Categoria | Scienza e Tecnologia

È in arrivo un Software in grado di formulare una diagnosi medica.

Pubblicato il 31 agosto 2015 da redazione

deep-learning-with-gpus

Le macchine hanno già trasformato l’assistenza sanitaria. Scanner estremamente sofisticati possono già scrutare l’interno del nostro corpo e analizzare automaticamente campioni di sangue, ma l’intelligenza umana è sempre stata una parte attiva del processo. Se una scansione rivela un’ombra è l’oncologo che le attribuisce il giusto significato. Ma i medici sono sempre più spesso occupati e oberati di lavoro; essi possono quindi commettere degli errori o trascurare dei sintomi rivelatori. Se i computer fino ad oggi potevano comprendere lo stato di salute di un individuo alle loro condizioni, oggi forse potrebbero accelerare la diagnosi o anche renderla più accurata.

Al centro del nuovo approccio ci sono i progressi fatti nell’ambito dell’intelligenza artificiale, learning machine, il software che può essere addestrato a riconoscere, per esempio, importanti caratteristiche di un’immagine. È un potente strumento, ma in generale il software richiede ancora molta istruzione virtuale: le immagini potrebbero dover essere allineate con cura ed è ancora necessario l’intervento di esperti umani per assicurarsi che il software sia addestrato a riconoscere le caratteristiche giuste.

L’apprendimento profondo è invece più flessibile. Qui, il software funziona contemporaneamente su più livelli. Data una semplice immagine, il computer può, per esempio, elaborarne i bordi e le linee mentre considera l’immagine anche nel suo complesso. Questo tipo di approccio consente un apprendimento profondo su insiemi di dati contenenti concetti diversi, senza bisogno di una guida umana.

tomografia

risonanza

Andrew Bradle, dell’Università di Queensland, in Australia, afferma che si potranno confrontare più facilmente le immagini ottenute da più punti di vista e con modalità multiple. In un’indagine, per esempio, per individuare un cancro al seno la diagnosi, potenzialmente, richiede informazioni da tre fonti diverse: una radiografia, una risonanza magnetica e gli ultrasuoni – oltre ai controlli incrociati, lunghi e laboriosi. Con l’apprendimento profondo tutto diventa più semplice. Bradley e colleghi hanno, infatti, prototipato un sistema che incrocia automaticamente i dati e che verrà presentato nel mese di Ottobre in occasione della Conferenza Internazionale sulla Medicina, a Monaco di Baviera, in Germania.

I ricercatori dell’Università di Tel Aviv, in Israele, hanno utilizzato l’apprendimento profondo per analizzare la radiografia del torace. Finora, il sistema può distinguere un cuore ingrossato e l’accumulo di liquidi nei polmoni.

Nel frattempo, un gruppo di ricercatori presso il National Institutes of Health Clinical Center di Bethesda, nel Maryland, sta utilizzando metodi simili per rilevare crescite tumorali lungo la colonna vertebrale.

Tutti questi team di ricerca stanno ottenendo risultati pari o superiori a quelli ricavati con gli algoritmi di rilevamento precedenti.  Ma i medici – o gli stessi pazienti – accetterebbero mai una diagnosi fatta da una macchina? Questo è il vero problema. Le complesse reti di apprendimento profondo sono imperscrutabili, emettono conclusioni senza fornire una motivazione. Le persone potrebbero trovarsi in una situazione di grande disagio. Sarebbe come ricevere una scatola nera.

Per questo motivo si è pensato a un secondo sistema. Una volta che la rete neurale profondo sarà perfettamente addestrata, Bradley pensa di usare le sue conclusioni per formarne un’altra, un modello trasparente – una “scatola bianca” le cui risposte postranno essere comprensibili e verificabili dagli esseri umani.

Le macchine intelligenti potranno, così, scoprire cose a cui noi non sempre arriveremmo, ma la gestione della materia resterà, ancora per molto tempo, a noi.

 

https://www.newscientist.com/article/mg22730362-700-diagnosis-without-doctors-deep-learning-to-transform-medicine/

Lascia un commento

Advertise Here

Foto da Flickr

Guarda tutte le foto

Advertise Here

LINK