Google pokazuje, jak sztuczna inteligencja może szybciej i bardziej niezawodnie wykrywać raka płuc

Kategoria: Sztuczna inteligencja Opublikowany 20 maja

Nowe badania Google pokazują, w jaki sposób uczenie maszynowe może pewnego dnia zostać wykorzystane do wykrywania objawów raka płuc wcześniej, niż ma to miejsce obecnie.

Wczesne ostrzeżenie: Danial Tse, badacz z Google, opracował algorytm, który pokonał wielu przeszkolonych radiologów w testach. Tse i współpracownicy wyszkolili algorytm głębokiego uczenia się do wykrywania złośliwych guzków w płucach na ponad 42 000 skanów CT. Powstałe algorytmy wykazały o 11% mniej wyników fałszywie pozytywnych i 5% mniej wyników fałszywie negatywnych niż ich ludzkie odpowiedniki. Praca jest opisana w artykule opublikowane w czasopiśmie Nature Dziś.

Zabójczy problem: Rak płuc zabił ponad 160 000 osób w Stanach Zjednoczonych w 2018 roku, co czyni go główną przyczyną zgonów z powodu raka. I chociaż tomografia komputerowa (CT) może być ratującą życie częścią badań przesiewowych w kierunku raka, często są one również zawodne.

Wielka obietnica: Tse i współpracownicy twierdzą, że sztuczna inteligencja może pomóc w zwiększeniu wiarygodności badań przesiewowych w kierunku raka płuc na całym świecie, chociaż przyznają, że prace muszą zostać zweryfikowane na większych populacjach pacjentów. Rzeczywiście, rośnie zainteresowanie wykorzystaniem sztucznej inteligencji do wyłapywania wielu rodzajów raka. Naukowcy wykazali, w jaki sposób uczenie maszynowe może zostać wykorzystane do wykrycia obu tych aspektów rak piersi oraz nowotwór skóry , na przykład.

Małe kroki: Badania te są ekscytujące, ale należy je traktować jako małe postępy. Wykorzystanie sztucznej inteligencji w opiece zdrowotnej pozostaje wyzwaniem ze względu na ochronę prywatności, a także dlatego, że zestawy danych w świecie rzeczywistym rzadko są tak doskonałe, jak te wykorzystywane w badaniach naukowych.

Warto również zauważyć, że leczenie raka to znacznie więcej niż tylko wykrycie choroby. Na przykład określenie właściwego przebiegu leczenia może zależeć od szeregu czynników, które znacznie różnią się w zależności od pacjenta, co znacznie utrudnia automatyzację tej części procesu.