Пневмонията поставя всеки милион възрастни американци в болницата всяка година и убива 50 000. Ако лекарят подозира, че пациентът има пневмония, той или тя обикновено назначава рентгенова снимка на гърдите. Тези рентгенови лъчи трябва да бъдат интерпретирани от лекар, разбира се. Но сега изследователите от Станфорд са разработили алгоритъм, за който казват, че може да диагностицира пневмония на рентгенови лъчи по-добре от опитните рентгенолози.
„Предимството, което има един алгоритъм, е, че може да се научи от стотици хиляди рентгенови снимки на гърдите и съответните им диагнози от други експерти“, казва Пранов Раджпуркар, аспирант в Станфордската машина за машинно обучение, който ръководи изследванията. „Кога рентгенолозите изобщо получават шанс да се научат от стотици хиляди диагнози на други рентгенолози и да намерят модели в образите, водещи до тези диагнози?“
Алгоритъмът, наречен CheXNet, също може да диагностицира 13 други медицински състояния, включително емфизем и пневмоторакс (въздух, затворен между белите дробове и гръдната стена). Екипът изгради алгоритъма, като използва публичен набор от данни на Националните здравни институти (NIH), който съдържа над 100 000 рентгенови изображения на гърдите, обозначени с 14 възможни състояния. Наборът от данни бе пуснат заедно с алгоритъм за първоначална диагностика, който NIH насърчава други изследователи да напредват.
Rajpurkar и неговите колеги членове на Machine Machine Learning решиха да се справят с предизвикателството. Изследователите имаха четирима рентгенолози от Станфорд, които отбелязват възможни индикации за пневмония на 420 от изображенията. Използвайки тези данни, в рамките на една седмица те създадоха алгоритъм, който може точно да диагностицира 10 състояния. В рамките на месец алгоритъмът може да надмине предишните алгоритми при диагностициране на всички 14 условия. В този момент, диагнозите на CheXNet се съгласяват с мнение на мнозинството на рентгенолозите по-често, отколкото индивидуално мнение на всеки един рентгенолог.
Изследването беше публикувано този месец в уебсайта за научни предпечатници arXiv .
Други диагностични алгоритми направиха новината наскоро. Канадски и италиански екипи са разработили алгоритми за диагностициране на болестта на Алцхаймер от мозъчни сканирания. Разпределението на плаките в мозъка, характеризиращи заболяването, е твърде фино за просто око, но изследователите казват, че AI технологията може да открие ненормални модели. Rajpurkar и неговите колеги изследователи от Stanford's Machine Learning Group също са разработили алгоритъм за диагностициране на сърдечни аритмии, анализирайки часове данни от носими сърдечни монитори. Други алгоритми на пневмония са разработени от данните на NIH, но този от Станфорд засега е най-точният.
CheXNet може да бъде особено полезен на места, където хората нямат лесен достъп до опитни рентгенолози, казва екипът. Той би могъл да бъде полезен и като вид триаж, определящ кои случаи вероятно се нуждаят от спешна помощ и кои не. Екипът също разработи инструмент, който създава карта на потенциалните показатели за пневмония на рентгенови лъчи, като дава удобен визуален справочник за лекарите.
Въпреки че екипът е оптимист по отношение на диагностичните способности на CheXNet, те са предпазливи за неговите граници.
„AI е мощен инструмент, но са нужни години опит и много трудни часове, за да се интуитира как да го управляваме и е също толкова трудно да определим къде можем да го използваме за най-положително въздействие“, казва Rajpurkar.
Въпреки че има редица алгоритми за задълбочено обучение в разработка, никой все още не е преминал през строгия процес на тестване и одобрение, необходим за използване върху реални пациенти.
Пол Чанг, професор по радиология и заместник-председател на катедрата по радиология в Чикагския университет, звучи скептично като нота относно CheXNet и подобни програми за задълбочено обучение. Лекарите вече използват алгоритми, за да помогнат при диагностицирането на всякакъв брой състояния, казва Чанг. Тези алгоритми разчитат на предварително формулиран модел за това как изглежда състоянието: раковите заболявания са по-големи и по-колокотни от доброкачествените маси, например. Противоположните програми за обучение, за разлика от тях, са предназначени да разберат кои характеристики са значителни сами по себе си чрез разбиване на огромни количества данни. Но това също означава, че те могат да вземат грешни сигнали. Чанг дава примера на алгоритъм за дълбоко обучение, който научи разликата между различни видове рентгенови лъчи: ръце, крака, мамограми. Но изследователите откриха, че програмата просто се е научила да разпознава мамографиите от факта, че основното изображение е отстрани на филма, а не в центъра (тъй като гърдите са прикрепени към гръдната стена, те се появяват на ръба на филма в Обратно, ръцете или краката ще се появят в центъра на рентгена). Алгоритъмът не научи нищо значимо за гърдите, а само за позицията им на екрана.
„Това е много рано”, казва Чанг, който изтъква, че резултатите от CheXNet не са били проверени. „Дълбокото обучение има голям потенциал, но ние в медицината и в радиологията сме склонни да сме в ранния цикъл, но ни отнема повече време. Ще се научим как да го консумираме по подходящ начин. "
