Tips om miljoner dollar om hur maskininlärning en dag kan upptäcka cancer

Maskininlärning kräver ofta enorma datamängder för att utveckla en effektiv algoritm, men för den här tävlingen fick teamen endast 2 000 bilder.

En tävling som syftar till att automatisera upptäckten av lungcancer visar hur maskininlärning kan vara redo att se över medicinsk bildbehandling.

Utmaningen erbjöd 1 miljon dollar i priser för de algoritmer som mest exakt identifierade tecken på lungcancer i lågdosdatortomografibilder. De vinnande algoritmerna kommer inte nödvändigtvis att antas av läkare, men de kan inspirera till algoritmiska innovationer som letar sig in i medicinsk bildbehandling.

Datortomografi i låga doser har visat stor potential de senaste åren för att upptäcka lungcancer tidigare. De använder mindre strålning och kräver ingen kontrastfärg för att injiceras i kroppen. Men diagnosen är mycket svår, vilket innebär ett stort antal falska positiva och för många onödiga medicinska procedurer.

En maskininlärningsteknik känd som djupinlärning har visat sig särskilt effektiv för att hitta mönster i bilder de senaste åren (se 10 Breakthrough Technologies 2013: Deep Learning ). Det finns nu ett växande hopp om att denna och andra maskininlärningsmetoder kan bidra till att förbättra standarderna för diagnos inom medicin genom att automatiskt känna igen mönster som indikerar sjukdom – inklusive sådana som är för subtila för det mänskliga ögat att fånga.

Deep learning har redan varit van vid upptäcka hudcancer i bilder med ungefär samma antal fel som gjorts av professionella hudläkare. Och tekniken har visat sig effektiv för att upptäcka en vanlig orsak till blindhet i näthinnebilder. Det finns nu ett växande intresse bland läkare och företagare för att använda tekniken bredare. När detta händer kan det dock behövas mer ansträngning för att göra sådana algoritmer förklarliga (se The Dark Secret at the Heart of AI).

Relaterad berättelse

Relaterad berättelse Ingen vet riktigt hur de mest avancerade algoritmerna gör vad de gör. Det kan vara ett problem.

Keyvan Farahani, en programdirektör vid National Cancer Institute, som tillhandahöll bilddata som användes i tävlingen, säger att en minskning av antalet falska lungcancerdiagnoser från lågdos-CT-skanningar skulle göra en verklig skillnad för patienterna. Det finns cirka 222 500 nya fall av lungcancer i USA varje år, enligt American Cancer Society.

Farahani säger att befintlig programvara för att identifiera tecken på lungcancer är opålitlig. Preliminära resultat tyder på att [de bästa algoritmerna] är bättre än vad som redan finns tillgängligt, säger han. Farahani förutser dock inte att algoritmer kommer att ersätta medicinska experter. Deep learning kommer att hjälpa till att smälta stora mängder data, säger han. Jag tror inte att de kommer att ersätta läkare eller radiologer.

En av de viktigaste utmaningarna i den här tävlingen var det faktum att endast 2 000 bilder gjordes tillgängliga för team. Maskininlärning kräver ofta mycket stora datamängder för att kunna utveckla en effektiv algoritm. Men andra data, som detaljer om den använda utrustningen, inkluderades.

Det vinnande laget använde ett neuralt nätverk och lade extra ansträngning på att kommentera bilder för att ge fler datapunkter. Den använde också en extra datamängd och delade utmaningen i två delar: att identifiera knölar och sedan diagnostisera cancer. Det är ännu inte klart hur den bästa algoritmen kan mäta sig med en läkare, eftersom varje algoritm ger en sannolikhet snarare än ett definitivt resultat.

Vi tror att det är avgörande att uttryckligen dela upp det här problemet i två steg, vilket också verkar vara vad mänskliga experter skulle göra, säger Zhe Li, en medlem av det vinnande laget och en student vid Tsinghua University, ett av Kinas främsta akademiska institut.

Förutom att antyda potentialen för djupinlärning inom medicinsk bildbehandling, belyser lungcancertävlingen kinesiska AI-forskares växande rykte.

De tävling , som hölls på datavetenskapssajten Kaggle, organiserades av Booz Allen Hamilton, ett managementkonsultföretag som har arrangerat flera andra stora datavetenskapstävlingar tidigare. 1 miljon dollar i prispengar kom från Laura och John Arnold Foundation .

Kaggle grundades 2010 och förvärvades tidigare i år av Google. Sajten har visat sig vara ett kraftfullt sätt att crowdsourca utvecklingen av maskininlärningsalgoritmer, och är också ett populärt sätt att identifiera talanger.

Relaterad berättelse

Läs Nästa

Josh Sullivan , som leder datavetenskapsteamet på Booz Allen Hamilton, säger att en motivation för tävlingen är talangförvärv, och noterar att 238 deltagare också har sökt jobb på företaget. Han tillägger att företaget gör de vinnande algoritmerna tillgängliga gratis för att maximera de potentiella fördelarna för det medicinska samhället.

Li, från det vinnande laget, säger att det är glädjande att utveckla något som kan rädda människors liv, men den verkliga anledningen till att delta var lite mindre altruistisk. För att vara ärlig är den stora motivationen att vinna prispengarna, säger han.

Dölj