บาคาร่าเว็บตรง โครงข่ายประสาทระบุบริเวณที่ติดเชื้อในปอดของ COVID-19 การแปลสิ่งผิดปกติ: ปอดจะสแกนจากผู้ป่วยที่ติดเชื้อ COVID-19 (แถวที่ 1–3) และการควบคุมที่ดีต่อสุขภาพ (แถว 4-5) จากซ้ายไปขวา: ภาพ CT ต้นฉบับ; แผนที่ความสนใจที่สร้างโดยสี่ตัวอย่างการแจกแจงแฝง (สีที่อุ่นกว่าบ่งบอกถึงขอบเขตของความผิดปกติ); แผนที่ความสนใจรวม หน้ากากแบ่งส่วน; และหน้ากากอาถรรพ์ความจริง
โครงข่ายประสาทเทียมที่สามารถระบุบริเวณ
ที่ติดเชื้อในปอดของ COVID-19 ในการสแกน CT scan แม้จะฝึกเฉพาะภาพของผู้ป่วยที่มีสุขภาพดี ได้รับการพัฒนาโดยนักวิจัยในสหราชอาณาจักรและจีน เครื่องมือนี้ยังสามารถใช้เพื่อสร้างข้อมูลเทียมเพื่อฝึกซ้ำและปรับปรุงโมเดลการแบ่งส่วนอื่นๆ
หนึ่งในวิกฤตการณ์ด้านสุขภาพที่สำคัญที่สุดของศตวรรษที่ผ่านมา การระบาดใหญ่ของ COVID-19 คาดว่าจะมีผู้ติดเชื้อมากกว่า 250 ล้านคนทั่วโลก นับตั้งแต่มันเกิดขึ้นครั้งแรกในเดือนธันวาคม 2019 ดังที่เราได้เรียนรู้ในช่วงสองปีที่ผ่านมา ความสำเร็จ การปราบปรามการแพร่เชื้อโคโรนาไวรัสขึ้นอยู่กับการทดสอบที่มีประสิทธิภาพและการกักกันผู้ติดเชื้อ
การสแกน CT เป็นเครื่องมือวินิจฉัยที่สำคัญ และมีศักยภาพที่จะยืนหยัดเป็นทั้งทางเลือกในการทดสอบปฏิกิริยาลูกโซ่โพลีเมอเรสย้อนกลับ (RT-PCR) ที่มีข้อจำกัด ตลอดจนวิธีการคัดกรอง PCR false negatives .
อย่างไรก็ตาม ปัญหาของการใช้ CT scans
ในลักษณะนี้ก็คือ พวกเขาต้องอาศัยการให้นักรังสีวิทยาที่ได้รับการฝึกอบรมมาแปลความหมาย และความต้องการที่เพิ่มขึ้นในจุดที่มีการระบาดจะเพิ่มความตึงเครียดให้กับบริการทางการแพทย์ในท้องถิ่น โซลูชันหนึ่งอยู่ในการประยุกต์ใช้ปัญญาประดิษฐ์ที่อาศัยการเรียนรู้เชิงลึกเพื่อวิเคราะห์ภาพ ซึ่งจะช่วยให้แพทย์ตรวจหา COVID-19 ได้เร็วขึ้น และลดระดับความเชี่ยวชาญที่จำเป็นในการทำเช่นนั้น
ในขณะที่การศึกษาต่างๆ ได้แสดงให้เห็นถึงศักยภาพในการเรียนรู้อย่างลึกซึ้งเพื่อช่วยในการจำแนกโรคบนภาพ CT มีเพียงไม่กี่แห่งที่ตรวจสอบความสามารถในการทำให้การแปลเป็นภาษาท้องถิ่นของภูมิภาคของโรคโดยอัตโนมัติ อย่างไรก็ตาม ความท้าทายในการใช้การเรียนรู้เชิงลึกเพื่อทำงานนี้ให้เสร็จสิ้นนั้นมาจากชุดข้อมูลที่มีคำอธิบายประกอบซึ่งขาดแคลนในการฝึกโครงข่ายประสาทเทียม
ในการศึกษาของพวกเขา Yu-Dong Zhangนักวิทยาศาสตร์คอมพิวเตอร์แห่งมหาวิทยาลัยเลสเตอร์และเพื่อนร่วมงานได้เสนอกรอบการเรียนรู้เชิงลึกใหม่ภายใต้การดูแลที่อ่อนแอซึ่งเรียกว่า “ตัวเข้ารหัสอัตโนมัติแบบแปรผันที่อ่อนแอสำหรับการโลคัลไลเซชันและการเพิ่มประสิทธิภาพ” หรือ “WVALE” สั้นๆ เฟรมเวิร์กนี้รวมถึงโมเดลโครงข่ายประสาทเทียมที่ชื่อว่า “WVAE” ซึ่งใช้วิธีการไล่ระดับตามระดับสำหรับการโลคัลไลเซชันความผิดปกติ WVAE ทำงานโดยการแปลงสภาพแล้วกู้คืนข้อมูลเดิมเพื่อเรียนรู้เกี่ยวกับคุณสมบัติที่แฝงอยู่ ซึ่งช่วยให้สามารถระบุบริเวณที่ผิดปกติได้
แนวทางของทีม “มีการดูแลที่อ่อนแอ” เพราะพวกเขาใช้
เฉพาะภาพการควบคุมที่ดีต่อสุขภาพเพื่อฝึกแบบจำลอง WVAE ของพวกเขา แทนที่จะใช้การสแกน CT scan จากผู้ป่วยที่มีสุขภาพดีและผู้ป่วยที่ติดเชื้อ coronavirus ชุดข้อมูลหลักของการศึกษาประกอบด้วยการสแกน CT scan จากผู้ป่วย 66 คนที่ได้รับการวินิจฉัยว่าติดเชื้อ COVID-19 ที่โรงพยาบาล Fourth People’s Hospital ในเมือง Huai’an ประเทศจีน และผู้ตรวจสุขภาพ 66 คนเป็นตัวควบคุม
นักวิจัยพบว่าแบบจำลอง WVAE สามารถสร้างแผนที่ความสนใจคุณภาพสูงจากการสแกน CT ที่มีเส้นขอบละเอียดรอบบริเวณปอดที่ติดเชื้อ และผลการแบ่งส่วนเทียบได้กับที่สร้างโดยแบบจำลองการแบ่งส่วนแบบทั่วไปที่ได้รับการดูแลจำนวนมาก ซึ่งดีกว่าช่วงที่มีอยู่อย่างอ่อนแอ วิธีการโลคัลไลเซชันที่มีการควบคุมดูแล นอกจากนี้ พวกเขายังสามารถใช้ข้อมูลหลอกที่สร้างโดยโมเดลนี้เพื่อฝึกซ้ำและปรับปรุงโมเดลการแบ่งส่วนอื่นๆ
อ่านเพิ่มเติมความรู้ AI มากแค่ไหนจึงเพียงพอ?
เชื่อมช่องว่างความรู้ด้าน AI และเทคโนโลยีแมชชีนเลิร์นนิง
“การศึกษาของเราให้การพิสูจน์แนวคิดสำหรับการแบ่งส่วนภายใต้การดูแลที่อ่อนแอและแนวทางทางเลือกในการบรรเทาการขาดคำอธิบายประกอบ ในขณะที่ความเป็นอิสระจากกรอบการจัดหมวดหมู่และการแบ่งส่วนทำให้สามารถรวมเข้ากับระบบที่มีอยู่ได้อย่างง่ายดาย” Zhang กล่าว
เมื่อการศึกษาเบื้องต้นเสร็จสิ้น นักวิจัยกำลังมองหาที่จะสำรวจการนำวิธีการต่างๆ มาใช้ในกรอบการทำงาน
“ในขณะที่วิธีการไล่ระดับจะให้ประสิทธิภาพการแปลตำแหน่งความผิดปกติที่ดีในกรณีของเรา แต่เป็นวิธีหลังเฉพาะกิจ ซึ่งพยายามตีความแบบจำลองหลังจากผ่านการฝึกอบรมแล้ว และ WVAE ยังคงเป็นกล่องดำ” Zhang อธิบาย “เราวางแผนที่จะดูวิธีการสำรวจที่อาจทำให้ WVAE สามารถตีความได้โดยเนื้อแท้และใช้ประโยชน์จากความสามารถในการตีความสำหรับงานต่างๆ เช่น การแปลเป็นภาษาท้องถิ่นอย่างผิดปกติและการสร้างข้อมูลการแบ่งส่วนหลอก”
ประตูลอจิกเร็วมาก
ไปสู่ประตูลอจิกที่เร็วมาก (เอื้อเฟื้อ: ภาพประกอบจากมหาวิทยาลัยโรเชสเตอร์ / Michael Osadciw)
ลอจิกเกตแรกที่ทำงานในช่วงเวลา femtosecond สามารถช่วยให้เข้าสู่ยุคของการประมวลผลข้อมูลที่ความถี่ petahertz ซึ่งเร็วกว่าคอมพิวเตอร์ขนาดกิกะเฮิรตซ์ในปัจจุบันถึงล้านเท่า ประตูใหม่ซึ่งพัฒนาโดยนักวิจัยจากมหาวิทยาลัยโรเชสเตอร์ในสหรัฐอเมริกาและมหาวิทยาลัยฟรีดริช-อเล็กซานเดอร์-Universität Erlangen-Nürnberg (FAU) ในเยอรมนี เป็นการประยุกต์ใช้อุปกรณ์อิเล็กทรอนิกส์แบบคลื่นแสง โดยพื้นฐานแล้วจะสับอิเล็กตรอนไปรอบๆ ด้วยสนามแสง และควบคุมทั้งสองอย่าง ผู้ให้บริการชาร์จจริงและเสมือน บาคาร่าเว็บตรง
