Συστήματα τεχνητής νοημοσύνης στην διάγνωση και θεραπεία του καρκίνου

Abstract

Η τεχνητή νοημοσύνη (ΑΙ) και ειδικότερα ο τομέας της που αφορά στην βαθιά μάθηση μεταξύ άλλων βρίσκει ευρεία εφαρμογή στην ιατρική και ειδικότερα στην παθολογοανατομία. Σκοπός της εργασίας είναι να αναδείξει την εφαρμογή της στον τομέα αυτό και ως μεθοδολογία βασίζεται στην βιβλιογραφική κριτική ανασκόπηση. Τα αποτελέσματα της έρευνας δείχνουν ότι στράφηκε η διάγνωση στην τεχνολογία της ΑΙ γιατί αφενός μεν γιατί η αύξηση των περιστατικών καρκίνου και η θνησιμότητα ήταν μεγάλη και αφετέρου η τεχνολογία της ΑΙ ήταν ελπιδοφόρα. Η έρευνα εστιάζεται και αφορά στη συμβολή της τεχνολογίας και ως εκ τούτου αντιμετώπισε προβλήματα και περιορισμούς που αφορούν στο ιατρικό μέρος της. Για παράδειγμα αντιμετωπίστηκαν ασάφειες σχετικά με περιγραφές μεθόδων, διακρίσεις μεταξύ στρατηγικών και τεκμηριωμένων παρεμβάσεων, τακτικές αξιολόγησης αποτελέσματος καθώς και απροσδιόριστο επίπεδο για το χαρακτηρισμό της επιτυχίας. Η εργασία συστηματοποιεί και οργανώνει την υφιστάμενη γνώση και εμπειρία με στόχο η τεχνητή νοημοσύνη να βοηθήσει στον τομέα της διάγνωσης και κατηγοριοποίησης του καρκίνου με ταχύτερα τρόπο και με διαρκώς αυξανόμενο ποσοστό επιτυχίας αποτελεσμάτων.-------------------------------------------------------- Artificial intelligence (AI) and in particular its field related to deep learning among others finds wide application in medicine and especially in pathology. The purpose of the work is to highlight its application in this field and as a methodology it is based on the bibliographic critical review. The research results show that diagnosis turned to AI technology because, on the one hand, the increase in cancer incidence and mortality was high, and on the other hand, AI technology was promising. The research focuses and concerns the contribution of technology and therefore faced problems and limitations related to its medical part. For example, ambiguities regarding method descriptions, distinctions between strategic and evidence-based interventions, outcome evaluation tactics, and an unspecified standard for characterizing success were addressed. The work systematizes and organizes existing knowledge and experience with the goal of artificial intelligence helping the field of cancer diagnosis and categorization in a faster way and with an ever-increasing success rate of results.