zdravotnícky priemysel si je vedomý umelej inteligencie a túži ju prijať, takže je pravdepodobne len otázkou času, kedy sa stane rozšírenou. Odborníci predpokladajú, že trhová hodnota tejto technológie v tomto sektore porastie o a  od roku 2020 do roku 2030 – dosahujúc odhadovaných 208,2 miliardy USD – čo podčiarkuje jeho rýchlo rastúcu prevalenciu v tejto oblasti.   zložené ročné tempo rastu 38,4 %  Avšak zatiaľ čo __   , __najsľubnejšie vidia AI v diagnostike, v praxi ju používa iba 38 %. V skutočnosti to môže trvať roky, kým použijú farby jazyka analyzované na modeli na diagnostiku a predpovedanie. Môj vzdelaný odhad je, že nemocniciam bude trvať desať rokov, kým preskočia obruče namiesto preseknutia byrokracie.  Našťastie svet mobilného zdravia rýchlo rastie a je dostupný kedykoľvek. Aj keď nemôžem spomenúť mHealth bez toho, aby som poukázal na nedostatok regulačného dohľadu a ochrany súkromia, bolo by tiež nezmyselné ho prehliadať pri diskusii o budúcnosti lekárskej AI. 72 % lekárov súhlasí  Prečo si zdravotná starostlivosť musí dávať pozor na túto technológiu  V určitom momente som sa pristihla pri myšlienke, že tento prielom je príliš dobrý na to, aby to bola pravda. v čom je háčik? Aké sú nevýhody diagnostiky AI? Urobil som si svoj spravodlivý podiel na prieskume v tejto oblasti, takže som vedel, že budú existovať otázky týkajúce sa súkromia, etiky a regulácie. Štúdia, ktorá odhalila túto prelomovú technológiu, však tiež stojí za prehodnotenie pod mikroskopom.  Všimol som si, že práca výskumníkov na používaní AI na analýzu farieb jazyka na diagnostiku ešte nebola recenzovaná. Keďže to bolo zverejnené v júni 2024, nie je to prekvapujúce. To však znamená  je trochu vo vzduchu. Ich proces je zdravý, ale čo je veda bez replikácie? Pokiaľ niekto nezopakuje ich výsledky, zdravotnícky priemysel nemusí prijať ich vynález.   ich presnosť 98 %.  Ako tento prelom ovplyvní medicínsku technológiu AI?  Použitie zobrazovacieho systému na analýzu farieb jazyka na diagnostiku sa môže zdať ako výklenok a relatívne malý úspech, ale môže spôsobiť revolúciu v zdravotnej starostlivosti. Presné predpovedanie chorôb prostredníctvom aplikácie by mohlo zachrániť tisíce životov. Okrem toho by iní výskumníci mohli použiť túto technológiu na inšpiráciu svojich vlastných diagnostických objavov založených na AI.

Read My Stories

Tento zvuk je vyrobený v pôvodnom jazyku príbehu!

Ako AI používa farbu jazyka na predpovedanie chorôb s vysokou presnosťou

About Author

KOMENTÁRE

ZAVISTE ŠTÍTKY

TENTO ČLÁNOK BOL PREDSTAVENÝ V

Related Stories

112 Stories To Learn About Hackernoon Community

When Blood Told

16 Best Sklearn Datasets for Building Machine Learning Models

Code Smell 298 - How to Fix Microsoft Windows Time Waste

112 Stories To Learn About Hackernoon Community

When Blood Told

16 Best Sklearn Datasets for Building Machine Learning Models

Code Smell 298 - How to Fix Microsoft Windows Time Waste

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps