211service.com
Maskinerna gör sig redo för att leka doktor
Forskare använde bärbara EKG-enheter för att samla in 30 000 30-sekunders klipp från patienter med olika former av arytmi.
Det kan inte dröja länge innan algoritmer rutinmässigt räddar liv – så länge som läkare är villiga att sätta allt mer förtroende för maskiner.
Ett team av forskare vid Stanford University, ledd av Andrew Ng , en framstående AI-forskare och en adjungerad professor där, har visat att en maskininlärningsmodell kan identifiera hjärtarytmier från ett elektrokardiogram (EKG) bättre än en expert.
Det automatiserade tillvägagångssättet kan visa sig vara viktigt för den dagliga medicinska behandlingen genom att göra diagnosen av potentiellt dödliga hjärtslagsfel mer tillförlitlig. Det skulle också kunna göra kvalitetsvård mer lättillgänglig i områden där resurserna är knappa.
Arbetet är också bara det senaste tecknet på hur maskininlärning sannolikt kommer att revolutionera medicinen. Under senare år har forskare visat att maskininlärningstekniker kan användas för att upptäcka alla möjliga åkommor, inklusive t.ex. bröstcancer , hudcancer , och ögonsjukdom från medicinska bilder.
Jag har blivit uppmuntrad av hur snabbt folk accepterar idén att djupinlärning kan diagnostisera med en noggrannhet som är överlägsen läkare i utvalda vertikaler, sa Ng via e-post. Han tillägger att det är uppmuntrande att se forskare titta bortom bildbehandling till andra former av data som EKG.
Tills nyligen var Ng chefsforskare vid den kinesiska teknikjätten Baidu, där han hjälpte till att grunda ett institut dedikerat till att tillämpa djupinlärning på olika affärsproblem.
Stanford-teamet tränade en algoritm för djupinlärning för att identifiera olika typer av oregelbundna hjärtslag i EKG-data. Vissa oegentligheter kan leda till allvarliga hälsokomplikationer inklusive plötslig hjärtdöd, men signalen kan vara svår att upptäcka, så patienterna uppmanas ofta att bära en EKG-sensor i flera veckor. Även då kan det vara svårt för en läkare att skilja på oegentligheter som kan vara godartade och sådana som kan kräva behandling.
Stanford-forskarna tränade en algoritm för djupinlärning för att identifiera olika typer av oregelbundna hjärtslag från EKG-data.
Forskarna samarbetade med iRhythm , ett företag som tillverkar bärbara EKG-apparater. De samlade in 30 000 30-sekundersklipp från patienter med olika former av arytmier. För att bedöma noggrannheten i deras algoritm jämförde teamet dess prestanda med fem olika kardiologers prestanda på 300 odiagnostiserade klipp. De hade en panel med tre expertkardiologer som gav en grundsanningsbedömning.
Djup inlärning innebär att mata in stora mängder data till ett stort simulerat neuralt nätverk och finjustera dess parametrar tills det korrekt känner igen problematiska EKG-signaler. Tillvägagångssättet har visat sig vara skickligt på att identifiera komplexa mönster i bilder och ljud, och det har lett till utvecklingen av system för bildigenkänning och röstigenkänning som är bättre än människan.
Eric Horvitz , verkställande direktör för Microsoft Research och både läkare och expert på maskininlärning, säger andra, inklusive två olika grupper från MIT och University of Michigan, tillämpar maskininlärning för att upptäcka hjärtarytmier.
När man ser framåt finns det dock potential för maskininlärning att hitta spår av sjukdomar genom att kamma igenom stora mängder olika data.
En viktig utmaning kommer dock att vara att övertala läkare och patienter att lita på algoritmer som ofta är så komplexa att deras resonemang inte kan förstås (se The Dark Secret at the Heart of AI ). Djup inlärning är en särskilt ogenomskinlig form av maskininlärning, och att hitta sätt att göra det mer förklarligt kommer att vara viktigt både för att bygga förtroende och förfina behandlingen.
Ändå tvivlar Ng inte på att en revolution kommer. Vi har fortfarande arbete framför oss för att få in dessa algoritmer i sjukvårdens arbetsflöde, säger han. Men jag tror att vården om 10 år kommer att använda mycket mer AI och kommer att se väldigt annorlunda ut än den gör idag.