211service.com
Maskinene gjør seg klare til å leke doktor
Forskere brukte bærbare EKG-enheter for å samle inn 30 000 30-sekunders klipp fra pasienter med ulike former for arytmi.
Det kan ikke ta lang tid før algoritmer rutinemessig redder liv – så lenge leger er villige til å sette stadig mer tillit til maskiner.
Et team av forskere ved Stanford University, ledet av Andrew Ng , en fremtredende AI-forsker og en adjunkt der, har vist at en maskinlæringsmodell kan identifisere hjertearytmier fra et elektrokardiogram (EKG) bedre enn en ekspert.
Den automatiserte tilnærmingen kan vise seg å være viktig for daglig medisinsk behandling ved å gjøre diagnosen potensielt dødelige hjerterytmeuregelmessigheter mer pålitelig. Det kan også gjøre kvalitetspleie lettere tilgjengelig i områder hvor ressursene er knappe.
Arbeidet er også bare det siste tegnet på hvordan maskinlæring ser ut til å revolusjonere medisinen. De siste årene har forskere vist at maskinlæringsteknikker kan brukes til å oppdage alle slags plager, inkludert f.eks. brystkreft , hudkreft , og øyesykdom fra medisinske bilder.
Jeg har blitt oppmuntret av hvor raskt folk aksepterer ideen om at dyp læring kan diagnostisere med en nøyaktighet som er bedre enn leger i utvalgte vertikaler, sa Ng via e-post. Han legger til at det er oppmuntrende å se forskere som ser utover bildebehandling til andre former for data som EKG.
Inntil nylig var Ng sjefforsker ved den kinesiske teknologigiganten Baidu, hvor han hjalp til med å grunnlegge et institutt dedikert til å anvende dyp læring på ulike forretningsproblemer.
Stanford-teamet trente en dyplæringsalgoritme for å identifisere ulike typer uregelmessige hjerteslag i EKG-data. Noen uregelmessigheter kan føre til alvorlige helsekomplikasjoner, inkludert plutselig hjertedød, men signalet kan være vanskelig å oppdage, så pasienter blir ofte bedt om å bruke en EKG-sensor i flere uker. Selv da kan det være vanskelig for en lege å skille mellom uregelmessigheter som kan være godartede og uregelmessigheter som kan kreve behandling.
Stanford-forskerne trente en dyplæringsalgoritme for å identifisere forskjellige typer uregelmessige hjerteslag fra EKG-dataene.
Forskerne samarbeidet med iRhythm , et selskap som lager bærbare EKG-enheter. De samlet inn 30 000 30-sekunders klipp fra pasienter med ulike former for arytmi. For å vurdere nøyaktigheten til algoritmen deres, sammenlignet teamet ytelsen til fem forskjellige kardiologer på 300 udiagnostiserte klipp. De hadde et panel med tre eksperter på kardiologer som ga en bunnsannhetsvurdering.
Dyplæring innebærer å mate store mengder data inn i et stort simulert nevralt nettverk, og finjustere parametrene til det gjenkjenner problematiske EKG-signaler nøyaktig. Tilnærmingen har vist seg flink til å identifisere komplekse mønstre i bilder og lyd, og den har ført til utviklingen av bedre enn menneskelige bildegjenkjennings- og stemmegjenkjenningssystemer.
Eric Horvitz , administrerende direktør i Microsoft Research og både lege og ekspert på maskinlæring, sier andre, inkludert to forskjellige grupper fra MIT og University of Michigan, bruker maskinlæring for å oppdage hjertearytmier.
Når man ser fremover, er det imidlertid potensialet for maskinlæring for å finne spor av sykdom ved å finkjemme store mengder forskjellige data.
En sentral utfordring vil imidlertid være å overtale leger og pasienter til å stole på algoritmer som ofte er så komplekse at resonnementet deres ikke kan forstås (se The Dark Secret at the Heart of AI ). Dyplæring er en spesielt ugjennomsiktig form for maskinlæring, og å finne måter å gjøre den mer forklarlig på vil være viktig både for å bygge tillit og foredle behandlingen.
Ng er likevel ikke i tvil om at det kommer en revolusjon. Vi har fortsatt arbeid foran oss for å få disse algoritmene inn i helsevesenets arbeidsflyt, sier han. Men jeg tror helsevesenet om 10 år vil bruke mye mer AI og vil se veldig annerledes ut enn det gjør i dag.