چنین سیستمی می‌تواند یک ابزار ضروری برای بخش اورژانس بیمارستان‌ها باشد تا توسط آن بتوانند بیماران دارای علائم سکته مغزی خطرناک را ارزیابی و سریع درمان را آغاز کنند.

در حال حاضر پژوهشگران در حال افزایش قدرت محاسباتی سیستم و دسترسی مجموعه داده‌های بزرگ به منظور بهبود عملکرد یادگیری ماشین هستند و این نیز فرایندی است که از طریق آن رایانه‌ها اطلاعات را تجزیه و تحلیل کرده و الگوها را شناسایی می‌کنند و اساسا می‌آموزند چگونه و بدون دخالت مستقیم یک برنامه‌نویس انسانی کارها را انجام دهند.

سیستم‌های تجزیه و تحلیل تصویر که پیشتر توسعه یافته بودند، عملکردی همانند عملکرد یک پزشک داشتند و بیش از ۱۰۰ هزار تصویر درون آنها وارد شده بود. سازمان غذا و دارو آمریکا هر سیستم پشتیبانی برای ارائه اطلاعاتی که کاربران را قادر می‌سازد تا دلایل یافته‌های خود را بررسی کنند حمایت می‌کند.

«هیوکوانگ لی»(Hyunkwang Lee) دانشجوی کارشناسی ارشد دانشکده مهندسی و علوم کاربردی هاروارد و یکی از دو نویسنده اصلی این مطالعه گفت: البته استفاده از واژه «اطلاعات کوچک» یا «قابل توصیف» که برای توصیف یک مطالعه استفاده می‌شود، کمی تناقض آمیز است. با این حال، در پزشکی، جمع آوری داده‌های با کیفیت بالا بسیار دشوار، گران و وقت‌گیر است.

«سیهو یون»(Sehyo Yune)، سرپرست بخش رادیولوژی «بیمارستان عمومی ماساچوست» می‌گوید: بعضی از منتقدان معتقدند که الگوریتم‌های یادگیری ماشینی را نمی‌توان در عمل بالینی مورد استفاده قرار داد زیرا الگوریتم‌ها توجیهی برای تصمیم‌گیری‌های آنها ارائه نمی‌دهند.

ما متوجه شدیم که برای تسهیل استفاده در مراقبت‌های بهداشتی یادگیری ماشینی برای غلبه بر این دو چالش ضروری است زیرا دارای پتانسیل بسیار بالایی برای بهبود کیفیت و دسترسی به مراقبت است.

در این مطالعه، پژوهشگران از ۹۰۴ سی‌تی اسکن سر افراد که هر کدام تقریبا شامل ۴۰ تصویر جداگانه بود و توسط یک تیم از پنج گروه عصب‌شناس بیمارستان عمومی ماساچوست برچسب‌گذاری شده بود برای آموزش این سیستم استفاده کردند.

برای ارتقای صحت این سیستم یادگیری عمیق، مراحلی را توسعه دادند که همانند عصب شناسان تصاویر را تجزیه وتحلیل می‌کند. ارتقای این سیستم شامل تنظیم عواملی مانند کنتراست و روشنایی برای نشان دادن تفاوت‌های ظریف است تا دریابند آن چیزی که از طریق سی‌تی اسکن نمایش داده می‌شود، یک مشکل جدی است یا خیر.
 

ITMen