A számítógépes mélytanulási technológia várható megjelenése a hazai mammográfiában = Potential applications of deep learning-based technologies in Hungarian mammography

Ribli, Dezső and Zsuppán, Richárd and Pollner, Péter and Horváth, Anna and Bánsághi, Zoltán and Csabai, István and Bérczi, Viktor and Unger, Zsuzsa (2019) A számítógépes mélytanulási technológia várható megjelenése a hazai mammográfiában = Potential applications of deep learning-based technologies in Hungarian mammography. Orvosi Hetilap, 160 (4). pp. 138-143. ISSN 0030-6002

Preview

Text 650.2019.31263.pdf Download (405kB) | Preview

Abstract

Absztrakt: Bevezetés és célkitűzés: A számítógépes ’mélytanulás’ (deep learning) az elmúlt két évtized számítástechnikai fejlődésének legjelentősebb ajándéka. A számítógépes mélytanulásban rejlő – egyelőre még beláthatatlan – lehetőségek megértése, befogadása és alkalmazása a medicina megkerülhetetlen feladata. Módszer: Ajándék és feladat, hiszen az exponenciálisan növekvő adatok (képalkotó vizsgálati, laboratóriumi, terápiaválasztási lehetőségek, terápia-kölcsönhatások stb.) „bitjeinek” tengerében minden vágyunk és deklarációnk ellenére mind kevésbé tudjuk a személyre és állapotra, a tumorra és környezetére szabott individuális ellátást megvalósítani. Eredmények: A jelen pillanatban felelős ellátóként – és nem kevésbé felelős finanszírozóként – azt élhetjük meg, hogy egyéni és közösségi szinten is szuboptimális folyamatokat tartunk fenn, aminek oka egyszerre az adatok bősége, ugyanakkor az ellátáshoz individuálisan fontos adatok hiánya. A számítógépes mélytanulás, a medicina lényegét adó ember–ember közti találkozás gyógyító erejét nem csorbítva – hanem inkább kiterjesztve –, ebben kínál fényt az alagútban. Következtetés: Belátva tehát saját adatintegrációs és ismereti korlátainkat, nekünk, orvosoknak és ellátásfinanszírozóknak – sajátos előítéleteinket és félelmeinket feladva – kell megtanulni a számítógépes mélytanulásban rejlő különleges lehetőségeket, melyek nemcsak a képalkotó diagnosztikában, hanem már napi realitásként a terápia területén is használhatók (immunterápia). A közlemény ehhez igyekszik kedvet csinálni. Orv Hetil. 2019; 160(4): 138–143. | Abstract: Introduction and aim: The technology, named ‘deep learning’ is the promising result of the last two decades of development in computer science. It poses an unavoidable challenge for medicine, how to understand, apply and adopt the – today not fully explored – possibilities that have become available by these new methods. Method: It is a gift and a mission, since the exponentially growing volume of raw data (from imaging, laboratory, therapy diagnostics or therapy interactions, etc.) did not solve until now our wished and aimed goal to treat patients according to their personal status and setting or specific to their tumor and disease. Results: Currently, as a responsible health care provider and financier, we face the problem of supporting suboptimal procedures and protocols either at individual or at community level. The problem roots in the overwhelming amount of data and, at the same time, the lack of targeted information for treatment. We expect from the deep learning technology an aid which helps to reinforce and extend the human–human cooperations in patient–doctor visits. We expect that computers take over the tedious work allowing to revive the core of healing medicine: the insightful meeting and discussion between patients and medical experts. Conclusion: We should learn the revelational possibilities of deep learning techniques that can help to overcome our recognized finite capacities in data processing and integration. If we, doctors and health care providers or decision makers, are able to abandon our fears and prejudices, then we can utilize this new tool not only in imaging diagnostics but also for daily therapies (e.g., immune therapy). The paper aims to make a great mind to do this. Orv Hetil. 2019; 160(4): 138–143.

Actions (login required)

Edit Item