ก่อนหน้านี้ว่ากันว่าการสร้างภาพและวินิจฉัยโรคโดยใช้ AI นั้นเป็นไปไม่ได้
เราร่วมมือกับองค์กรการแพทย์ทั่วโลกในการวิจัยเครื่องมือที่ใช้ AI ใหม่และมีประสิทธิภาพสูง ซึ่งมุ่งเน้นที่การวินิจฉัยโรคเพื่อช่วยผู้ปฏิบัติงานทางคลินิก โมเดลที่เรากำลังสร้างเกิดจากชุดข้อมูลที่หลากหลาย ป้ายกำกับคุณภาพสูง และเทคนิคการเรียนรู้เชิงลึกที่ล้ำสมัย ซึ่งเราหวังว่าจะเป็นประโยชน์สำหรับผู้เชี่ยวชาญด้านการแพทย์ในการวินิจฉัยโรค เรายินดีที่จะได้ต่อยอดการวิจัยนี้ไปยังสาขาอื่นและพร้อมสาธิตให้เห็นว่า AI มีความสามารถในการวินิจฉัยรูปแบบใหม่ๆ
เพิ่มการเข้าถึงข้อมูลโรคผิวหนัง
เรานำ AI สาขาคอมพิวเตอร์วิทัศน์และความสามารถในการค้นหารูปภาพมาใช้พัฒนาเครื่องมือที่ช่วยให้ผู้คนหาข้อมูลและระบุสภาพผิว เส้นผม และเล็บของตัวเองได้ดีขึ้น เครื่องมือนี้มีข้อมูลลักษณะความเจ็บป่วยหลายร้อยรายการ ซึ่งรวมถึงความเจ็บป่วยที่พบในคลินิก 80% และความเจ็บป่วยที่มีการค้นหาบ่อยที่สุด 90% ผลงานดังกล่าวได้รับการเผยแพร่ทั้งใน Nature Medicine และ JAMA Network Open ดูข้อมูลเพิ่มเติม
การตรวจหาภาวะโลหิตจาง
คอมพิวเตอร์วิทัศน์
การตรวจหาภาวะโลหิตจาง
ตรวจหาสัญญาณแฝงของภาวะโลหิตจางจากดวงตา
ดวงตาของมนุษย์สามารถเผยให้เห็นสัญญาณของโรคพื้นเดิมอย่างโลหิตจาง ซึ่งเป็นภาวะที่ส่งผลกระทบต่อคน 1.6 พันล้านคนทั่วโลกโดยทำให้เกิดอาการอ่อนเพลีย อ่อนแอ เวียนศีรษะ และง่วงซึม ในงานวิจัยที่เผยแพร่ใน Nature Biomedical Engineering เราสามารถใช้การเรียนรู้เชิงลึกเพื่อบอกระดับฮีโมโกลบินและตรวจหาภาวะโลหิตจางด้วยรูปภาพหลังดวงตาที่ลบการระบุตัวตนแล้ว ผลการวิจัยนี้หมายความว่าในอนาคต ผู้ให้บริการอาจสามารถตรวจพบโรคได้ด้วยเครื่องมือคัดกรองแบบเรียบง่ายที่ไม่ล่วงล้ำเข้าสู่ร่างกาย อ่านโพสต์
คอมพิวเตอร์วิทัศน์
ใช้คอมพิวเตอร์วิทัศน์เพื่อประเมินความเสี่ยงของโรคหัวใจและหลอดเลือด
การประเมินความเสี่ยงของโรคหัวใจและหลอดเลือดเป็นขั้นตอนแรกและสำคัญที่สุดในการลดโอกาสที่ผู้ป่วยจะเกิดเหตุการณ์ทางโรคหัวใจและหลอดเลือดในอนาคต เราได้นำเทคนิคการเรียนรู้เชิงลึกมาใช้กับรูปภาพจอตาเพื่อหาปัจจัยที่เชื่อมโยงกับความเสี่ยงของเหตุการณ์ทางโรคหัวใจและหลอดเลือด เช่น หัวใจวายหรือเส้นโลหิตในสมองแตก ดังที่เผยแพร่ใน Nature Biomedical Engineering งานวิจัยชิ้นนี้จะช่วยให้นักวิทยาศาสตร์สร้างสมมติฐานแบบกำหนดเป้าหมายได้มากขึ้นและต่อยอดการวิจัยสาขาต่างๆ ต่อไปในอนาคต อ่านโพสต์
แนวปฏิบัติทางคลินิก
การเรียนรู้เชิงลึก
แนวปฏิบัติทางคลินิก
การศึกษาวิจัยว่า AI จะช่วยคัดกรองโรคมะเร็งเต้านมในแนวปฏิบัติทางคลินิกได้อย่างไร
การตรวจคัดกรองมะเร็งเต้านมช่วยให้ตรวจพบมะเร็งได้เร็วขึ้น แต่การวินิจฉัยโรคมะเร็งเต้านมอย่างถูกต้องและสม่ำเสมอยังคงเป็นเรื่องท้าทาย ซึ่งเห็นได้จากการที่ผู้หญิงจำนวนครึ่งหนึ่งได้รับผลบวกปลอมในช่วงเวลา 10 ปี ใน Nature เราแสดงให้เห็นศักยภาพของโมเดล AI ของเราในการวิเคราะห์แมมโมแกรมคัดกรองที่เก็บรวบรวมข้อมูลย้อนหลังและลบการระบุตัวตนออกโดยมีความแม่นยำที่ใกล้เคียงหรือมากกว่าผู้ปฏิบัติงานทางคลินิก ตอนนี้เรากำลังร่วมกันทำการศึกษาวิจัยอุปกรณ์เชิงสืบสวนเพื่อให้เข้าใจวิธีที่โมเดลดังกล่าวจะช่วยในส่วนของแนวปฏิบัติทางคลินิกเพื่อลดเวลาที่ใช้ตั้งแต่การตรวจคัดกรองด้วยแมมโมแกรมไปจนถึงการวินิจฉัย การลดช่องว่างในการประเมิน และการปรับปรุงประสบการณ์ของผู้ป่วย อ่านโพสต์
การเรียนรู้เชิงลึก
การใช้การเรียนรู้เชิงลึกในการตรวจหามะเร็งเต้านมระยะลุกลาม
ในการวิจัยทางพยาธิวิทยาของเราซึ่งตีพิมพ์ใน Archives of Pathology & Laboratory Medicine ตลอดจน The American Journal of Surgical Pathology เราแสดงให้เห็นว่าเครื่องมือช่วยพิสูจน์แนวคิด (LYNA) สามารถใช้การเรียนรู้เชิงลึกเพื่อเพิ่มความแม่นยำในการตรวจหามะเร็งเต้านมระยะลุกลามได้อย่างไร อ่านโพสต์
ความก้าวหน้าของ AI
การเรียนรู้ของ AI
การวิเคราะห์ของ AI
ความก้าวหน้าของ AI
การสำรวจความก้าวหน้าของ AI ในการวางแผนการรักษาด้วยรังสีเพื่อปรับปรุงประสิทธิภาพ
การต่อยอดจากงานที่ทำร่วมกับ University College London Hospitals และตีพิมพ์ใน JMIR Publications เรากำลังร่วมมือกับ Mayo Clinic เพื่อศึกษาการใช้ AI ในการช่วยให้ผู้ปฏิบัติงานทางคลินิกวางแผนการรักษามะเร็งด้วยรังสี เราได้ร่วมมือกันเพื่อทำการวิจัย ฝึกอบรม และตรวจสอบอัลกอริทึมเพื่อช่วยแพทย์ในการแบ่งส่วนเนื้อเยื่อและอวัยวะที่ปกติออกจากเนื้องอกเพื่อลดเวลาในการวางแผนการรักษาและปรับปรุงประสิทธิภาพของรังสีรักษา โดยหวังว่าจะช่วยให้ผู้ปฏิบัติงานทางคลินิกใช้เวลาในการวางแผนน้อยลงและมีเวลาให้ผู้ป่วยมากขึ้น อ่านโพสต์
การเรียนรู้ของ AI
การใช้แมชชีนเลิร์นนิงเพื่อตรวจหาการตรวจคัดกรองลำไส้ที่ไม่ครอบคลุมมากพอ
มะเร็งลำไส้ใหญ่และทวารหนัก (CRC) เป็นปัญหาสุขภาพที่เกิดขึ้นทั่วโลกและเป็นมะเร็งชนิดที่ร้ายแรงเป็นอันดับ 2 ในสหรัฐอเมริกา ซึ่งส่งผลให้มีผู้เสียชีวิตประมาณ 900,000 รายต่อปี การแจ้งเตือนแพทย์ถึงบริเวณที่ไม่เห็นผนังลำไส้ทำให้อัลกอริทึมของเรามีศักยภาพที่จะนำไปสู่การค้นพบเนื้องอกต่อมมากขึ้น และส่งผลให้อัตราการตรวจพบเนื้องอกต่อมเพิ่มขึ้นและลดอัตราการเกิดมะเร็งลำไส้ใหญ่และทวารหนักในช่วงเว้นการตรวจ ตามข้อมูลที่ตีพิมพ์ใน IEEE Transactions on Medical Imaging อ่านโพสต์
การวิเคราะห์ของ AI
การใช้ AI เพื่อระบุความรวดเร็วในการลุกลามของมะเร็งต่อมลูกหมาก
ในการวินิจฉัยความรุนแรงของมะเร็งต่อมลูกหมาก การตรวจชิ้นเนื้อจะได้รับการวิเคราะห์และให้เกรด Gleason ซึ่งเป็นการให้คะแนนโดยเปรียบเทียบกับเซลล์ปกติ ในผลงานที่ตีพิมพ์ใน JAMA Oncology และ JAMA Network Open เราได้สำรวจว่าระบบ AI ให้เกรด Gleason ในการตรวจชิ้นเนื้อต่อมลูกหมากได้อย่างแม่นยำหรือไม่ และผลการสำรวจพบว่าระบบการเรียนรู้เชิงลึกมีศักยภาพในการสนับสนุนการวินิจฉัยระดับผู้เชี่ยวชาญ อ่านโพสต์