211service.com
Maskinerne gør sig klar til at lege doktor
Forskere brugte bærbare EKG-enheder til at indsamle 30.000 30-sekunders klip fra patienter med forskellige former for arytmi.
Der går måske ikke længe, før algoritmer rutinemæssigt redder liv - så længe lægerne er villige til at sætte mere og mere tillid til maskiner.
Et team af forskere ved Stanford University, ledet af Andrew Ng , en fremtrædende AI-forsker og en adjungeret professor der, har vist, at en maskinlæringsmodel kan identificere hjertearytmier fra et elektrokardiogram (EKG) bedre end en ekspert.
Den automatiserede tilgang kan vise sig at være vigtig for daglig medicinsk behandling ved at gøre diagnosen af potentielt dødelige hjerteslagsuregelmæssigheder mere pålidelig. Det kunne også gøre kvalitetspleje lettere tilgængelig i områder, hvor ressourcerne er knappe.
Arbejdet er også blot det seneste tegn på, hvordan maskinlæring ser ud til at revolutionere medicin. I de senere år har forskere vist, at maskinlæringsteknikker kan bruges til at spotte alle mulige lidelser, herunder f.eks. brystkræft , hudkræft , og øjensygdom fra medicinske billeder.
Jeg er blevet opmuntret af, hvor hurtigt folk accepterer ideen om, at dyb læring kan diagnosticere med en nøjagtighed, der er bedre end læger i udvalgte vertikaler, sagde Ng via e-mail. Han tilføjer, at det er opmuntrende at se, at forskere ser ud over billeddannelse til andre former for data såsom EKG.
Indtil for nylig var Ng chefforsker hos den kinesiske teknologigigant Baidu, hvor han var med til at stifte et institut dedikeret til at anvende dyb læring til forskellige forretningsproblemer.
Stanford-teamet trænede en dyb-læringsalgoritme til at identificere forskellige typer af uregelmæssige hjerteslag i EKG-data. Nogle uregelmæssigheder kan føre til alvorlige helbredskomplikationer, herunder pludselig hjertedød, men signalet kan være svært at opdage, så patienter bliver ofte bedt om at bære en EKG-sensor i flere uger. Selv da kan det være svært for en læge at skelne mellem uregelmæssigheder, der kan være godartede, og dem, der kan kræve behandling.
Stanford-forskerne trænede en dyb-læringsalgoritme til at identificere forskellige typer af uregelmæssige hjerteslag ud fra EKG-data.
Forskerne samarbejdede med iRhythm , et firma, der laver bærbare EKG-enheder. De indsamlede 30.000 30-sekunders klip fra patienter med forskellige former for arytmi. For at vurdere nøjagtigheden af deres algoritme sammenlignede holdet dens ydeevne med fem forskellige kardiologer på 300 udiagnosticerede klip. De fik et panel på tre ekspertkardiologer til at give en sandhedsvurdering.
Deep learning involverer at føre store mængder data ind i et stort simuleret neuralt netværk og finjustere dets parametre, indtil det nøjagtigt genkender problematiske EKG-signaler. Tilgangen har vist sig dygtig til at identificere komplekse mønstre i billeder og lyd, og den har ført til udviklingen af bedre end menneskelige billedgenkendelses- og stemmegenkendelsessystemer.
Erik Horvitz , administrerende direktør for Microsoft Research og både læge og ekspert i maskinlæring, siger andre, bl.a to forskellige grupper fra MIT og University of Michigan, anvender maskinlæring til påvisning af hjertearytmier.
Når man ser fremad, er der dog potentialet for maskinlæring til at finde spor af sygdom ved at finkæmme store mængder forskellige data.
En central udfordring vil dog være at overtale læger og patienter til at stole på algoritmer, der ofte er så komplekse, at deres ræsonnement ikke kan forstås (se The Dark Secret at the Heart of AI). Dyb læring er en særlig uigennemsigtig form for maskinlæring, og at finde måder at gøre den mere forklarlig på vil være vigtig både for at opbygge tillid og forfine behandlingen.
Alligevel er Ng ikke i tvivl om, at en revolution er på vej. Vi har stadig et arbejde forude for at få disse algoritmer ind i sundhedssystemets arbejdsgang, siger han. Men jeg tror, at sundhedsvæsenet om 10 år vil bruge meget mere kunstig intelligens og vil se meget anderledes ud, end det gør i dag.