Prvotna ideja umetne inteligence je da zamenja vašega zdravnika. Pionirji si si predstavljali robota, ki vam postavlja vprašanja in s pomočjo posebnega algoritma, ki analizira pogovore, ugotovi ali imate gripo ali prehlad. Tisti čas pa je bilo to praktično nemogoče saj dovršenost algoritmov še tega ni dopuščala.
Še posebej problematična je bila raznolikost med ljudmi, saj je povzroča računalnikom velike probleme pri iskanju vzorcev. Čez čas pa je tehnologija s pomočjo nevronskih mrež tako napredovala, da je lahko umetna inteligenca prepoznala govor iz zvočnih posnetkov. Četudi so ti modeli umetne inteligence potrebovali ogromne količine podatkov, so na koncu prepoznavali besede ne glede na naglas in na razlike v različicah istega jezika.
Ko je bil ta problem za največje jezike že rešen, so s pomočjo modelov začeli prepoznavati predmete na fotografijah – kar ostaja še danes najbolj priljubljeno opravilo umetne inteligence. Samovozeči avtomobili uporabljajo to tehnologiji pri identificiranju okolice avta. V zdravstvu podjetje Enlitic uporablja umetno inteligenco za prepoznavanje različnih tvorb na izvidih radioloških preiskav. Veliko teh orodij je že na voljo v bolnicah.
Vendar je to prepoznavanje je skromno delo, ki ga lahko opravi umetna inteligenca. Če analiziramo samo obliko in gostoto tvorb, pa izpustimo še na tone podatkov, ki nam lahko pomagajo. Pomagajo nam lahko tudi snovi na molekularni ravni. To je do zdaj v veliki meri izpuščeno.
Veliko podjetij zdaj napoveduje, da bo s pomočjo “deep learning” algoritmov odkrivala čudne vzorce tudi v biokemijski sestavi človeka. Zagonsko podjetje IPMD analizira na tisoče različnih beljakovin iz samo kaplje krvi in išče vzorce, ki bi lahko bili povezani z določenimi vrstami raka. To je lahko dolgoročno še bolj učinkovito od procesiranja slik.
Natančnost “deep learning” algoritmov pa postaja še večja ob porastu podatkov zaradi digitalnih trendov.
Modeli, ki analizirajo krvožilne sisteme, so postali še boljša ob ogromni količini podatkov. Od leta 1997 so lahko modeli na podlagi EKG-ja ugotovili ali je imel bolnik srčni infarkt ali ne. Pred kratim pa lahko določijo ali ima bolnik bolezni na krvožilnem sistemu z 94% natančnostjo.
Algoritem je pobiral podatke kot so: pacientov poklic, podatki o maščobi in holesterolu, družinska preteklost in genetika. Raziskovalci so odkrili, da več ko je vključenih podatkov, večja je natančnost. Podjetje Cardiogram lahko s pomočjo “deep learning” algoritmov zazna aritmijo če prejema podatke EKG-ja na dolgi rok. Zajemanje teh podatkov je postalo mogoče z prihodom ure Apple Watch in ostalih podobnih naprav.
Ker pa so ti algoritmi tako zapleteni jih osebje ne bo sprejelo zlahka. Algoritmi najdejo vzorce, ki jih človek ne more. Čar “deep learning” algoritmov je v tem, da ne potrebuje človeka, da bi določil kaj išče, vzorce najde sam. Čez čas bo korist od teh algoritmov v zdravstvu postala ogromna.
Vir: TechCrunch