Pneumonija svake godine u bolnicu stavi milijun odraslih Amerikanaca i ubije 50.000. Ako liječnik posumnja da pacijent ima upalu pluća, općenito će naložiti rendgen prsnog koša. Te X-zrake mora, naravno, protumačiti liječnik. Ali sada, istraživači Stanforda razvili su algoritam za koji kažu da može dijagnosticirati upalu pluća na rendgenskim zrakama bolje nego iskusni radiolozi.
„Prednost algoritma je ta što može učiti na stotinama tisuća rendgenskih snimaka prsnog koša i odgovarajućim dijagnozama od drugih stručnjaka“, kaže Pranav Rajpurkar, diplomski student Stanford Machine Machine Learning Group, koji je vodio istraživanje. "Kada radiolozi ikad dobiju priliku učiti od stotina tisuća dijagnoza drugih radiologa i pronaći uzorke na slikama koje vode tim dijagnozama?"
Algoritam, nazvan CheXNet, također može dijagnosticirati 13 drugih zdravstvenih stanja, uključujući emfizem i pneumotoraks (zrak zarobljen između pluća i prsnog zida). Tim je algoritam izgradio na osnovu javnog skupa podataka Nacionalnog instituta za zdravstvo (NIH), koji je sadržavao više od 100.000 slika rendgenskih grudi označenih s 14 mogućih stanja. Baza podataka objavljena je zajedno s algoritmom za početnu dijagnozu, koji je NIH ohrabrio ostale istraživače na napredak.
Rajpurkar i njegovi kolege članovi Grupe za strojno učenje odlučili su preuzeti izazov. Na 420 slika, istraživači su imali četiri Stanford radiologa koji mogu zabilježiti moguće indikacije upale pluća. Koristeći ove podatke, u roku od tjedan dana stvorili su algoritam koji može točno dijagnosticirati 10 uvjeta. U roku od mjesec dana algoritam bi mogao nadmašiti prethodne algoritme u dijagnosticiranju svih 14 uvjeta. U ovom trenutku, dijagnoza CheXNet slaže se s većinskim mišljenjem radiologa češće od pojedinačnog mišljenja bilo kojeg radiologa.
Istraživanje je objavljeno ovog mjeseca na web stranici znanstvenog pretprinta arXiv .
Drugi dijagnostički algoritmi nedavno su objavili vijest. Kanadski i talijanski timovi razvili su algoritme za dijagnozu Alzheimerove bolesti pomoću skeniranja mozga. Raspodjela plakova u mozgu koji karakteriziraju bolest previše je suptilna za golu oko, ali istraživači kažu da tehnologija AI može otkriti abnormalne obrasce. Rajpurkar i njegovi kolege iz Stanfordske grupe za strojno učenje razvili su i algoritam za dijagnosticiranje srčanih aritmija, analizirajući sate podataka sa nosivih monitora srca. Ostali algoritmi za upalu pluća razvijeni su iz podataka o NIH, ali Stanford je zasad najtačniji.
CheXNet bi mogao biti posebno koristan na mjestima gdje ljudi nemaju jednostavan pristup iskusnim radiolozima, kaže tim. Također bi mogla biti korisna kao vrsta trijaže, identificiranje koji slučajevi vjerojatno trebaju hitnu pomoć, a koji ne. Tim je također razvio alat koji izrađuje kartu potencijalnih pokazatelja upale pluća na rendgenima, pružajući liječni vizualni vodič liječnicima.
Iako je tim optimističan u pogledu dijagnostičkih sposobnosti CheXNeta, oprezni su oko njegovih ograničenja.
"AI je moćan alat, ali potrebno je više godina iskustva i mnogo napornih sati da se intuitivno upravlja, a jednako je teško odrediti gdje ga možemo koristiti za najpozitivniji utjecaj", kaže Rajpurkar.
Iako postoji niz algoritama dubokog učenja u razvoju, niti jedan još nije prošao rigorozni postupak testiranja i odobravanja potreban za uporabu na stvarnim pacijentima.
Paul Chang, profesor radiologije i potpredsjednik odjela za radiologiju na Sveučilištu u Chicagu, zvuči skeptično u vezi s CheXNet-om i sličnim programima dubokog učenja. Liječnici već koriste algoritme da pomognu u dijagnozi bilo kojeg broja stanja, kaže Chang. Ovi se algoritmi oslanjaju na unaprijed oblikovani model onoga što izgleda: rak je veći i brži od benignih masa, na primjer. Programi dubokog učenja, nasuprot tome, trebaju shvatiti koja su svojstva sama po sebi značajna, krčenjem ogromnih količina podataka. Ali to također znači da mogu polagati pogrešne znakove. Chang daje primjer algoritma dubokog učenja koji je naučio razliku između različitih vrsta X-zraka: ruke, noge, mamogrami. No, istraživači su otkrili da je program jednostavno naučio prepoznati mamograme činjenicom da je glavna slika na strani filma, a ne na sredini (budući da su grudi pričvršćene na grudni zid pojavljuju se na rubu filma u mamografska slika. Nasuprot tome, ruke ili noge pojavit će se u središtu rendgenske snimke). Algoritam nije naučio ništa značajno o grudima, već samo o njihovom položaju na ekranu.
"Ovo je vrlo rano doba", kaže Chang, koji ističe da CheXNet-ovi rezultati nisu promatrani. „Duboko učenje ima veliki potencijal, ali mi u medicini i radiologiji obično smo u ranom hiper-ciklusu, ali treba nam više vremena za usvajanje. Naučit ćemo kako ga pravilno konzumirati. "
