211service.com
Maszyny przygotowują się do zabawy w lekarza
Naukowcy wykorzystali przenośne urządzenia EKG, aby zebrać 30 000 30-sekundowych klipów od pacjentów z różnymi postaciami arytmii.
Może nie potrwać długo, zanim algorytmy będą rutynowo ratować życie — o ile lekarze będą coraz bardziej ufać maszynom.
Zespół naukowców z Uniwersytetu Stanforda, kierowany przez Andrzej Ng , wybitny badacz sztucznej inteligencji i adiunkt, wykazał, że model uczenia maszynowego może identyfikować arytmie serca na podstawie elektrokardiogramu (EKG) lepiej niż ekspert.
Zautomatyzowane podejście może okazać się ważne w codziennym leczeniu poprzez zwiększenie wiarygodności diagnozy potencjalnie śmiertelnych nieprawidłowości bicia serca. Może również sprawić, że wysokiej jakości opieka będzie łatwiej dostępna na obszarach, gdzie zasoby są ograniczone.
Praca jest również najnowszym znakiem tego, jak uczenie maszynowe może zrewolucjonizować medycynę. W ostatnich latach naukowcy wykazali, że techniki uczenia maszynowego mogą być wykorzystywane do wykrywania wszelkiego rodzaju dolegliwości, w tym m.in. rak piersi , nowotwór skóry , oraz choroba oczu z obrazów medycznych.
Byłem zachęcony tym, jak szybko ludzie akceptują ideę, że głębokie uczenie może diagnozować z większą dokładnością niż lekarze w wybranych branżach, powiedział Ng w e-mailu. Dodaje, że zachęcanie jest widzieć naukowców, którzy wykraczają poza obrazowanie na inne formy danych, takie jak EKG.
Do niedawna Ng był głównym naukowcem chińskiego giganta technologicznego Baidu, gdzie pomógł założyć instytut zajmujący się zastosowaniem głębokiego uczenia się do różnych problemów biznesowych.
Zespół ze Stanford wyszkolił algorytm głębokiego uczenia się, aby identyfikować różne typy nieregularnych uderzeń serca w danych EKG. Niektóre nieprawidłowości mogą prowadzić do poważnych komplikacji zdrowotnych, w tym nagłej śmierci sercowej, ale sygnał może być trudny do wykrycia, dlatego pacjenci często są proszeni o noszenie czujnika EKG przez kilka tygodni. Nawet wtedy lekarzowi może być trudno odróżnić nieprawidłowości, które mogą być łagodne, od tych, które mogą wymagać leczenia.
Naukowcy ze Stanford wyszkolili algorytm głębokiego uczenia się, aby zidentyfikować różne typy nieregularnych uderzeń serca na podstawie danych EKG.
Naukowcy współpracowali z iRytm , firma produkująca przenośne urządzenia EKG. Zebrali 30 000 30-sekundowych klipów od pacjentów z różnymi postaciami arytmii. Aby ocenić dokładność swojego algorytmu, zespół porównał jego działanie z wynikami pięciu różnych kardiologów na 300 niezdiagnozowanych klipach. Mieli panel trzech ekspertów kardiologów, którzy wydali osąd oparty na podstawach prawdy.
Głębokie uczenie obejmuje wprowadzanie dużych ilości danych do dużej symulowanej sieci neuronowej i dostrajanie jej parametrów, aż do dokładnego rozpoznania problematycznych sygnałów EKG. Podejście to okazało się skuteczne w identyfikowaniu złożonych wzorców w obrazach i dźwiękach, co doprowadziło do opracowania lepszych niż człowiek systemów rozpoznawania obrazu i rozpoznawania głosu.
Eric Horvitz , dyrektor zarządzający Microsoft Research i zarówno lekarz medycyny, jak i ekspert w dziedzinie uczenia maszynowego, mówią inni, w tym dwa różne grupy z MIT i University of Michigan stosują uczenie maszynowe do wykrywania arytmii serca.
Jednak patrząc w przyszłość, uczenie maszynowe może znaleźć ślady choroby poprzez przeczesywanie dużych ilości rozbieżnych danych.
Kluczowym wyzwaniem będzie jednak przekonanie lekarzy i pacjentów do zaufania algorytmom, które często są tak złożone, że ich rozumowanie nie może zostać zrozumiane (zob. Mroczny sekret w sercu sztucznej inteligencji). Głębokie uczenie jest szczególnie nieprzejrzystą formą uczenia maszynowego, a znalezienie sposobów, aby uczynić je bardziej zrozumiałymi, będzie ważne zarówno dla budowania zaufania, jak i doskonalenia leczenia.
Ng nie ma jednak wątpliwości, że nadchodzi rewolucja. Mówi, że wciąż czeka nas praca nad wprowadzeniem tych algorytmów do systemu opieki zdrowotnej. Ale myślę, że opieka zdrowotna za 10 lat będzie wykorzystywać znacznie więcej sztucznej inteligencji i będzie wyglądać zupełnie inaczej niż obecnie.