Пнеумонија сваке године смешта милион одраслих Американаца у болницу и убије 50.000. Ако лекар посумња да пацијент има упалу плућа, обично ће наложити рентген грудног коша. Те рендгенске зраке, наравно, мора да протумачи лекар. Али сада, истраживачи са Станфорда су развили алгоритам за који кажу да може дијагностиковати пнеумонију на рендгенским зрацима боље него искусни радиолози.
„Предност коју алгоритам има је та што може да научи на стотинама хиљада рендгенских снимака груди и одговарајућим дијагнозама од других стручњака“, каже Пранав Рајпуркар, студент постдипломца из Станфорд Мацхине Леарнинг Гроуп, који је ко-водио истраживање. "Када радиолози икада добију прилику да науче од стотина хиљада дијагноза других радиолога и пронађу обрасце на сликама које воде до тих дијагноза?"
Алгоритам, назван ЦхеКСНет, такође може да дијагностикује 13 других здравствених стања, укључујући емфизем и пнеумоторакс (ваздух заробљен између плућа и грудног зида). Тим је алгоритам саставио користећи јавни скуп података Института за здравство (НИХ), који је садржао више од 100.000 снимака рендгенских груди означених са 14 могућих стања. Скуп података је објављен заједно са алгоритмом за почетну дијагнозу, који је НИХ охрабрио остале истраживаче да напредују.
Рајпуркар и његови колеге чланови Групе за машинско учење одлучили су да преузму изазов. Истраживачи су имали четири Станфорд радиолога који су на 420 снимака обележили могуће индикације упале плућа. Користећи ове податке, у року од недељу дана креирали су алгоритам који може тачно да дијагностикује 10 услова. За месец дана алгоритам би могао да надмаши претходне алгоритме у дијагностицирању свих 14 услова. У овом тренутку, дијагноза ЦхеКСНет слаже се са већином мишљења радиолога чешће од појединачног мишљења било којег радиолога.
Истраживање је објављено овог месеца на веб страници научног штампања арКсив .
Други дијагностички алгоритми су недавно објавили вест. Канадски и италијански тимови су развили алгоритме за дијагнозу Алзхеимерове болести помоћу скенирања мозга. Расподела плакова у мозгу који карактеришу болест је превише суптилна за голу оку, али истраживачи кажу да технологија АИ може открити ненормалне обрасце. Рајпуркар и његови колеге истраживачи из Станфорд-ове групе за машинско учење такође су развили алгоритам за дијагнозу срчаних аритмија, анализирајући сате података са носивих монитора срца. Остали алгоритми за упалу плућа развијени су из података о НИХ, али Станфорд је до сада најтачнији.
ЦхеКСНет би могао бити посебно користан на местима где људи немају лак приступ искусним радиолозима, каже тим. Такође би могла бити корисна као врста тријаже, идентификујејући које случајеве вероватно треба хитна помоћ, а који не. Тим је такође развио алат који ствара мапу потенцијалних показатеља упале плућа на рендгену, пружајући згодан визуелни водич за лекаре.
Иако је тим оптимистичан у погледу дијагностичких способности ЦхеКСНет-а, они су опрезни у погледу његових граница.
"АИ је моћно средство, али потребно је вишегодишње искуство и много тешких сати да се интуитивно управља, а једнако је тешко одредити где га можемо користити за најпозитивнији утицај", каже Рајпуркар.
Иако постоји низ алгоритама дубоког учења у развоју, ниједан још није прошао ригорозни поступак тестирања и одобравања потребан за употребу на стварним пацијентима.
Паул Цханг, професор радиологије и потпредседник одељења за радиологију на Универзитету у Чикагу, звучи скептично у вези са ЦхеКСНет-ом и сличним програмима дубоког учења. Љекари већ користе алгоритме да би помогли у дијагнози било ког броја стања, каже Цханг. Ови алгоритми се ослањају на унапред обликовани модел онога како изгледа стање: ракови су већи и бржи од бенигних маса, на пример. Програми дубоког учења, насупрот томе, имају за циљ да утврде које су особине саме по себи значајне, крчењем огромних количина података. Али то такође значи да могу схватити погрешне знакове. Цханг даје пример алгоритма дубоког учења који је научио разлику између различитих врста Кс-зрака: руке, ноге, мамограми. Али истраживачи су открили да је програм једноставно научио да препозна мамограме чињеницом да је главна слика на страни филма, а не на средини (јер су груди причвршћене на грудни зид појављују се на ивици филма у мамографска слика. Насупрот томе, руке или ноге појавит ће се у центру рендгенске снимке). Алгоритам није научио ништа значајно о грудима, већ само о њиховом положају на екрану.
„Ово је веома рано“, каже Цханг, који истиче да ЦхеКСНет-ови резултати нису рецензирани. „Дубоко учење има велики потенцијал, али ми у медицини и радиологији обично смо у раном хипер-циклусу, али треба нам више времена да то усвојимо. Научићемо како га правилно конзумирати. "
