Million-dollar-tip om, hvordan maskinlæring en dag kan opdage kræft

Maskinlæring kræver ofte massive datasæt for at udvikle en effektiv algoritme, men til denne konkurrence fik hold kun 2.000 billeder.

En konkurrence, der har til formål at automatisere opdagelsen af ​​lungekræft, viser, hvordan maskinlæring kan være klar til at revidere medicinsk billeddannelse.

Udfordringen tilbød $1 million i præmier for de algoritmer, der mest præcist identificerede tegn på lungekræft i lavdosis computertomografibilleder. De vindende algoritmer vil ikke nødvendigvis blive adopteret af klinikere, men de kan inspirere til algoritmiske innovationer, der finder vej til medicinsk billedbehandling.

Lavdosis CT-scanninger har i de senere år vist et stort potentiale til at opdage lungekræft tidligere. De bruger mindre stråling og kræver ikke et kontrastfarvestof for at blive sprøjtet ind i kroppen. Men diagnosen er meget vanskelig, hvilket betyder et højt antal falske positive og for mange unødvendige medicinske procedurer.

En maskinlæringsteknik kendt som deep learning har vist sig særligt effektiv til at finde mønstre i billeder i de senere år (se 10 Breakthrough Technologies 2013: Deep Learning). Der er nu voksende håb om, at denne og andre maskinlæringsmetoder kan bidrage til at forbedre standarderne for diagnose i medicin ved automatisk at genkende mønstre, der indikerer sygdom - inklusive dem, der er for subtile til, at det menneskelige øje kan fange.

Dyb læring er allerede blevet vant til opdage hudkræft på billeder med nogenlunde det samme antal fejl som foretaget af professionelle hudlæger. Og teknikken har vist sig effektiv til at opdage en almindelig årsag til blindhed i nethindebilleder. Der er nu voksende interesse blandt læger og iværksættere for at anvende teknikken mere bredt. Da dette sker, kan der dog være behov for en større indsats for at gøre sådanne algoritmer forklarelige (se The Dark Secret at the Heart of AI).

Relateret historie

Relateret historie Ingen ved rigtigt, hvordan de mest avancerede algoritmer gør, hvad de gør. Det kunne være et problem.

Keyvan Farahani, en programdirektør ved National Cancer Institute, som leverede de billeddata, der blev brugt i konkurrencen, siger, at en reduktion af antallet af falske lungekræftdiagnoser fra lavdosis CT-scanninger ville gøre en reel forskel for patienterne. Der er omkring 222.500 nye tilfælde af lungekræft i USA hvert år, ifølge American Cancer Society.

Farahani siger, at eksisterende software til at identificere tegn på lungekræft er upålidelig. Foreløbige resultater tyder på, at [de bedste algoritmer] er bedre end det, der allerede er tilgængeligt, siger han. Farahani forudser dog ikke, at algoritmer træder i stedet for medicinske eksperter. Dyb læring vil hjælpe med at fordøje store mængder data, siger han. Jeg tror ikke, de kommer til at erstatte læger eller radiologer.

En af de vigtigste udfordringer i denne konkurrence var, at kun 2.000 billeder blev gjort tilgængelige for hold. Maskinlæring kræver ofte meget store datasæt for at udvikle en effektiv algoritme. Men andre data, som detaljer om det brugte udstyr, var inkluderet.

Det vindende hold brugte et neuralt netværk og lagde en ekstra indsats i at kommentere billeder for at give flere datapunkter. Den brugte også et ekstra datasæt og delte udfordringen op i to dele: at identificere knuder og derefter diagnosticere kræft. Det er endnu ikke klart, hvordan den bedste algoritme kan måle sig med en læge, fordi hver algoritme giver en sandsynlighed snarere end et endeligt resultat.

Vi mener, at det eksplicit at opdele dette problem i to faser, hvilket også synes at være, hvad menneskelige eksperter ville gøre, siger Zhe Li, et medlem af vinderholdet og studerende ved Tsinghua University, et af Kinas førende akademiske institutter.

Udover at antyde potentialet for dyb læring inden for medicinsk billeddannelse, fremhæver lungekræftkonkurrencen kinesiske AI-forskeres voksende omdømme.

Det konkurrence , afholdt på datavidenskabssiden Kaggle, blev organiseret af Booz Allen Hamilton, et managementkonsulentfirma, der har arrangeret flere andre store datavidenskabskonkurrencer før. De 1 million dollars i præmiepenge kom fra Laura og John Arnold Fonden .

Kaggle blev grundlagt i 2010 og købt tidligere på året af Google. Siden har vist sig at være en effektiv måde at crowdsource udviklingen af ​​maskinlæringsalgoritmer på og er også en populær måde at identificere talenter på.

Relateret historie

Læs Næste

Josh Sullivan , der leder datavidenskabsteamet hos Booz Allen Hamilton, siger, at en motivation for konkurrencen er talenterhvervelse, og bemærker, at 238 deltagere også har søgt job i virksomheden. Han tilføjer, at virksomheden gør de vindende algoritmer tilgængelige gratis for at maksimere de potentielle fordele for det medicinske samfund.

Li, fra det vindende hold, siger, at det er glædeligt at udvikle noget, der kan redde folks liv, men den egentlige grund til at deltage var en smule mindre altruistisk. For at være ærlig er den store motivation at vinde præmiepengene, siger han.

skjule