Pneumonia pune în fiecare an un milion de americani adulți în spital și ucide 50.000. Dacă un medic suspectează că un pacient are pneumonie, acesta va comanda în general o radiografie toracică. Aceste raze X trebuie interpretate de un medic, desigur. Acum, cercetătorii de la Stanford au dezvoltat un algoritm despre care spun că poate diagnostica pneumonia pe razele X mai bine decât radiologii cu experiență.
„Avantajul pe care îl are un algoritm este că poate învăța de la sute de mii de radiografii toracice și diagnosticul lor corespunzător de la alți experți”, spune Pranav Rajpurkar, un student absolvent al grupului de învățare a mașinilor Stanford, care a condus co-cercetarea. „Când au vreodată șansa radiologilor să învețe de la sute de mii de diagnostici ai altor radiologi și să găsească tipare în imaginile care duc la aceste diagnostice?”
Algoritmul, numit CheXNet, poate diagnostica și alte 13 afecțiuni medicale, inclusiv emfizemul și pneumotoraxul (aerul prins între peretele pulmonar și piept). Echipa a construit algoritmul folosind un set de date public de la National Institutes of Health (NIH), care conținea peste 100.000 de imagini cu radiografie toracică etichetate cu 14 condiții posibile. Setul de date a fost lansat împreună cu un algoritm de diagnostic inițial, care NIH a încurajat alți cercetători să avanseze.
Rajpurkar și colegii săi membri ai Grupului de învățare a mașinilor au decis să accepte această provocare. Cercetătorii au avut patru radiologi Stanford marcați posibile indicii de pneumonie pe 420 de imagini. Folosind aceste date, într-o săptămână au creat un algoritm care putea diagnostica cu exactitate 10 afecțiuni. În decurs de o lună, algoritmul ar putea depăși algoritmii precedenți la diagnosticarea tuturor celor 14 afecțiuni. În acest moment, diagnosticul CheXNet a fost de acord cu o opinie majoritară a radiologilor mai des decât o opinie individuală a oricărui radiolog.
Cercetarea a fost publicată în această lună pe site-ul de preimprimare științifică arXiv .
Alți algoritmi de diagnostic au făcut știri de curând. Echipele canadiene și italiene au dezvoltat atât algoritmi pentru diagnosticarea bolii Alzheimer în urma scanărilor cerebrale. Distribuția plăcilor în creier care caracterizează boala sunt prea subtile pentru ochiul liber, dar cercetătorii spun că tehnologia AI poate detecta tipare anormale. Rajpurkar și colaboratorii săi cercetători de la Stanford’s Machine Learning Group au dezvoltat, de asemenea, un algoritm pentru diagnosticarea aritmiilor cardiace, analizând ore de date de la monitoarele cardiace purtabile. Alți algoritmi de pneumonie au fost dezvoltați din datele NIH, dar până acum cel Stanford este cel mai precis.
ChexNet ar putea fi de ajutor în special în locurile în care oamenii nu au acces facil la radiologi cu experiență, spune echipa. De asemenea, ar putea fi util ca un fel de triaj, identificând care cazuri au nevoie de atenție de urgență și care nu. De asemenea, echipa a dezvoltat un instrument care produce o hartă a potențialilor indicatori de pneumonie pe razele X, oferind un ghid vizual util pentru medici.
În timp ce echipa este optimistă cu privire la abilitățile de diagnosticare ale CheXNet, sunt precaute cu privire la limitele sale.
„AI este un instrument puternic, dar este nevoie de ani de experiență și multe ore grele pentru a intui modul de utilizare, și este la fel de greu să stabilim unde îl putem folosi pentru cel mai pozitiv impact”, spune Rajpurkar.
Deși există o serie de algoritmi de învățare profundă în dezvoltare, niciunul nu a trecut încă prin procesul riguros de testare și aprobare necesar pentru utilizarea pacienților reali.
Paul Chang, profesor de radiologie și vicepreședinte al departamentului de radiologie de la Universitatea din Chicago, sună o notă sceptică despre CheXNet și programe similare de învățare profundă. Medicii folosesc deja algoritmi pentru a ajuta diagnosticul oricărui număr de afecțiuni, spune Chang. Acești algoritmi se bazează pe un model preformat al aspectului afecțiunii: cancerele sunt mai mari și mai picante decât masele benigne, de exemplu. În schimb, programele de învățare profundă sunt destinate să descopere care sunt caracteristicile semnificative, prin crearea unor cantități enorme de date. Dar asta înseamnă, de asemenea, că pot lua semne greșite. Chang oferă exemplul unui algoritm de învățare profundă care a învățat diferența dintre diferite tipuri de raze X: mâini, picioare, mamografii. Cercetătorii au descoperit însă că programul a învățat pur și simplu să recunoască mamografiile prin faptul că imaginea principală se afla pe partea filmului, mai degrabă decât în centru (deoarece sânii sunt atașați de peretele toracic, ei apar pe marginea filmului într-un imaginea mamografiei. În schimb, mâinile sau picioarele vor apărea în centrul radiografiei). Algoritmul nu învăța nimic semnificativ despre sâni, doar despre poziția lor pe ecran.
„Acest lucru este foarte timpuriu”, spune Chang, care subliniază că rezultatele CheXNet nu au fost revizuite de la egal la egal. „Învățarea profundă are un potențial mare, dar noi, în medicină și în radiologie, tindem să fim precoce în ciclul hype, dar ne durează mai mult să adoptăm. Vom învăța cum să o consumăm în mod corespunzător. ”
