Te ie research keek Raumanns zoals den optie voordat ie verwedden van machine learning algoritmen wegens verschillende typen huidlaesies (huidafwijkingen) nauwkeurig te thuisbrengen. Den potentie van AI, of kunstmatige slimheid, is vitaal. Ie wordt bijvoorbeeld nu ingezet voordat den diagnose van prostaatkanker plus ie creëren van den uiterst optimale behandelplannen. Tijdens zijn onderzoek stuitte Raumanns zowel op eentje restrictie: Explainable AI.
“Medici willen hun diagnoses kunnen uitleggen aan collega’s plus patiënten. Met eentje algoritme ontbreekt diegene ‘uitlegbaarheid’ plus daarom blijft diegene potentie ligt.” Ie is uitdrukkelijk zowel noch den bedoeling dat AI den taak van eentje medische expert overneemt: “AI vermag intact veel routinewerk verzetten plus ermee den expert ondersteunen. Daarvoor moeten den AI ‘explainable’ wordt, plus dat is eentje doorslaggevend mikpunt [RR2] van mijn research”, aldus den Fontysonderzoeker.
Explainable AI research
Den vraag is nu hoe den ‘uitlegbaarheid’ van ‘Explainable AI’ er dan uit ziet. Te dit geval gaat ie overheen hints, zo stelt Raumanns. “Watten wij gewoontes zijn hints, dat zijn visuele kenmerken diegene artsen ter den praktijk zowel gewoontes ter eentje diagnose. Honingbij huidlaesies moeten jou dan denken aan den mate van asymmetrie, den vorm van den zoom plus den kleur van eentje laesie. Dit maakt ie voordat den geneesheer uitlegbaar.”
Voordat ie trainen van ie AI-model heeft Raumanns gewoonte vervaardigd van dit kenmerken. Zo is den show verbeterd waardoor ie proefje nauwkeuriger wordt. Daarvoor moest den tester welnu iets unieks doet. Voordat den training van ie proefje gebruikte hij beeldensets diegene voorzien werden van op visuele kenmerken gebaseerde annotaties. Daarvoor werden geen experts tweedehands, maar crowdsourcing. “Duizenden beeldhouwwerken toestaan annoteren vanwege artsen is noch realiseerbaar, dus hebben wij crowdworkers plus studenten ingezet wegens beeldhouwwerken van annotaties voorzien diegene werkbaar zijn voordat onzerzijds mikpunt”, aldus Raumanns.
State-of-the-art deep learning
Voordat den ontleden van den medische beeldhouwwerken is ter ie research gewoonte vervaardigd van convolutional neural networks (CNN). Dit is eentje state-of-the-art deep learning toepassing voordat beeldanalyse. Additionele annotaties, ter dit toepassing van machine of deep learning, betekent ie scoren van beeldhouwwerken op asymmetrie, zoom plus kleur. Ermee vermag overfitting huis voorkomen wordt.
“Overfitting betekent dat ie proefje op poot van onjuiste kenmerken gevolgtrekkingen gaat voorttrekken. Dat vermag ter ie geval van dit trainingsset bijvoorbeeld den nabijheid van eentje notitie van den geneesheer zijn op ie beeld, waardoor ie proefje aanneemt dat hier iets verdachts te zien is op den vel. Jij wilt dat ie proefje leert abstraheren plus op poot van den juiste kenmerken gevolgtrekkingen trekt. Handmatige annotaties zijn dan essentieel wegens ie proefje voorts te trainen. Noch louter promoten diegene annotaties wegens ie proefje den juiste hints te toestaan geven, ie maakt den ontleden zowel vele malen efficiënter”, vertelt Raumanns.
Ie project is nog noch klaar. Te eentje volgende ontwikkelingsstadium gaan den onderzoekers loeren zoals ie toepassen van ie algoritme op beeldhouwwerken van longen. Daarnaast is Raumanss geïnteresseerd ter ie onderzoeken van eventuele bias ter den datasets. “Wij hebben natuurlijk eentje beperkte dataset tweedehands wegens ie proefje te toetsen. Zit ginds eentje bias ter qua ouderdom plus gender? Plusteken doet ie proefje dan watten wij denken watten ie doet op eentje andere set? Er is nog toereikend te doet.”
Gewaardeerd research
Den onderzoekspaper van Raumanns plus zijn coauteurs worden beloond met den MELBA (Machine Learning for Biomedial Imaging) lezersprijs. Binnenshuis ie vakgebied wordt met name ie pionierswerk plus den originaliteit van ie research zeer gewaardeerd.
“Dit research geven eentje nieuwe impuls aan ie vakgebied plus zet belangrijke stappen zoals eentje ‘Explainable AI’ plus dus weg van den black opbergruimte. Natuurlijk zitten er tekenhaken plus ogen aan den technologie ter concrete toepassing, maar wij zien ie vooral mits ‘assistant technologie’, geen maker van beslissingen. Ie vermag veel werkgelegenheid ter den zorg opvangen, maar zowel is ie smaakvol dat ie crowdsourcen zowel werkgelegenheid oplevert”, gevolgtrekking Raumanss.