Algorytm lepszy od radiologa
Naukowcy z Uniwersytetu Stanforda potrzebowali zaledwie 2 miesięcy, by nauczyć sztuczną inteligencję rozpoznawania 14 chorób na podstawie zdjęć RTG płuc oraz diagnozowania zapalenia płuc lepiej niż radiolodzy.
Interpretowanie zdjęć rentgenowskich w celu zdiagnozowania takich patologii jak zapalenie płuc jest bardzo trudne. Wiemy, że na podstawie tego samego zdjęcia radiolodzy stawiają różne rozpoznania. Postanowiliśmy więc stworzyć algorytm, który na podstawie setek tysięcy zdjęć nauczy się rozpoznawać i diagnozować choroby, mówi Pranav Rajpurkar ze Stanford Machine Learning Group.
Podczas nauki algorytmu CheXNet wykorzystano 112 120 zdjęć rentgenowskich płuc, które zostały upublicznione 26 września bieżącego roku przez Narodowe Instytuty Zdrowia (NIH). Opisane zdjęcia przedstawiają przypadki 14 różnych chorób. Wraz z upublicznieniem tych materiałów NIH udostępnił też prosty algorytm, który potrafił w pewnym zakresie zdiagnozować część z tych chorób. Dane udostępniono właśnie w celu zachęcenia innych do pracy nad podobnymi algorytmami. Zadania tego podjęła się Stanford Machine Learning Group, pracująca pod kierunkiem profesor Andrewa Ng.
Na programistami współpracował profesor radiologii Matthew Lungren i czterech innych radiologów. Niezależnie od opisów oznaczyli oni 420 zdjęć, na których zauważyli możliwe oznaki zapalenia płuc. Wybrano tę chorobę, gdyż z jej powodu każdego roku do szpitala trafia około miliona Amerykanów. Jest ona ponadto trudna do zdiagnozowania na podstawie samych zdjęć. Jednocześnie specjaliści ze Stanforda pracowali nad odpowiednim algorytmem.
W ciągu zaledwie tygodnia powstał algorytm, który lepiej niż jakiekolwiek wcześniejsze diagnozował 10 chorób. Po ponad miesiącu algorytm ten był już najdoskonalszym znanym algorytmem zdolnym do rozpoznania wszystkich 14 patologii widocznych na zdjęciach. Okazało się też, że CheXNet lepiej niż 4 wspomnianych radiologów diagnozuje zapalenie płuc. Sztuczna inteligencja okazała się w stawianiu diagnozy lepsza od samodzielnie pracującego radiologa. Podczas diagnozy algorytm tworzy na zdjęciu kolorową mapę. Kolory nie oznaczają jednak temperatury, ale miejsca, na które lekarz powinien zwrócić szczególną uwagę, by uściślić diagnozę.
Twórcy CheXNet stwierdzili, że ich algorytm pozwoli zredukować liczbę źle zdiagnozowanych pacjentów oraz przyspieszy pracę radiologów, wskazując, którym obszarom zdjęcia powinni przede wszystkim się przyjrzeć. Co interesujące, ta masa grupa pracuje nad algorytmami stawiającymi diagnozy na podstawie bicia serca i danych z urządzeń odbierających sygnały elektryczne. Tego typu algorytmy mogą przydać się tam, gdzie nie ma łatwego dostępu do radiologa i urządzeń obrazujących.
Komentarze (0)