Michael F. Chiang
Przedstawię kilka wyzwań: po pierwsze, tracimy wiele możliwości wykorzystania danych obrazu okulistycznego do opracowywania systemów sztucznej inteligencji, ponieważ dane te są zamknięte w zastrzeżonych standardach i niedostępne dla badaczy i lekarzy. Po drugie, musimy poprawić kulturę udostępniania danych, standardy reprezentacji danych i metody ustalania podstawowej prawdy, aby w pełni wykorzystać możliwości budowania dużych zbiorów danych gotowych do sztucznej inteligencji do odkrywania wiedzy. Po trzecie, systemy sztucznej inteligencji najlepiej radzą sobie z pojedynczymi pytaniami (np. „Czy w tym obrazie siatkówki dziecka poddawanego badaniu ROP występują cechy określane jako „objaw plus”?”), podczas gdy scenariusze w warunkach rzeczywistych wymagają równoległego odpowiadania na wiele pytań. Po czwarte, systemy sztucznej inteligencji są zazwyczaj szkolone i walidowane w dość wąskich populacjach i określonych urządzeniach do obrazowania, podczas gdy rzeczywiste aplikacje będą musiały zostać poddane rygorystycznej walidacji, aby zapewnić, że działają w szerokich populacjach i urządzeniach bez uprzedzeń.
Damien Gatinel
Ograniczenia rozwoju AI dotyczą głównie gromadzenia danych, ponieważ wspólnym punktem każdego projektu jest wykorzystanie dużej ilości danych wysokiej jakości. Często zdarza się, że nawet po skompilowaniu dużego zestawu danych koniecznych jest drastyczne zmniejszenie jego rozmiaru. Możemy również przewidzieć pewne problemy etyczne, o ile czasami nie wiemy, za pomocą jakiego mechanizmu (mechanizmów) uzyskuje się określone wyniki w zakresie klasyfikacji lub przewidywania.
Paisan Ruamviboonsuk
Myślę, że możemy wykorzystać zalety multimodalnych obrazów w okulistyce do opracowania modeli AI, które są bardziej skuteczne w badaniach przesiewowych lub wykrywaniu chorób lub wykrywaniu postępu choroby. Obecnie istnieje niezliczona ilość modeli sztucznej inteligencji dla różnego rodzaju zadań; jednak główne wyzwania dla mnie polegają na tym, jak przydatne są te modele w zmniejszaniu ryzyka ślepoty; jak przydatne są do wdrożenia w świecie rzeczywistym. Wiele modeli sztucznej inteligencji działa dobrze w walidacji wewnętrznej, ale nie sprawdza się we wdrażaniu w warunkach rzeczywistych. Inne wyzwania opierałyby się na „przewidywaniu” wyników leczenia i progresji choroby. Modele dla tych zadań mają teraz dokładność około 70 procent, czekamy na lepsze prognozy w przyszłości.
Michael D. Abramoff
Teoretyczne wyzwania, które widzę: w opiece zdrowotnej dane treningowe zawsze będą skąpe, więc jak możemy zbudować sztuczną inteligencję, która wykorzystuje ograniczone ilości danych treningowych i jak korzystamy z serwerów proxy w warunkach głębokiego uczenia? W jakich warunkach sztuczną inteligencję można zmienić „w pewnym stopniu” bez konieczności pełnej (i często kosztownej) walidacji? Musimy być w stanie dowiedzieć się, w jaki sposób rozszerzamy refundację sztucznej inteligencji, która spełnia niektóre, ale nie wszystkie, powyższe kryteria oraz jak radzimy sobie z utratą informacji, która wiąże się z wielokrotnym badaniem istniejących zestawów danych, takich jak drogi zestaw danych walidacyjnych. Przewiduję, że praktyczne wyzwania obejmują między innymi: potrzebę lepszej edukacji i przyjęcia wysoce zwalidowanych systemów sztucznej inteligencji, które są zintegrowane z systemami organizacji pracy medycznej i podlegają zrównoważonej refundacji. Sztuczna inteligencja w opiece zdrowotnej musi koncentrować się na rozwiązaniach, które przynoszą największe korzyści pacjentom. W jaki sposób regulujemy lokalne AI, które są bezpieczne i skuteczne w niektórych subpopulacjach, ale nie w innych? Chociaż mogą istnieć technologie sztucznej inteligencji, które brzmią ekscytująco, jeśli nie wpływają pozytywnie na wyniki pacjentów, nie przyniosą one żadnych realnych korzyści opiece zdrowotnej i mogą spowolnić wdrażanie rozwiązań mających pozytywny wpływ. Oczywiście wszystko to zależy od posiadania dostępu do odpowiednio zróżnicowanych i wiarygodnych zbiorów danych, na podstawie których można szkolić nowe systemy AI.
Co musisz wiedzieć o AutoML…
Tomasz Krzywicki, Informatyk, Uniwersytet Warmińsko-Mazurski, Olsztyn, Polska
Co to jest AutoML i jak można z niego korzystać?
AutoML to rodzaj oprogramowania lub usług w chmurach obliczeniowych, które mają na celu automatyczne wytwarzanie modeli predykcyjnych rozwiązujących pewne problemy na podstawie przekazanego zbioru danych. W celu skorzystania z narzędzi AutoML wystarczy jedynie dostęp do komputera wraz zainstalowanym odpowiednim oprogramowaniem lub dostęp do chmury obliczeniowej oferującej usługi AutoML. Należy również pamiętać o posiadaniu prawidłowo oznaczonego zbioru danych pod kątem rozwiązania zadanego problemu. Użycie tych narzędzi sprowadza się jedynie do wskazania danych oraz uruchomienia procesu poszukiwania optymalnych architektur modeli, który może być długotrwały. Po wykazaniu się odrobiną cierpliwości wytworzony model jest gotowy do wykorzystania w dowolnej formie, np. wdrożenia w innej usłudze serwerowej lub na dowolnym urządzeniu oraz analizy metryk predykcji przygotowanych za pomocą narzędzi AutoML.