Pneumonia meletakkan satu juta orang dewasa Amerika di hospital setiap tahun dan membunuh 50, 000. Jika seorang doktor mengesyaki pesakit mempunyai pneumonia, dia biasanya akan memerintahkan sinar-X dada. Sinar-X ini mesti ditafsirkan oleh seorang doktor, sudah tentu. Tetapi sekarang, penyelidik Stanford telah membangunkan satu algoritma yang mereka katakan boleh mendiagnosis radang paru-paru pada X-ray lebih baik daripada ahli radiologi yang berpengalaman.
"Kelebihan algoritma yang ada ialah ia dapat belajar daripada beratus-ratus ribu sinaran X-dada dan diagnosis yang sepadan dengan pakar lain, " kata Pranav Rajpurkar, pelajar siswazah di Stanford Machine Learning Group, yang bersama-sama mengetuai penyelidikan. "Bilakah ahli radiologi pernah mendapat peluang untuk belajar dari beratus-ratus ribu diagnosa radiologi lain dan mencari corak dalam imej yang membawa kepada diagnosis mereka?"
Algoritma yang dipanggil CheXNet, juga boleh mendiagnosis 13 keadaan perubatan lain, termasuk emphysema dan pneumothorax (udara terperangkap di antara dinding paru-paru dan dada). Pasukan ini membina algoritma menggunakan dataset awam dari National Institutes of Health (NIH), yang mengandungi lebih daripada 100, 000 imej X-ray dada yang dilabel dengan 14 kemungkinan keadaan. Dataset itu dibebaskan bersama dengan algoritma diagnosis awal, yang NIH mendorong penyelidik lain untuk maju.
Rajpurkar dan ahli-ahli kumpulan Pembelajaran Mesinnya memutuskan untuk mengambil cabaran. Penyelidik mempunyai empat ahli radiologi Stanford menandakan tanda-tanda radang paru-paru pada 420 imej. Menggunakan data ini, dalam masa seminggu, mereka membuat algoritma yang boleh mendiagnosis dengan tepat 10 keadaan. Dalam masa sebulan algoritma dapat mengatasi algoritma sebelumnya untuk mendiagnosis semua 14 syarat. Pada masa ini, diagnosis CheXNet bersetuju dengan pendapat majoriti ahli radiologi lebih kerap daripada pendapat individu ahli radiologi mana-mana.
Penyelidikan itu telah diterbitkan pada bulan ini di laman web saintifik saintifik arXiv .
Algoritma diagnostik lain telah membuat berita baru-baru ini. Pasukan Kanada dan Itali mempunyai kedua-dua algoritma yang dibangunkan untuk mendiagnosis penyakit Alzheimer daripada imbasan otak. Pengedaran plak di otak yang menyifatkan penyakit itu terlalu halus untuk mata kasar, tetapi para penyelidik mengatakan teknologi AI dapat mengesan corak yang tidak normal. Rajpurkar dan rakan-rakan penyelidik di Machine Learning Group Stanford juga telah membangunkan satu algoritma untuk mendiagnosis aritmia jantung, menganalisis jam data daripada monitor jantung yang boleh pakai. Algoritma radang paru-paru lain telah dibangunkan dari data NIH, tetapi satu lagi Stanford yang paling tepat.
CheXNet boleh membantu terutama di tempat di mana orang tidak mempunyai akses mudah kepada pakar radiologi yang berpengalaman, kata pasukan itu. Ia juga boleh berguna sebagai sejenis triase, mengenalpasti kes yang mungkin memerlukan perhatian kecemasan dan yang tidak. Pasukan ini juga membangunkan alat yang menghasilkan peta petunjuk pneumonia yang berpotensi pada sinar-X, memberikan panduan visual yang berguna untuk para doktor.
Walaupun pasukan optimistik mengenai kebolehan diagnostik CheXNet, mereka berhati-hati tentang hadnya.
"AI adalah alat yang berkuasa, tetapi ia memerlukan pengalaman bertahun-tahun dan banyak masa yang sukar untuk memahami bagaimana menggunakannya, dan ia sama sukar untuk menentukan di mana kita boleh menggunakannya untuk kesan yang paling positif, " kata Rajpurkar.
Walaupun terdapat beberapa algoritma pembelajaran mendalam dalam pembangunan, tidak ada yang telah melalui proses ujian dan kelulusan yang ketat yang diperlukan untuk digunakan pada pesakit yang sebenar.
Paul Chang, seorang profesor radiologi dan naib pengerusi jabatan radiologi di University of Chicago, membunyikan nota ragu mengenai CheXNet dan program pembelajaran mendalam yang serupa. Pakar sudah menggunakan algoritma untuk membantu mendiagnosis sebarang keadaan, kata Chang. Algoritma ini bergantung pada model praformed tentang keadaan seperti mana: kanser lebih besar dan lebih besar daripada jisim jinak, contohnya. Sebaliknya, program pembelajaran yang mendalam dimaksudkan untuk memikirkan ciri-ciri apa yang penting dengan sendirinya, dengan mengira sejumlah besar data. Tetapi ini juga bermakna bahawa mereka boleh mengambil isyarat yang salah. Chang memberi contoh algoritma pembelajaran mendalam yang mempelajari perbezaan antara pelbagai jenis sinar-X: tangan, kaki, mamogram. Tetapi para penyelidik mendapati bahawa program itu hanya belajar untuk mengenali mamogram dengan hakikat bahawa imej utama berada di sisi filem dan bukannya di tengah (kerana payudara dilekatkan pada dinding dada mereka muncul di pinggir filem dalam Gambaran mammogram. Tangan atau kaki, sebaliknya, akan muncul di tengah sinar-X). Algoritma ini tidak belajar apa-apa yang penting mengenai payudara, hanya tentang kedudukan mereka di skrin.
"Ini adalah masa yang sangat awal, " kata Chang, yang menunjukkan bahawa keputusan CheXNet tidak dikaji semula. "Pengalaman mendalam mempunyai potensi yang besar, tetapi kami dalam bidang perubatan dan dalam radiologi cenderung menjadi awal kitaran hype, tetapi kami memerlukan lebih lama untuk mengadopsi. Kita akan belajar cara menggunakannya dengan sewajarnya. "
