211service.com
En AI-øjenlæge viser, hvordan maskinlæring kan transformere medicin
Google-forskere fik en øjenscanningsalgoritme til på egen hånd at finde ud af, hvordan man opdager en almindelig form for blindhed, hvilket viser potentialet for, at kunstig intelligens kan transformere medicin bemærkelsesværdigt snart.
Algoritmen kan se på nethindebilleder og opdage diabetisk retinopati – som rammer næsten en tredjedel af diabetespatienter – ligesom en højtuddannet øjenlæge kan. Det gør brug af den samme maskinlæringsteknik, som Google bruger til at mærke millioner af webbilleder.
Diabetisk retinopati er forårsaget af beskadigelse af blodkar i øjet og resulterer i en gradvis forringelse af synet. Hvis det fanges tidligt, kan det behandles, men en patient oplever muligvis ingen symptomer tidligt, hvilket gør screening afgørende. Det diagnosticeres til dels ved at få en ekspert til at undersøge billeder af en patients nethinde, fanget med en specialiseret enhed, for tegn på blødning og væskelækage.
En eller anden form for automatiseret detektion kunne gøre diagnosen mere effektiv og pålidelig og kunne være særlig nyttig i regioner, hvor den nødvendige ekspertise er knap. En af de mest spændende ting ved denne maskinlæringstilgang er, at den har potentiale til at forbedre objektiviteten og i sidste ende nøjagtigheden og kvaliteten af medicinsk behandling, siger Michael Chiang , professor i oftalmologi og kliniker ved Oregon Health & Science Universitys Casey Eye Institute.
AI har tidligere haft blandet succes inden for medicin. Systemer, der bruger en database med viden til at tilbyde rådgivning, har vist sig at overgå læger i nogle sammenhænge, men der har været begrænset optagelse. Alligevel kan kraften ved maskinlæring – især en teknik kendt som deep learning, gøre AI mere almindelig i fremtiden (se 10 Breakthrough Technologies 2013: Deep Learning). Et team hos Google DeepMind, et datterselskab af Alphabet, der udelukkende fokuserer på kunstig intelligens, gør lignende arbejde , træning af computere til at behandle optisk kohærens tomografi-scanninger for tegn på makuladegeneration og anden øjensygdom i samarbejde med forskere på Moorfields Eye Hospital i London (se DeepMind's First Medical Research Gig Will Use AI to Diagnose Eye Disease).
Denne nethinde-billede forskning, offentliggjort tirsdag, markerede første gang et papir om dyb læring er optrådt i Journal of American Medical Association , ifølge tidsskriftets chefredaktør, Howard Bauchner.
Artiklens forfattere, bestående af dataloger hos Google og medicinske forskere fra USA og Indien, udviklede en algoritme til at analysere nethindebilleder. Men i modsætning til eksisterende oftalmologisk software var den ikke eksplicit programmeret til at genkende træk i billeder, der kunne indikere sygdommen. Den kiggede simpelthen på tusindvis af raske og syge øjne og fandt selv ud af, hvordan den kunne få øje på tilstanden.
Forskerne skabte et træningssæt med 128.000 nethindebilleder klassificeret af mindst tre øjenlæger. Efter at algoritmen var blevet trænet, testede forskerne dens ydeevne på 12.000 billeder og fandt ud af, at den matchede eller oversteg eksperternes ydeevne til at identificere tilstanden og vurdere dens sværhedsgrad.
Google-forskerne samarbejdede med videnskabsmænd ved Aravind Medical Research Foundation i Indien, hvor et klinisk forsøg, der involverer rigtige patienter, er i gang. Dette projekt involverer patienter, der modtager en normal konsultation, men deres billeder føres også ind i deep-learning-systemet til sammenligning. Lily Peng, en forsker hos Google og en læge, der var involveret i projektet, siger, at resultaterne fra dette forsøg endnu ikke er klar til offentliggørelse.
Dyb læring kan anvendes på mange forskellige områder af medicin, der er afhængige af billedanalyse, såsom radiologi og kardiologi. Men en af de største udfordringer bliver at levere overbevisende dokumentation for, at systemerne er pålidelige. Brendan Frey , en professor ved University of Toronto og administrerende direktør og medstifter af et firma kaldet Dyb genomik , advarer om, at forskere bliver nødt til at udvikle maskinlæringssystemer, der er i stand til at forklare, hvordan de nåede frem til en bestemt konklusion (se AI's sprogproblem).
Peng fra Google siger, at dette er noget, hendes team allerede arbejder på. Vi forstår, at det bliver meget vigtigt at forklare, siger hun.