Die Interaktion zwischen Mensch und Maschine ermöglicht die Entwicklung hochpräziser Entscheidungssysteme

Kredit: CC0 Public Domain

Maschinen können trainiert werden, Bilder zu klassifizieren und so Tumore in CT-Scans, Mineralzusammensetzungen in Gesteinen oder Pathologien in optischen Mikroskopanalysen zu identifizieren. Diese Technik der künstlichen Intelligenz wird als maschinelles Lernen bezeichnet und hat in den letzten Jahren neue Anwendungen gefunden.

Das maschinelle Training erfolgt über die Wiederholung von Bildern, die als Beispiele für einen bestimmten Kontext oder eine bestimmte Situation verwendet werden, und die angemessene Aufbereitung dieses Materials erfordert den Einsatz von Experten aus verschiedenen Bereichen.

“Die menschlichen Koordinaten [the training]Ohne ein Spezialist, der den Trainingsprozess kontrolliert, würde die Maschine lernen, Entscheidungen auf der Grundlage von Merkmalen des Bildes zu treffen, die nicht mit dem Zielproblem in Zusammenhang stehen. Dies erzeugt ein schlechtes Ergebnis oder beschränkt sich auf die Datenbank, in der die Maschine trainiert wurde. Wenn sich die Datenbank ändert, nehmen die Fehler erheblich zu, was die Maschinenanalyse unzuverlässig macht”, sagte Alexandre Xavier Falc茫o vom Institut für Informatik der Universität Campinas (UNICAMP) in einem Vortrag auf der FAPESP Week France.

Falc茫o kombiniert Informatik und andere Wissensgebiete basierend auf Machine-Learning-Projekten in einer Forschungslinie, die die Mensch-Maschine-Interaktion bei der Entscheidungsfindung untersucht.

Automatisierung der Parasitenerkennung

Eines der von Falc茫o geleiteten und auf der FAPESP Week France vorgestellten Projekte zielt darauf ab, den Parasitennachweis in Stuhlanalysen zu automatisieren. Die Forschung wurde über eine Partnerschaft zwischen Immunocamp (einem auf Krankenhausprodukte spezialisierten Unternehmen mit Sitz in Campinas) und Forschern der Institute of Computing and Chemistry von UNICAMP sowie der School of Medical Sciences derselben Universität durchgeführt.

Das interdisziplinäre Team hat eine Maschine entwickelt, die in der Lage ist, die 15 am häufigsten vorkommenden Parasitenarten, die den Menschen in Brasilien infizieren, zu identifizieren.

Die Machine-Learning-Technik zeigte eine Effizienz von über 90 Prozent, die weit über den herkömmlichen Analysen des Menschen durch visuelle Analyse von optischen Mikroskopie-Objektträgern liegt, deren Raten zwischen 48 Prozent und maximal 76 Prozent schwanken. Das Gerät ist außerdem in der Lage, 2.000 Bilder in vier Minuten zu verarbeiten.

„Die Idee ist nicht, die Arbeit des Menschen zu ersetzen, nicht zuletzt, weil er die Maschinen trainieren muss, um mehr Parasitenarten zu identifizieren und die Diagnose der von der Maschine erkannten Krankheitserreger zu bestätigen, sondern um menschliche Ermüdung zu vermeiden und die Präzision der Ergebnisse zu erhöhen.“ ,” er sagte.

Eine der Innovationen des Teams von UNICAMP war ein System zur Abtrennung von Parasiten und Verunreinigungen nach dem Prinzip der Druckentspannungsflotation, mit dem optische Mikroskopie-Objektträger mit weniger Verunreinigungen erzeugt werden können.

Im datenwissenschaftlichen Teil ist die Maschine in der Lage, einen automatisierten Scan des Objektträgers durchzuführen und Parasiten zu erkennen, die in Bildern auf dem Computerbildschirm erscheinen. Dies war mithilfe von Rechentechniken möglich, die die Bildkomponenten trennen, um zu überprüfen und zu entscheiden, ob sie entweder mit Verunreinigungen oder einer der 15 parasitären Spezies zusammenhängen.

„Die Mensch-Maschine-Interaktion hat das Potenzial, den menschlichen Aufwand zu reduzieren und das Vertrauen in die algorithmische Entscheidung zu erhöhen. Unser Ansatz hat gezeigt, dass die Einbeziehung des Spezialisten in den Trainingszyklus zuverlässige Entscheidungssysteme auf Basis von Bildanalysen generiert.“

Zuverlässige Entscheidungssysteme

Ziel der Methodik ist es, den Aufwand des Spezialisten für eine großflächige Bildbeobachtung zu minimieren, um hochgenaue Entscheidungssysteme aufzubauen.

„Der klassische Ansatz, der voraufgezeichnete Beispiele und keine menschliche Interaktion während des Trainings verwendet, lässt verschiedene Fragen offen. Es sind wesentliche Fragen, wie zum Beispiel wie viele Beispiele die Maschinen zum Lernen benötigen oder wie die Entscheidungen der Maschine erklärt werden Methodik besteht darin, den Spezialisten in den Machine-Learning-Zyklus einzubeziehen, damit Fragen wie diese beantwortet werden“, sagte er.

Daher bestand die Strategie des Teams von Falc茫o zum Aufbau zuverlässiger Entscheidungssysteme darin, komplementäre Fähigkeiten zu erforschen. „Der Mensch ist in der Wissensabstraktion überlegen. Maschinen ermüden nicht und verarbeiten große Datenmengen besser. So wird der Aufwand des Spezialisten durch die Steuerung des Lernzyklus minimiert und die Entscheidungen der Maschinen erklärbar“, sagt er.


Leave a Comment