Penerapan konsep jaringan memudahkan tim medis untuk menetapkan deteksi penyakit yang diderita oleh pasien. Dengan 6 persen data, teknologi AI atau kecerdasan buatan membantu diagnois.
Penulis/editor: Rayendra L Toruan
mmINDUSTRI.co.id – Fraunhofer MEVIS (sumber): Bagaimana penerapan konsep jaringan dengan bantuan teknologi AI? Konsep jaringan berkaitan dengan teknologi informasi dan sistem yang menghubungkan berbagai perangkat komputer untuk berbagi data dan sumber daya. Jaringan ini bisa berupa jaringan lokal (LAN), jaringan area luas (WAN), bahkan jaringan global seperti internet.
Penerapan teknologi AI dalam konsep jaringan yang penggunaannya berbasis kecerdasan buatan AI bertujuan untuk meningkatkan kinerja, keamanan, dan efisiensi jaringan.
“Thank you for visiting mmindustri.co.id. Subscribe for the latest news and insight. Enter your email (Your email address will not be published)
Contohnya adalah AI digunakan untuk mengoptimalkan kinerja jaringan dengan menganalisis data trafik secara real-time. Dengan begitu pembuat keputusan secara otomatis mudah dilakukan agar tidak terjadi kemacetan seperti dilansir ratu.ai
Teknologi AI pun mudah mendeteksi ancaman keamanan dengan cepat melalui analisis pola dan anomali dalam data jaringan, dan AI membantu dalam pemeliharaan prediktif, mengidentifikasi potensi masalah sebelum terjadi dan mengurangi waktu henti laman ratu.ai melanjutkan.
“Kami sedang mengembangkan strategi pelatihan untuk AI dasar yang dimodelkan pada pelatihan yang dijalani oleh para ahli patologi. Mereka tidak perlu mempelajari kembali apa itu nukleus lagi dalam setiap kasus, Itu adalah pengetahuan buku teks.” ungkap Dr. Johannes Lotz, seorang ahli dari Fraunhofer MEVIS.
Nukleus atau inti sel merupakan organel yang terdapat dalam sel eukariotik yang berfungsi sebagai pusat pengendali seluruh aktivitas sel. Nukleus mengandung materi genetik berupa DNA yang mengatur pertumbuhan, pembelahan, dan diferensiasi sel. Struktur nukleus terdiri dari membran inti, nukleoplasma, kromatin, dan nukleolus
Setelah konsep-konsep jaringan mereka bahas dan dalami maka konsep-konsep tersebut dapat digunakan sebagai dasar dan dapat diterapkan pada berbagai penyakit demikian Dr. Johannes Lotz menambahkan.
Dengan cara yang hampir sama, model AI buatan mereka menjalani pelatihan dasar, mempelajari karakteristik umum dan hukum yang dikenal sebagai konsep jaringan yang terhimpun dari kumpulan luas gambar penampang jaringan yang dirancang untuk digunakan dalam berbagai tugas dan funsi atau peran.
Menggabungkan tugas-tugas itu menghasilkan sejumlah besar data yang diperlukan untuk melatih model AI besar yang tangguh. Konsep jaringan yang dipelajari kemudian diterapkan pada tugas tertentu dalam langkah kedua.
Dengan cara ini, algoritma dapat mengidentifikasi biomarker yang membedakan berbagai jenis tumor, misalnya—semuanya dengan data yang jauh lebih sedikit sehingga mudah melakukan diagnosis .
“Dalam solusi kami, setiap set data telah diberi anotasi oleh manusia yang terlatih khusus dengan informasi yang perlu dipelajari,” jelas Jan Raphael Schäfer, pakar AI di Fraunhofer MEVIS yang bekerja di tim Lotz.
“Kami memberikan model kami gambar dan memberikan jawaban pada saat yang sama. Dan kami melakukannya untuk berbagai tugas berbeda secara bersamaan, menggunakan pendekatan multitugas,” urai Jan Raphael Schäfer melanjutkan.
Penerapan konsep jaringan dengan HistokatFusion
Tim peneliti juga menggunakan metode registrasi gambar yang dikembangkan dengan HistokatFusion.
Peran utama HistokatFusion adalah untuk meningkatkan akurasi dan efisiensi dalam analisis gambar jaringan. Dengan menggabungkan berbagai gambar, teknologi ini dapat membantu dalam identifikasi biomarker yang penting untuk diagnosis dan pengobatan penyakit, termasuk kanker.
Selain itu, HistokatFusion telah terbukti cepat dan andal dalam penggunaan rutin, serta telah memenangkan penghargaan dalam tantangan internasional untuk registrasi gambar histologis demikian web Fraunhofer MEVIS.
Metode konsep jaringan memungkinkan untuk menghasilkan data pelatihan yang diberi anotasi secara otomatis dari studi jaringan seperti pewarnaan imunohistokimia, dengan demikian menggunakan antibodi yang ditandai untuk memvisualisasikan protein atau struktur lainnya.
Untuk melakukan ini, metode ini menggabungkan informasi dari berbagai gambar histopatologi. Para pakar menggabungkan anotasi yang dihasilkan secara otomatis ini ke dalam pelatihan model mereka, yang mempercepat pengumpulan data.
Hasil yang dicapai oleh para ahli termasuk luar biasa karena mereka mendapatkannua dengan hanya enam persen dari sumber daya yang digunakan.
Dibandingkan dengan model yang tidak melibatkan pelatihan terbimbing, pendekatan peneliti Fraunhofer mencapai hasil yang serupa hanya dengan enam persen data pelatihan.
“Karena jumlah data pelatihan dalam pembelajaran mendalam berkorelasi dengan upaya pelatihan dan daya pemrosesan, kami menemukan bahwa kami membutuhkan sekitar enam persen dari sumber daya yang biasanya diperlukan. Lebih jauh, kami hanya membutuhkan sekitar 160 jam pelatihan, yang merupakan faktor biaya yang krusial,” tutur Dr. Johannes Lotz, peneliti ahli dari Fraunhofer MEVIS.
Hal itu berarti demikian Dr. Johannes Lotz, pihaknya dapat melatih model yang setara dengan upaya yang jauh lebih sedikit.
Keikutsertaan para ahli Fraunhofer dalam kompetisi internasional SemiCOL (Pembelajaran terbimbing untuk deteksi kanker kolorektal) untuk klasifikasi dan segmentasi kanker menunjukkan seberapa baik model yang telah dilatih sebelumnya ini dapat digeneralisasi.
Tim memenangkan bagian klasifikasi dari tantangan tersebut tanpa harus melakukan penyesuaian yang mahal pada model mereka dan akhirnya berada di posisi kedua dari sembilan tim yang berpartisipasi.
Pengujian segmentasi gambar interaktif, di mana struktur jaringan secara otomatis dideteksi dan diukur dalam gambar, juga menunjukkan bahwa metode ini memiliki potensi yang besar.
Model tersebut hanya memerlukan beberapa bagian gambar contoh untuk memperluas konsep yang telah dipelajarinya. Namun, itu belum semuanya.
“Model yang didasarkan pada solusi kami memungkinkan pengembangan alat pelatihan AI medis interaktif baru yang memungkinkan spesialis berinteraksi langsung dengan solusi AI dan melatih model yang relevan dengan cepat, bahkan tanpa pengetahuan latar belakang teknis apa pun,” kata Jan Raphael Schäfer, pakar AI di Fraunhofer MEVIS yang bekerja di tim Lotz.
Para peneliti menerbitkan model yang telah dilatih sebelumnya dan kode untuk pembelajaran lebih lanjut di berbagai platform. Hal ini memungkinkan spesialis menggunakannya untuk tujuan nonkomersial, mengembangkan solusi mereka sendiri.
Tim peneliti juga bekerja sama dengan mitra klinis agar solusi tersebut disetujui untuk aplikasi medis dan memvalidasinya secara sistematis.
Para ahli di Fraunhofer MEVIS yakin bahwa begitu diterapkan dalam praktik klinis sehari-hari, sistem yang melibatkan model dasar mereka akan mengurangi beban kerja dalam patologi dan meningkatkan keberhasilan pengobatan dengan menerapkan konsep jaringan.
Dengan mengimplementasikan AI dalam manajemen jaringan, pihak terkait dapat meningkatkan kinerja dan keamanan jaringan mereka. AI membantu dalam pemeliharaan prediktif, mengidentifikasi potensi masalah sebelum terjadi dan mengurangi waktu henti.
Penggunaan teknologi ChatGPT bertujuan untuk menyediakan bantuan AI dalam berbagai konteks, termasuk riset, pendidikan, dan layanan pelanggan. ChatGPT membantu menjawab pertanyaan, memberikan informasi, dan mendukung proses pengambilan keputusan.
Penggunaan ChatGPT meningkatkan efisiensi, memberikan akses cepat ke informasi, dan membantu dalam tugas-tugas yang memerlukan analisis data atau teks. Selain ChatGPT, beberapa contoh lainnya menadi pilihan seperti BERT (Bidirectional Encoder Representations from Transformers). Model ini digunakan untuk pemrosesan bahasa alami dan dapat membantu dalam analisis teks medis.
Sedangkan TensorFlow dan PyTorch atau Framework digunakan untuk membangun dan melatih model AI khusus untuk berbagai aplikasi, termasuk deteksi biomarker. IBM Watson menyediakan platform AI yang menyediakan berbagai alat untuk analisis data medis dan dapat digunakan dalam riset klinis.
Demikian pula Google Health AI yang mengembangkan berbagai alat AI untuk aplikasi medis, termasuk deteksi penyakit dan analisis data klinis.
Oleh karena itu, untuk memaksimalkan manfaat AI dalam konsep jaringan, pengguna harus berinvestasi dalam teknologi AI yang tepat dan melatih staf untuk mengoperasikan sistem ini dengan efektif.
This type of article is favored by our readers. Would your company willing to sponsor it? Kindly email us: business@mmindustri.co.id or fill this form
