Episode 2199 - July 1 - Phần 2 của 3 - Chương 1 - Trí tuệ Nhân tạo và Y học - AI và X-quang - Vina Technology at AI time - Lê Quang Văn | Podcast - Nhac.vn
Chương 1 - Trí tuệ Nhân tạo và Y học - Bức tranh toàn cảnh – Phần 2 của 3
Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.
Nguyên bản Anh ngữ: AI for Radiology (AI cho X quang), thuộc nhóm AI for Everything (AI cho mọi đề tài)
Tác giả: Oge Marques, PhD.
Nhà xuất bản: CRC Press 2024
1.2.2 Tác nhân và Môi trường
Theo Russell và Norvig, [M]ột tác nhân là bất cứ thứ gì có thể được xem như là nhận thức môi trường của nó thông qua các cảm biến và hành động lên môi trường đó thông qua các bộ chấp hành. Đối với mỗi chuỗi cảm nhận có thể có, một tác nhân hợp lý nên: chọn một hành động được dự đoán là tối đa hóa thước đo hiệu suất của nó, dựa trên các bằng chứng do chuỗi cảm nhận cung cấp và bất kỳ kiến thức nào tích hợp sẵn mà tác nhân có.
Hình 1.1 cho thấy cách các tác nhân hợp lý tương tác với môi trường của chúng. Hộp có dấu hỏi là nơi "phép thuật xảy ra": nó đại diện cho các thuật toán thông minh có khả năng xử lý dữ liệu cảm biến (đầu vào thô) và tạo ra các quyết định sẽ dẫn đến các hành động trong môi trường.
Sơ đồ này đủ tổng quát để được sử dụng cho các kịch bản khác nhau, từ trò chơi đơn giản như cờ caro (nơi môi trường hoàn toàn có thể quan sát được, tĩnh và rời rạc; đầu vào là trạng thái hiện tại của bàn cờ; hành động là chơi một "X" hoặc "O" vào ô trống; và thuật toán có thể đơn giản như một cây trò chơi), đến thế giới phức tạp của các phương tiện tự hành (nơi môi trường chỉ có thể quan sát một phần, động và liên tục; đầu vào bao gồm đại diện của một thế giới ba chiều (3D) phong phú và sôi động của xe cộ, người đi bộ, biển báo giao thông, vạch đường và nhiều hơn nữa, thông qua nhiều cảm biến tạo ra lượng lớn dữ liệu thô ở các chế độ khác nhau - chẳng hạn như radar, lidar, điểm ảnh camera; hành động có thể bao gồm phanh, quay đầu, v.v.; và thuật toán phải cực kỳ phức tạp, yêu cầu nhiều khối phụ để xử lý các nhiệm vụ chuyên môn - từ tái tạo 3D của thế giới đến lập kế hoạch đường đi).
Trong bối cảnh chăm sóc sức khỏe, sơ đồ trong Hình 1.1 cũng có thể hữu ích để hiểu mô hình gần đây được đề xuất cho một "huấn luyện viên y tế ảo" mà nhận thức một lượng lớn dữ liệu liên quan đến một bệnh nhân - từ gen học đến lịch sử y tế, từ các chỉ số hoạt động thể chất và giấc ngủ được ghi lại bởi đồng hồ thông minh hoặc các thiết bị tương đương đến những tiến bộ được báo cáo trong tài liệu y khoa có thể liên quan đến trường hợp hiện tại - đưa dữ liệu này vào một giải pháp AI học sâu và tạo ra "hướng dẫn sức khỏe ảo" cá nhân hóa tại đầu ra.
1.2.3 AI và Học Sâu
Trước khi chúng ta đi sâu vào học sâu, có vẻ thích hợp để thiết lập bối cảnh bằng cách giới thiệu ngắn gọn về học sâu trong khuôn khổ rộng hơn của AI hiện đại. Cuộc cách mạng AI hiện tại đang được thúc đẩy bởi lượng lớn dữ liệu và sức mạnh tính toán ngày càng tăng, với học sâu đóng vai trò trung tâm trong môi trường động này.
Nói một cách đơn giản nhất, học sâu là một kỹ thuật huấn luyện máy tính để bắt chước quá trình ra quyết định của bộ não con người. Học sâu là một nhánh của học máy, học máy là một nhánh của AI liên quan đến việc huấn luyện các thuật toán, hoặc bộ hướng dẫn, để học từ dữ liệu và đưa ra dự đoán hoặc quyết định mà không cần được lập trình cụ thể. Học sâu đưa khái niệm này đi xa hơn bằng cách tạo ra các mạng nơ-ron sâu - những "bộ não nhân tạo" nhiều lớp - học cách nhận diện các mẫu và giải thích dữ liệu bằng cách huấn luyện trên lượng thông tin khổng lồ.
Hãy tưởng tượng một mạng nơ-ron sâu như một mạng lưới phức tạp của các điểm kết nối, tương tự như các nơ-ron trong bộ não của chúng ta. Dữ liệu đầu vào di chuyển qua mạng lưới này và được xử lý tại nhiều lớp, mỗi lớp học cách nhận ra các tính năng phức tạp hơn. Cuối cùng, mạng lưới tạo ra một đầu ra, có thể là bất cứ thứ gì từ gợi ý cho một sản phẩm đến chẩn đoán một tình trạng y tế.
Trong bối cảnh hiện đại, AI đã phát triển thành việc thu thập và tận dụng một tập dữ liệu rộng lớn để huấn luyện và tinh chỉnh các mạng nơ-ron sâu này. Mục tiêu là cho phép các mạng lưới này đưa ra dự đoán, giải quyết vấn đề
