วิมิพัฒนาแอลกอริทึมเรียนรู้ทั่วไปของออโต-เอไอเอกซ์

กรุงเทพฯ, วันที่ 15 สิงหาคม 2566 — WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” หรือ “บริษัท”) ผู้ให้บริการเทคโนโลยีฮอโลแกรมเสริมความเป็นจริง (AR) ระดับโลกชั้นนํา ประกาศวันนี้ว่า ได้พัฒนาแอลกอริทึมเรียนรู้แบบทั่วไปสําหรับการวิเคราะห์ภาพเอกซเรย์ โดยตั้งชื่อว่า Automatic Artificial Intelligence X-ray Image Analysis (Auto-AIX)

การวิเคราะห์ภาพเอกซเรย์เป็นกระบวนการซับซ้อนที่เกี่ยวข้องกับการตรวจจับลักษณะต่างๆ เช่น ความหนาแน่นของกระดูก รูปร่างของอวัยวะ และความหนาแน่นของเนื้อเยื่อ โดยปกติกระบวนการนี้จะทําโดยแพทย์ผู้เชี่ยวชาญที่ใช้ความรู้ความเชี่ยวชาญของตนในการระบุและวิเคราะห์ลักษณะต่างๆ แต่วิธีนี้ใช้เวลานานและอาจมีข้อผิดพลาดจากมนุษย์ที่นําไปสู่การวินิจฉัยผิดและผลการรักษาที่ไม่ดี

WiMi ได้ศึกษาการใช้แอลกอริทึมปัญญาประดิษฐ์เพื่ออัตโนมัติกระบวนการวิเคราะห์ภาพเอกซเรย์ โดยแอลกอริทึมเหล่านี้ถูกออกแบบมาเพื่อเรียนรู้จากฐานข้อมูลภาพเอกซเรย์จํานวนมากและสามารถระบุรูปแบบและลักษณะที่มนุษย์ไม่สามารถตรวจจับได้ การอัตโนมัติกระบวนการวิเคราะห์ภาพเอกซเรย์นี้มีศักยภาพในการเพิ่มความเร็วและความแม่นยําของการวินิจฉัยและลดภาระงานของบุคลากรทางการแพทย์

WiMi ได้พัฒนาแอลกอริทึมเรียนรู้แบบทั่วไปสําหรับการวิเคราะห์ภาพเอกซเรย์ที่ออกแบบมาเพื่อเรียนรู้จากฐานข้อมูลภาพเอกซเรย์ที่หลากหลายเพื่อให้เหมาะสมกับการใช้งานในโลกจริง โดยอัลกอริทึมนี้พัฒนามาจากโครงสร้างเครือข่ายประสาทเทียมที่ฝึกฝนด้วยฐานข้อมูลภาพเอกซเรย์จํานวนมากและหลากหลาย อัลกอริทึมนี้ออกแบบให้สามารถทํางานได้บนแพลตฟอร์มฮาร์ดแวร์ต่างๆ ตั้งแต่ CPU ธรรมดาไปจนถึง GPU ความเร็วสูง ซึ่งทําให้สามารถนําไปใช้งานในสภาพแวดล้อมจริงได้

Auto-AIX ประกอบด้วยการรวบรวมข้อมูล การสร้างข้อมูล และการแปลความหมายข้อมูลด้วยแอลกอริทึมเรียนรู้แบบทั่วไป การรวบรวมและสร้างข้อมูลเป็นสิ่งสําคัญต่อการสร้างโมเดลเดียนปัญญาประดิษฐ์ ในสาขาการถ่ายภาพทางการแพทย์ การใช้ข้อมูลจริงต้องเผชิญข้อจํากัดด้านความเป็นส่วนตัวของผู้ป่วย และ Auto-AIX ได้แก้ไขปัญหานี้โดยใช้ข้อมูลสังเคราะห์ซึ่งสร้างขึ้นจากคอมพิวเตอร์

ใน Auto-AIX ขั้นแรกในการสร้างข้อมูลสังเคราะห์คือการสร้างแบบจําลองทางการแพทย์ โดยสามารถใช้ CT scan หรือเครื่องมือผ่าตัดมาสร้างแบบจําลอง จากนั้นนําแบบจําลองมาเพิ่มความสุ่มเสี่ยงและความแปรปรวนเพื่อสร้างตัวอย่างต่างๆ ที่ครอบคลุมสถานการณ์ต่างๆที่อาจเกิดขึ้นจริง จากนั้นทําการแปลความหมายข้อมูลโดยการติดป้ายข้อมูลลักษณะและโรคต่างๆ การติดป้ายข้อมูลสามารถทําได้อัตโนมัติและนําไปใช้กับข้อมูลสังเคราะห์อื่นๆ ซึ่งช่วยประหยัดเวลาและต้นทุน

Auto-AIX ใช้แอลกอริทึมเรียนรู้แบบทั่วไปเพื่อสร้างโมเดลเดียนปัญญาประดิษฐ์ ความได้เปรียบของแอลกอริทึมนี้คือสามารถฝึกฝนได้ด้วยข้อมูลสังเคราะห์จํานวนมากโดยไม่ต้องอาศัยข้อมูลจริงจํานวนมาก ซึ่งหมายความว่า Auto-AIX สามารถสร้างโมเดลปัญญาประดิษฐ์ที่มีประสิทธิภาพแม้จะ