Temat numeru

Sztuczna inteligencja wkracza do położnictwa

Melissa S. Wong, MD1,2

Adam Lewkowitz, MD, MPHS3

1Division of Maternal-Fetal Medicine, Cedars-Sinai Medical Center w Los Angeles

2National Institutes of Health’s Office of Research, Women’s Health

3Maternal-Fetal Medicine Program, Warren Alpert Medical School of Brown University w Providence

Contemporary OB/GYN 2023;68(6):7-10

  • Sztuczna inteligencja – czym właściwie jest?
  • Wykorzystywanie sztucznej inteligencji w ultrasonografii położniczej, do interpretacji tętna płodu oraz w przewidywaniu niekorzystnych wyników badań klinicznych
  • Szanse i zagrożenia związane z zastosowaniem sztucznej inteligencji w opiece okołoporodowej

ChatGPT, nowa forma generatywnej sztucznej inteligencji (AI – artificial intelligence), która może tworzyć nowe produkty z wykorzystaniem wcześniejszych danych treningowych, została wprowadzona na rynek w listopadzie 2022 roku. Od tego czasu ChatGPT szturmem podbił świat edukacji medycznej dzięki swojej zdolności sporządzania opinii do ubezpieczyciela, zdawania egzaminu specjalizacyjnego z medycyny w Stanach Zjednoczonych oraz tworzenia fikcyjnych, ale realistycznych zdjęć rentgenowskich klatki piersiowej. ChatGPT potrafi również generować abstrakty naukowe, które wprowadzają w błąd redaktorów czasopism naukowych1. Wielu z nas polega już na sztucznej inteligencji, gdy korzystamy z inteligentnych urządzeń domowych, oprogramowania nawigacyjnego w czasie rzeczywistym lub rekomendacji zakupów online. Sztuczna inteligencja poczyniła podobne postępy w medycynie, ale możemy być mniej świadomi tego, w jaki sposób stała się integralną częścią praktyki klinicznej, a także dużego prawdopodobieństwa, że w medycynie klinicznej będziemy coraz bardziej polegać na tej nowoczesnej technologii.

Sztuczna inteligencja jest powszechnie definiowana jako teoria i rozwój systemów komputerowych zdolnych do wykonywania zadań, które zwykle wymagają ludzkiej inteligencji2. Podzbiorem sztucznej inteligencji jest uczenie maszynowe, które polega na tym, że komputer uczy się samodzielnie, a nie na podstawie określonych reguł. Uczenie maszynowe następnie dzieli się na:

  • uczenie nadzorowane, w którym etykiety docelowe są z góry określone
  • uczenie nienadzorowane, w którym etykiety docelowe nie są zdefiniowane, powszechnie stosowane do grupowania (klasteryzacji, klastrowania), np. w rozpoznawaniu pisma ręcznego
  • uczenie ze wzmocnieniem, które opisuje iteracyjny proces uczenia się maszyny na podstawie wcześniejszych błędów.

Wszystkie te podtypy uczenia maszynowego łączy koncepcja sieci neuronowych. Najpierw analizują one zmienne predykcyjne, następnie zmieniają dane wyjściowe za pomocą funkcji aktywacji, a ostatecznie generują prognozy, których względna dokładność jest przekazywana z powrotem do sieci w celu nauki w następnym cyklu, tak jak robi to prawdziwy neuron (ryc. 1).

Pełna wersja artykułu omawia następujące zagadnienia:

Sztuczna inteligencja w położnictwie

W artykule przeglądowym zatytułowanym „Introduction to artificial intelligence in ultrasound imaging in obstetrics and gynecology” Lior Drukker opisał kilka potencjalnych zastosowań [...]

Do góry