- Cikk címe: A mesterséges intelligencia nyújtotta megoldások helye és szerepe a jelen és a jövő orvoslásában
- Cikk angol címe: The impact of artificial intelligence systems in today's and tomorrow's medicine
- Szerzők: Olar Alex, Csabai István, Pollner Péter
- DOI: https://doi.org/10.53020/IME-2021-304
- Intézmények: Eötvös Loránd Tudományegyetem, Komplex Rendszerek Fizikája Tanszék, Semmelweis Egyetem, Egészségügyi Közszolgálati Kar, Egészségügyi Menedzserképző Központ, MTA-ELTE Statisztikus és Biológiai Fizika Kutatócsoport
- Évfolyam: XX. évfolyam
- Lapszám: 2021. / 3
- Hónap: november
- Oldal: 26-29
- Terjedelem: 4
- Rovat: INFOKOMMUNIKÁCIÓ
- Alrovat:
Absztrakt:
Az elmúlt tíz évben a mesterséges intelligencia területe robbanásszerű növekedésnek indult, mostani fejlődésrátája az ipari forradalomhoz hasonlítható, ahol az MI (mesterséges intelligencia) a korunk új árama. A jelen cikkben egy intuitív és közérthető bevezetőben taglaljuk a mesterséges intelligencia módszereit, valamint egy rövid ismertető után, két példa nyomán bemutatjuk a gépi látás orvosbiológiai alkalmazásait. Az első példa bemutatja, hogy rheumatoid arthritises betegek diagnosztikája hogyan tehető hatékonyabbá és gyorsítható fel drasztikusan, a második példa, pedig a mai országos szűrőprogramok (mammográfia, vastag- és végbéldaganatok) számítógépes döntéstámogatását alapozza meg. Alapvetésünk tehát, hogy az orvosi képelemzés és egyéb természettudományos adatok elemzése során kidolgozott módszerek gyakorlati hasznosítása és fejlesztése növelheti az életminőséget és az orvosi szolgáltatások színvonalát.
Angol absztrakt:
In the past 10 years, the field of artificial intelligence (AI) has expanded rapidly and the current rate of development can easily be compared to the second industrial revolution where AI is the new electricity of our era. In this article, we present a short and intuitive introduction to AI with two applications of computer vision in medical imaging. The first example presents a feasible way to improve and speed up the diagnosis of rheumatoid arthritis patients, while the second example elaborates on current nationwide screening programmes (mammo graphy, colorectal cancer screening, etc.) via computer aided diagnostics solutions to mammography. Our main principal therefore is that biological images analysis and other scientific data analysis applications are a fruitful territory for scientific discovery and can significantly improve the quality of medical care and the standards of living.
XX. évfolyam
2021. / 3. lapszám november
| Szerző | Intézmény |
|---|---|
| Szerző: Olar Alex | Intézmény: Eötvös Loránd Tudományegyetem, Komplex Rendszerek Fizikája Tanszék |
| Szerző: Csabai István | Intézmény: Semmelweis Egyetem, Egészségügyi Közszolgálati Kar, Egészségügyi Menedzserképző Központ |
| Szerző: Pollner Péter | Intézmény: MTA-ELTE Statisztikus és Biológiai Fizika Kutatócsoport |
[1] McCulloch WS és Pitts W: A logical calculus of the ideas immanent in nervous activity, The Bulletin of Mathe matical Biophysics, 1943; 5(4):115-133,
https://doi.org/10.1007/BF02478259
[2] Rosenblatt F: The perceptron: A probabilistic model for information storage and organization in the brain, Psychological Review, 1958; 65(6):386-408,
https://doi.org/10.1037/h0042519
[3] Linnainmaa S: Taylor expansion of the accumulated rounding error, BIT, 1976; 16(2):146-160,
https://doi.org/10.1007/BF01931367
[4] Rumelhart DE, Hinton GE és Williams RJ: Learning representations by back-propagating errors, Nature, 1986; 323(6088):533-536, https://doi.org/10.1038/323533a0
[5] Russakovsky O, Deng J, Su H et al.: ImageNet Large Scale Visual Recognition Challenge, International Journal of Computer Vision, 2015; 115(3):211-252,
https://doi.org/10.1007/s11263-015-0816-y
[6] Krizhevsky A, Sutskever I és Hinton GE: ImageNet classification with deep convolutional neural networks, Communications of the ACM, 2017; 60(6):84-90, https://doi.org/10.1145/3065386
[7] Ridnik T, Ben-Baruch E, Noy A és Zelnik-Manor L: ImageNet-21K Pretraining for the Masses, arXiv pre-print server, 2021, DOI: None arxiv:2104.10972.
[8] Sun C, Shrivastava A, Singh S és Gupta A: Revisiting Unreasonable Effectiveness of Data in Deep Learning Era: IEEE.
[9] Chen T, Kornblith S, Norouzi M és Hinton G: A Simple Framework for Contrastive Learning of Visual Repre sentations, In Proceedings of the 37th International Conference on Machine Learning, szerk: Hal D, III és Aarti S, 2020, PMLR: Proceedings of Machine Learning Research, pp.1597—1607;
URL: https://proceedings.mlr.press/v119/chen20j.html.
[10]He K, Fan H, Wu Y, Xie S és Girshick R: Momentum Contrast for Unsupervised Visual Representation Learning, in 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2020. https://doi.org/10.1109/CVPR42600.2020.00975
[11] Van der Maaten L és Hinton G: Visualizing data using t-SNE, Journal of machine learning research, 2008; 9(11).
[12]McInnes L, Healy J és Melville J: UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction, arXiv pre-print server, 2020, DOI: None
arxiv:1802.03426.
[13]van der Heijde DM, van Leeuwen MA, van Riel PL és van de Putte LB: Radiographic progression on radiographs of hands and feet during the first 3 years of rheumatoid arthritis measured according to Sharp’s me thod (van der Heijde modification), J Rheumatol, 1995; 22(9):1792-6.
[14]Challenges D: RA2 DREAM Challenge, 2021; URL: www.synapse.org/#!Synapse:syn20545111/wiki/603038.
[15]TTK E: Gépi tanulás segítheti az autoimmun betegségek diagnosztizálását, 2021; URL: ttk.elte.hu/content/gepi-tanulas-segitheti-az-autoimmun-betegsegek-diagnosztizalasat.t.3707.
[16]Ribli D, Horváth A, Unger Z, Pollner P és Csabai I: Detecting and classifying lesions in mammograms with Deep Learning, Scientific Reports, 2018; 8(1),
https://doi.org/10.1038/s41598-018-22437-z
[17]McKinney SM, Sieniek M, Godbole V, et al: International evaluation of an AI system for breast cancer screening, Nature, 2020; 577(7788):89-94,
https://doi.org/10.1038/s41586-019-1799-6