Wskazówki dotyczące nagrody miliona dolarów, w jaki sposób uczenie maszynowe może kiedyś wykryć raka

Uczenie maszynowe często wymaga ogromnych zbiorów danych, aby opracować skuteczny algorytm, ale w tym konkursie zespoły otrzymały tylko 2000 obrazów.

Konkurs mający na celu automatyzację wykrywania raka płuc pokazuje, jak uczenie maszynowe może zmienić obrazowanie medyczne.

Wyzwanie oferowało nagrody w wysokości 1 miliona dolarów za algorytmy, które najdokładniej identyfikują objawy raka płuc na obrazach tomografii komputerowej o małej dawce. Zwycięskie algorytmy niekoniecznie zostaną przyjęte przez klinicystów, ale mogą zainspirować innowacje algorytmiczne, które znajdą zastosowanie w obrazowaniu medycznym.

Skany CT z małą dawką wykazały w ostatnich latach ogromny potencjał we wcześniejszym wykrywaniu raka płuc. Zużywają mniej promieniowania i nie wymagają wstrzykiwania do organizmu barwnika kontrastowego. Ale diagnoza jest bardzo trudna, co oznacza dużą liczbę fałszywych trafień i zbyt wiele niepotrzebnych procedur medycznych.

Technika uczenia maszynowego znana jako uczenie głębokie okazała się szczególnie skuteczna w znajdowaniu wzorców w obrazach w ostatnich latach (patrz 10 Przełomowe technologie 2013: Uczenie głębokie ). Obecnie rośnie nadzieja, że ​​ta i inne metody uczenia maszynowego mogą pomóc poprawić standardy diagnozowania w medycynie poprzez automatyczne rozpoznawanie wzorców wskazujących na chorobę – w tym tych, które są zbyt subtelne, aby ludzkie oko mogło je uchwycić.

Głębokie uczenie było już przyzwyczajone wykryć raka skóry na obrazach z mniej więcej taką samą liczbą błędów, jak robią to profesjonalni dermatolodzy. Technika ta okazała się skuteczna w wykrywaniu wspólnej przyczyny ślepoty na obrazach siatkówki. Obecnie rośnie zainteresowanie wśród lekarzy i przedsiębiorców szerszym wykorzystaniem techniki. Gdy tak się dzieje, może być jednak potrzebny większy wysiłek, aby takie algorytmy były wytłumaczalne (patrz Mroczny sekret w sercu sztucznej inteligencji).

Powiązana historia

Powiązana historia Nikt tak naprawdę nie wie, jak najbardziej zaawansowane algorytmy robią to, co robią. To może być problem.

Keyvan Farahani, dyrektor programu w National Cancer Institute, który dostarczył dane obrazowe wykorzystane w konkursie, mówi, że zmniejszenie liczby fałszywych diagnoz raka płuc na podstawie tomografii komputerowej o małej dawce mogłoby naprawdę zmienić sytuację pacjentów. Według American Cancer Society każdego roku w Stanach Zjednoczonych pojawia się około 222 500 nowych przypadków raka płuc.

Farahani twierdzi, że istniejące oprogramowanie do identyfikacji objawów raka płuc jest zawodne. Wstępne wyniki sugerują, że [najlepsze algorytmy] są lepsze niż te, które są już dostępne, mówi. Farahani nie przewiduje jednak, że algorytmy zastąpią ekspertów medycznych. Głębokie uczenie pomoże przetrawić duże ilości danych, mówi. Nie sądzę, że zastąpią lekarzy czy radiologów.

Jednym z kluczowych wyzwań w tym konkursie był fakt, że tylko 2000 zdjęć zostało udostępnionych zespołom. Uczenie maszynowe często wymaga bardzo dużych zbiorów danych w celu opracowania skutecznego algorytmu. Uwzględniono jednak inne dane, takie jak szczegóły używanego sprzętu.

Zwycięski zespół wykorzystał sieć neuronową i włożył dodatkowy wysiłek w opisywanie obrazów, aby zapewnić więcej punktów danych. Wykorzystał również dodatkowy zestaw danych i podzielił wyzwanie na dwie części: identyfikację guzków, a następnie diagnozowanie raka. Nie jest jeszcze jasne, w jaki sposób najlepszy algorytm może mierzyć się z lekarzem, ponieważ każdy algorytm podaje prawdopodobieństwo, a nie ostateczny wynik.

Uważamy, że wyraźny podział tego problemu na dwa etapy ma kluczowe znaczenie, co wydaje się być również tym, co zrobiliby eksperci od ludzi, mówi Zhe Li, członek zwycięskiego zespołu i student Uniwersytetu Tsinghua, jednego z czołowych chińskich instytutów akademickich.

Poza wskazaniem na potencjał głębokiego uczenia się w obrazowaniu medycznym, konkurs na raka płuc podkreśla rosnącą reputację chińskich naukowców zajmujących się sztuczną inteligencją.

ten Konkurs , który odbył się w witrynie Kaggle zajmującej się nauką o danych, został zorganizowany przez Booz Allen Hamilton, firmę konsultingową w zakresie zarządzania, która wcześniej zorganizowała kilka innych dużych konkursów z dziedziny nauki o danych. 1 milion dolarów nagrody pieniężnej pochodziło z Fundacja Laury i Johna Arnoldów .

Firma Kaggle została założona w 2010 roku i przejęta na początku tego roku przez Google. Witryna okazała się potężnym sposobem crowdsourcingu rozwoju algorytmów uczenia maszynowego, a także jest popularnym sposobem identyfikacji talentów.

Powiązana historia

Czytaj dalej

Josh Sullivan , który kieruje zespołem ds. analityki danych w Booz Allen Hamilton, mówi, że motywacją do konkursu jest pozyskiwanie talentów, zauważając, że 238 kandydatów również ubiegało się o pracę w firmie. Dodaje, że firma udostępnia zwycięskie algorytmy za darmo, aby zmaksymalizować potencjalne korzyści dla społeczności medycznej.

Li ze zwycięskiego zespołu mówi, że tworzenie czegoś, co może uratować ludzkie życie, jest satysfakcjonujące, ale prawdziwy powód wzięcia w nim udziału był nieco mniej altruistyczny. Mówiąc szczerze, główną motywacją jest zdobycie nagrody pieniężnej, mówi.

ukryć