Bao Ngoc Huynhs doktorgradsarbeid viser at dyplæring kan tilby automatisk diagnostikk innen både human- og veterinærmedisin, som er både rask og tolkbar for klinikere.
I sin doktorgradsavhandling ved NMBU, har Bao Ngoc Huynh forsket på bruken av dyplæring i medisinsk diagnostikk. Mengden medisinske data som samles inn under pasientundersøkelser øker raskt. Det er krevende for helsepersonell å holde tritt med, og behandle, all denne informasjonen. Dyplæring kan hjelpe helsepersonell ved å automatisere oppgaver som medisinsk bildeanalyse og prediksjon av behandlingsutfall. Slik kan legene konsentrere seg om mer komplekse tilfeller og om å gi pasientene bedre omsorg.
Huynh undersøkte flere arbeidsoppgaver som kan være tid- og arbeidskrevende og potensielt påvirket av små forskjeller i diagnostikk mellom klinikere. Oppgavene inkluderte automatisk segmentering av kreftsvulster hos både mennesker og hunder for planlegging av strålebehandling, prediksjon av behandlingsutfall for kreftpasienter og diagnostisering av albuedysplasi hos hunder.
Funnene viser at dyplæring har potensial til å forbedre helsetjenester ved å gi raskere diagnostikk, bedre behandlingsplanlegging og mindre forskjeller i tolkning av funn mellom leger. I tråd med andre studier på feltet viser også Huynhs forskning at dyplæringsmodeller kan oppnå ytelsesnivåer som er sammenlignbare med menneskelige eksperter, noe som kan føre til mer effektiv og konsistent diagnostikk.
Modellene må forbedres før de kan tas i bruk i helsevesenet
Det er imidlertid utfordringer knyttet til bruk av dyplæring i helsevesenet. Særlig gjelder det risikoen for betydelige feil. I tillegg må modellens åpenhet og pålitelighet bli bedre for at medisinske fagpersoner skal ha tillit til modellene. Huynh tok også for seg andre utfordringer, som små datasett, datavariabilitet og lav datakvalitet.
Hun undersøkte ulike strategier for å forbedre modellens ytelse og pålitelighet, slik at den kan brukes i klinisk praksis. Disse strategiene omfattet ulike teknikker for forbehandling og augmentering av data, overføringslæring, forklarbar kunstig intelligens og metoder for kvalitetssikring.
Huynhs forskning tar for seg utfordringer fra den virkelige verden og utgjør et betydelig bidrag til forskningsfeltet om medisinske anvendelser av dyplæring. Forskningen bidrar til vår forståelse av hvordan dyplæring kan brukes til medisinsk bildeanalyse, og viser styrker og begrensninger ved disse modellene og hvordan de kan forbedres ytterligere.
I helsevesenet kan disse fremskrittene automatisere oppgaver og forbedre nøyaktigheten innen diagnostikk, noe som vil føre til bedre og raskere pasientbehandling. Selv om avhandlingen bekrefter potensialet til dyplæring, trengs det mer forskning før disse modellene kan implementeres i stor skala på sykehus. Det er også viktig å huske at dyplæring er et verktøy utviklet for å støtte helsepersonell, ikke erstatte dem.
Bao Ngoc Huynh forsvarer sin doktorgradsavhandling "Anvendelser av dyplæring for analyse av medisinske data" fredag 8. november 2024. Se disputasoppslaget her.