Dynamo nr. 66

Page 25

KUNSTIG INTELLIGENS

DYNAMO

NR. 66

09

2021

25

Kunstig intelligens, machine learning og deep learning

Normalt sidder Josefine Vilsbøll Sundgaard (th.) foran computer­ skærmen som led i sin forskning. Til ære for Dynamo bliver hendes øre i stedet undersøgt af Lisbeth Birkelund Simonsen, der er Research Audiologist hos Interacoustics Research Unit.

fra kendetegn på trommehinden kan sige, om der er brug for behandling. Modellen er lige så god som de bedste ørelæger og langt bedre end læger, der kun lejlighedsvis behandler børn med øresmerter. 1.336 billeder af trommehinder Projektet er et samarbejde med Interacoustics Research Unit, som ligger på DTU og er en del af selskabet

Interacoustics, der er verdensførende inden for audiologisk udstyr. En af verdens førende ørelæger, dr. Yosuke Kamide fra Japan, har lånt Josefine Vilsbøll Sundgaard 1.336 billeder af trommehinder, hvor han har mærket billederne med, om det er raske ører, behandlingskrævende eller ikkebehandlingskrævende mellemørebetændelse. Det smarte ved deep learning er, at det ikke kræver andet input end træningsdata (billeder og diagnose til hvert billede). Den matematiske model lærer herefter selv at identificere mønstre i datasættet, uden at man skal definere, hvor den skal lede efter disse mønstre. Og ved fejl kører modellen billederne ’baglæns’ i sit netværk og ser på de ting, den har tolket forkert. ”Det kan være, at modellen har fundet andre kendetegn i billederne end dem, lægerne ser eller bruger, og koblet dem sammen. Og på den måde har modellen lært at stille diagnoser ud fra mønstergenkendelse,” siger Josefine Vilsbøll Sundgaard. Til sidst har Josefine Vilsbøll Sundgaard undersøgt, om modellen er i stand til at lave en automatisk diagnosticering på nye billeder, modellen ikke har set før. Det er den. Modellen diagnosticerer korrekt på 85 pct. af

Det Etiske Råd definerer kunstig intelligens, ofte bare kaldet AI (Artificial Intelligence), som maskiner, ”der er i stand til at overveje, lære og tage beslutninger på samme niveau som et menneske”. Kunstig intelligens er et samlet begreb, der dækker over flere metoder. En af metoderne er machine learning, og den nyeste og mest avancerede brug af machine learning kaldes deep learning. Deep learning er baseret på neurale netværk, som er en matematisk model, hvor modellen selv ud fra et givet datasæt kan lære at klassificere f.eks. billeder. Fordi man anvender data, kaldes det for en datadrevet model. Gennem en træningsproces lærer det neurale netværk, hvordan data skal analyseres. I træningsprocessen bliver det neurale netværk præsenteret for alle billeder i træningsdatasættet og forsøger at klassificere hvert enkelt billede. Ved at sammenligne outputtet fra netværket med ’ground truth’ (her dr. Kamides diagnose af hver patient) får modellen mulighed for at forbedre klassifikationen af de billeder, der er forkerte. Ved hjælp af de mange gentagelser lærer netværket, hvilke mønstre i dataene der kan bruges til at klassificere billederne korrekt. Når modellen er trænet, kan den bruges til at lave forudsigelser på ny data, som modellen ikke har trænet på.

billederne. Det er langt bedre end f.eks. børnelæger og på linje med de bedste ørelægers diagnoser. Studier har tidligere vist, at almindelige børnelæger kun stiller den rette diagnose på 50 pct. af patienterne, familielæger er sikre i 67 pct. af tilfældene, mens øre-, næse- og halslæger vurderer 75 pct. rigtigt. DTU og Interacoustics er ikke de første, der anvender deep learning til