Η χρήση της Βαθειάς Μάθησης
Τα τελευταία χρόνια οι μέθοδοι της Μηχανικής Μάθησης (machine learning) στην τεχνητή
νοημοσύνη και, συγκεκριμένα, της μοντέρνας υποκατηγορίας της Βαθειάς Μάθησης (Deep Learning),
αποδίδουν επιτυχείς εφαρμογές στους τομείς της αναγνώρισης εικόνας. Οι αλγόριθμοι Βαθειάς
Μάθησης προσπαθούν να μοντελοποιήσουν τον τρόπο που ο ανθρώπινος εγκέφαλος
επεξεργάζεται τις εμπειρίες από τα αισθητήρια όργανα ώστε να λάβει αποφάσεις. Οι αλγόριθμοι
αυτοί μπορούν να απαιτούν ελάχιστη επίβλεψη στην εκπαίδευση τους, αρκεί να έχουν πρόσβαση σε
Μεγάλα Δεδομένα (Big Data, μεγάλος όγκος δεδομένων), ενώ ήδη από το 2011 οι αλγόριθμοι βαθειάς
μάθησης έγιναν «υπεράνθρωποι» (superhuman), δηλαδή ξεπέρασαν την απόδοση ενός ανθρώπου
στην αναγνώριση εικόνας. Η Βαθειά Μάθηση προσφέρει την δυνατότητα βελτιστοποίησης της
διαδικασίας εκπαίδευσης και ελέγχου του αλγορίθμου για τους εξής λόγους:
1. Λόγω της δυνατότητας παραγωγής μεγάλου όγκου δεδομένων (Big Data) μέσω
προσομοιώσεων,
2. σε συνδυασμό με το γεγονός ότι υπάρχει a priori γνώση της ύπαρξης ή μη, της ακριβούς θέσης
καθώς και της δομής καρκινικών αλλοιώσεων.
Οι υψηλές αποδόσεις των αλγορίθμων Βαθειάς Μάθησης στην αναγνώριση προτύπων/εικόνας
δίνουν την δυνατότητα νέων καινοτόμων εφαρμογών στους τομείς της βιο-πληροφορικής και
απεικόνισης. Συγκεκριμένα, χρησιμοποιείται επικουρικά από τους/τις γιατρούς, ώστε να
αναγνωρίσουν και να ταξινομήσουν περιοχές σε δεδομένα από απεικονιστικά μηχανήματα, όπως
τομογράφοι, υπέρηχοι κ.λπ.