211service.com
En AI-ögonläkare visar hur maskininlärning kan förändra medicin
Googles forskare fick en ögonskannande algoritm för att på egen hand ta reda på hur man upptäcker en vanlig form av blindhet, vilket visar potentialen för artificiell intelligens att förvandla medicin anmärkningsvärt snart.
Algoritmen kan titta på näthinnebilder och upptäcka diabetisk retinopati – som drabbar nästan en tredjedel av diabetespatienterna – liksom en högutbildad ögonläkare kan. Den använder sig av samma maskininlärningsteknik som Google använder för att märka miljontals webbbilder.
Diabetisk retinopati orsakas av skador på blodkärl i ögat och resulterar i en gradvis försämring av synen. Om det upptäcks tidigt kan det behandlas, men en drabbad kan inte uppleva några symtom tidigt, vilket gör screening viktig. Det diagnostiseras delvis genom att en expert undersöker bilder av en patients näthinna, tagna med en specialiserad enhet, för tecken på blödning och vätskeläckage.
Någon form av automatiserad upptäckt skulle kunna göra diagnosen mer effektiv och tillförlitlig, och kan vara särskilt användbar i regioner där den erforderliga expertisen är knapp. En av de mest spännande sakerna med detta maskininlärningssätt är att det har potential att förbättra objektiviteten och i slutändan noggrannheten och kvaliteten på medicinsk vård, säger Michael Chiang , professor i oftalmologi och kliniker vid Oregon Health & Science Universitys Casey Eye Institute.
AI har haft blandade framgångar inom medicin tidigare. System som använder en databas med kunskap för att ge råd har visat sig överträffa läkare i vissa sammanhang, men det har varit begränsat utnyttjande. Ändå kan kraften i maskininlärning – särskilt en teknik som kallas djupinlärning, göra AI vanligare i framtiden (se 10 Breakthrough Technologies 2013: Deep Learning ). Ett team på Google DeepMind, ett dotterbolag till Alphabet helt fokuserat på AI, gör det liknande arbete , utbildning av datorer för att bearbeta skanningar av optisk koherenstomografi efter tecken på makuladegeneration och andra ögonsjukdomar i samarbete med forskare vid Moorfields Eye Hospital i London (se DeepMinds första medicinska forskningsspelning kommer att använda AI för att diagnostisera ögonsjukdom).
Denna retinal-bildforskning, publicerad på tisdag, markerade första gången ett papper om djupinlärning har dykt upp i Journal of the American Medical Association , enligt tidskriftens chefredaktör, Howard Bauchner.
Uppsatsens författare, bestående av datavetare på Google och medicinska forskare från USA och Indien, utvecklade en algoritm för att analysera näthinnebilder. Men till skillnad från befintlig oftalmologiprogramvara var den inte explicit programmerad att känna igen särdrag i bilder som kan tyda på sjukdomen. Den tittade helt enkelt på tusentals friska och sjuka ögon och kom på själv hur den skulle upptäcka tillståndet.
Forskarna skapade en träningsuppsättning av 128 000 näthinnebilder klassificerade av minst tre ögonläkare. Efter att algoritmen hade tränats testade forskarna dess prestanda på 12 000 bilder och fann att den matchade eller överträffade experternas prestanda när det gäller att identifiera tillståndet och gradera dess svårighetsgrad.
Googles forskare samarbetade med forskare vid Aravind Medical Research Foundation i Indien, där en klinisk prövning som involverar riktiga patienter pågår. Detta projekt innebär att patienter får en normal konsultation, men deras bilder matas också in i djupinlärningssystemet för jämförelse. Lily Peng, en forskare vid Google och en läkare som var involverad i projektet, säger att resultaten från denna studie ännu inte är redo för publicering.
Djup inlärning kan tillämpas inom många olika medicinområden som bygger på bildanalys, såsom radiologi och kardiologi. Men en av de största utmaningarna blir att tillhandahålla övertygande bevis på att systemen är tillförlitliga. Brendan Frey , en professor vid University of Toronto och VD och medgrundare av ett företag som heter Djup genomik , varnar för att forskare kommer att behöva utveckla system för maskininlärning som kan förklara hur de kom fram till en viss slutsats (se AI:s språkproblem).
Peng, från Google, säger att detta är något som hennes team redan arbetar med. Vi förstår att det blir väldigt viktigt att förklara, säger hon.