211service.com
Varför IBM just köpte miljarder medicinska bilder för Watson att titta på
IBM säger att Watson, dess artificiella intelligensteknologi, kan använda avancerad datorseende för att bearbeta enorma volymer medicinska bilder. Nu har Watson siktet inställt på att använda denna förmåga för att hjälpa läkare att diagnostisera sjukdomar snabbare och mer exakt.
Förra veckan meddelade IBM att de skulle köpa Slå samman sjukvård för en miljard dollar. Om affären slutförs skulle detta vara det tredje hälso- och sjukvårdsdataföretaget IBM har köpt i år (se Meet the Health-Care Company IBM Needed to Make Watson More Insightful ). Merge har specialiserat sig på att hantera alla typer av medicinska bilder, och dess tjänst används av mer än 7 500 sjukhus och kliniker i USA, samt av kliniska forskningsorganisationer och läkemedelsföretag. Shahram Ebadollahi , vice vd för innovation och chief science officer för IBMs Watson Health Group, säger att förvärvet är en del av ett försök att utnyttja många olika datakällor, inklusive anonymiserade, textbaserade medicinska journaler, för att hjälpa läkare att fatta behandlingsbeslut.
Merges datamängd innehåller cirka 30 miljarder bilder, vilket är avgörande för IBM eftersom dess planer för Watson förlitar sig på en teknik, kallad djupinlärning, som tränar en dator genom att mata den med stora mängder data.
Watson vann Jeopardy! genom att använda avancerad bearbetning av naturliga språk och statistisk analys för att tolka frågor och ge rätt svar. Deep learning lades till i Watsons färdigheter på senare tid (se IBM pushar Deep Learning med en Watson Upgrade ). Detta nya tillvägagångssätt för artificiell intelligens innebär att datorer lär sig att upptäcka mönster i data genom att bearbeta det på sätt inspirerade av nätverk av neuroner i hjärnan (se Breakthrough Technologies 2013: Deep Learning ). Tekniken har redan gett mycket imponerande resultat inom taligenkänning (se Microsoft Brings Star Trek 's Voice Translator to Life ) och bildigenkänning (se Facebook skapar programvara som matchar ansikten nästan lika bra som du gör ).
IBM:s forskare tror att medicinsk bildbehandling kan bli nästa. Bilder beräknas utgöra så mycket som 90 procent av all medicinsk data idag, men det kan vara svårt för läkare att få fram viktig information från dem, säger John Smith , senior manager för intelligenta informationssystem på IBM Research.
En av de mest lovande kortsiktiga tillämpningarna av automatiserad bildbehandling, säger Smith, är att upptäcka melanom, en typ av hudcancer. Att diagnostisera melanom kan vara svårt, delvis för att det finns så stor variation i hur det ser ut hos enskilda patienter. Genom att mata en dator med många bilder av melanom är det möjligt att lära systemet att känna igen mycket subtila men viktiga egenskaper som är förknippade med sjukdomen. Tekniken som IBM tänker sig skulle kunna jämföra en ny bild från en patient med många andra i en databas och sedan snabbt ge läkaren viktig information, hämtad från bilderna såväl som från textbaserade journaler, om diagnosen och möjliga behandlingar.
Att hitta cancer i lung-CT-skanningar är ett annat bra exempel på hur sådan teknik kan hjälpa till att diagnostisera, säger Jeremy Howard, VD för Enlitisk , en ett år gammal startup som också använder djupinlärning för medicinsk bildbehandling (se A Startup Hopes to Teach Computers to Spot Tumors in Medical Scans ). Man måste bläddra igenom hundratals och hundratals skivor och leta efter några små lysande pixlar som dyker upp och försvinner, och det tar lång tid, och det är väldigt lätt att göra ett misstag, säger han. Howard säger att hans företag redan har skapat en algoritm som kan identifiera relevanta egenskaper hos lungtumörer mer exakt än vad radiologer kan.
Howard säger att det största hindret för att använda djupinlärning i medicinsk diagnostik är att så mycket av den data som behövs för att träna systemen förblir isolerad på enskilda institutioner, och statliga föreskrifter kan göra det svårt att dela den informationen. IBMs förvärv av Merge, med sina miljarder medicinska bilder, kan hjälpa till att lösa det problemet.