https://frosthead.com

Ali lahko algoritem diagnosticira pljučnico?

Pnevmonija vsako leto v bolnišnico položi milijon odraslih Američanov in ubije 50.000. Če zdravnik sumi, da ima bolnik pljučnico, bo običajno naročil rentgen prsnega koša. Te rentgenske žarke mora seveda razložiti zdravnik. Toda zdaj so raziskovalci Stanforda razvili algoritem, za katerega pravijo, da lahko diagnosticira pljučnico na rentgenskih žarkih bolje kot izkušeni radiologi.

"Prednost, ki jo ima algoritem, je ta, da se lahko na stotine tisoč rentgenskih slik prsnega koša in ustrezne diagnoze uči od drugih strokovnjakov, " pravi Pranav Rajpurkar, študent v skupini Stanford Machine Learning Group, ki je vodil raziskavo. "Kdaj radiologi sploh dobijo priložnost, da se učijo od sto tisoč diagnoz drugih radiologov in najdejo vzorce v slikah, ki vodijo do teh diagnoz?"

Algoritem, imenovan CheXNet, lahko diagnosticira tudi 13 drugih zdravstvenih stanj, vključno z emfizemom in pnevmotoraksom (zrak, ujet med pljučno in prsno steno). Skupina je algoritem izdelala z uporabo javne podatkovne zbirke Nacionalnih inštitutov za zdravje (NIH), ki je vsebovala več kot 100.000 slik prsnega koša, označenih z 14 možnimi pogoji. Podatkovni niz je bil sproščen skupaj z algoritmom za začetno diagnozo, ki je NIH spodbudil druge raziskovalce k napredku.

Rajpurkar in njegovi sodelavci člani skupine Machine Learning Group so se odločili sprejeti izziv. Raziskovalci so štirje Stanfordovi radiologi označili možne indikacije pljučnice na 420 posnetkih. Z uporabo teh podatkov so v enem tednu ustvarili algoritem, ki lahko natančno diagnosticira 10 pogojev. V enem mesecu bi algoritem lahko presegel prejšnje algoritme pri diagnosticiranju vseh 14 pogojev. Na tej točki se diagnoze CheXNet strinjajo z večinskim mnenjem radiologov pogosteje kot s posameznim mnenjem katerega koli radiologa.

Raziskava je bila objavljena ta mesec na znanstveni spletni strani za tisk arXiv .

Drugi diagnostični algoritmi so v zadnjem času objavili novico. Kanadski in italijanski ekipi sta razvili algoritme za diagnosticiranje Alzheimerjeve bolezni iz možganskih pregledov. Porazdelitev plakov v možganih, ki so značilne za bolezen, je preveč prostim očesom, vendar raziskovalci trdijo, da tehnologija AI lahko zazna nenormalne vzorce. Rajpurkar in njegovi sodelavci iz Stanfordske skupine za strojno učenje so razvili tudi algoritem za diagnosticiranje srčnih aritmij in analizirali ure podatkov z nosljivih srčnih monitorjev. Iz podatkov NIH so razvili druge algoritme pljučnice, vendar je Stanford doslej najbolj natančen.

CheXNet bi bil lahko še posebej koristen na mestih, kjer ljudje nimajo enostavnega dostopa do izkušenih radiologov, pravi ekipa. Uporabna bi lahko bila tudi kot nekakšna triaža, ki bi opredelila, za katere primere verjetno potrebuje nujno pomoč in katere ne. Skupina je razvila tudi orodje, ki na rentgenskih žarkih izdela zemljevid potencialnih indikatorjev pljučnice, ki zdravnikom ponuja priročen vizualni vodnik.

Čeprav je ekipa optimistična glede diagnostičnih sposobnosti CheXNet-a, so previdni glede njegovih omejitev.

"AI je močno orodje, vendar potrebujemo dolgoletne izkušnje in veliko težkih ur, da intuitivno upravljamo z njim, prav tako je težko določiti, kje ga lahko uporabimo za najbolj pozitiven vpliv, " pravi Rajpurkar.

Čeprav je v razvoju več algoritmov za globoko učenje, še noben ni opravil strogega postopka testiranja in odobritve, potrebnega za uporabo na pravih pacientih.

Paul Chang, profesor radiologije in podpredsednik oddelka za radiologijo na Univerzi v Chicagu sliši skeptično noto o CheXNetu in podobnih programih globokega učenja. Chang pravi, da zdravniki že uporabljajo algoritme za pomoč pri diagnozi številnih stanj. Ti algoritmi temeljijo na vnaprej oblikovanem modelu, kako izgleda stanje: raki so večji in na primer bolj benigne mase. Programi poglobljenega učenja so nasprotno namenjeni ugotovitvi, katere lastnosti so pomembne same s pomočjo drobljenja ogromnih količin podatkov. To pa tudi pomeni, da lahko sprejmejo napačne napotke. Chang daje primer algoritma globokega učenja, ki se je naučil razliko med različnimi vrstami rentgenskih žarkov: roke, noge, mamogrami. Toda raziskovalci so odkrili, da se je program preprosto naučil prepoznavati mamograme po tem, da je glavna slika na strani filma in ne na sredini (ker so prsi pritrjene na prsni steni, se pojavijo na robu filma v mamografska slika. Nasprotno se bodo v središču rentgena pojavile roke ali stopala). Algoritem se ni naučil ničesar pomembnega o dojkah, temveč le o njihovem položaju na zaslonu.

"To je zelo zgodnji čas, " pravi Chang, ki poudarja, da rezultati CheXNet niso bili strokovno pregledani. »Globoko učenje ima velik potencial, vendar smo v medicini in radiologiji ponavadi zgodaj v ciklu hype, vendar trajamo dlje časa. Naučili se bomo, kako ga pravilno zaužiti. "

Ali lahko algoritem diagnosticira pljučnico?