Η πνευμονία βάζει ένα εκατομμύριο ενήλικες Αμερικανούς στο νοσοκομείο κάθε χρόνο και σκοτώνει 50.000. Εάν ένας γιατρός υποψιάζεται ότι ένας ασθενής έχει πνευμονία, αυτός ή αυτή θα παραγγείλει γενικά μια ακτινογραφία θώρακα. Αυτές οι ακτίνες Χ πρέπει να ερμηνεύονται από έναν γιατρό, φυσικά. Αλλά τώρα, οι ερευνητές του Stanford έχουν αναπτύξει έναν αλγόριθμο που λένε ότι μπορούν να διαγνώσουν πνευμονία στις ακτίνες Χ καλύτερα από τους έμπειρους ακτινολόγους.
"Το πλεονέκτημα ενός αλγορίθμου είναι ότι μπορεί να μάθει από εκατοντάδες χιλιάδες ακτινογραφίες θώρακα και τις αντίστοιχες διαγνώσεις τους από άλλους ειδικούς", λέει ο Pranav Rajpurkar, ένας μεταπτυχιακός φοιτητής της ομάδας μάθησης Stanford Machine Learning, ο οποίος διετέλεσε επικεφαλής της έρευνας. «Πότε οι ακτινολόγοι έχουν ποτέ την ευκαιρία να μάθουν από εκατοντάδες χιλιάδες άλλες διαγνώσεις ακτινολόγων και να βρουν μοτίβα στις εικόνες που οδηγούν σε αυτές τις διαγνώσεις;»
Ο αλγόριθμος, που ονομάζεται CheXNet, μπορεί επίσης να διαγνώσει 13 άλλες ιατρικές καταστάσεις, όπως το εμφύσημα και τον πνευμοθώρακα (αέρας που παγιδεύεται μεταξύ του πνεύμονα και του θωρακικού τοιχώματος). Η ομάδα δημιούργησε τον αλγόριθμο χρησιμοποιώντας ένα δημόσιο σύνολο δεδομένων από τα Εθνικά Ινστιτούτα Υγείας (NIH), το οποίο περιείχε περισσότερες από 100.000 εικόνες ακτίνων Χ στο στήθος με 14 πιθανές συνθήκες. Το σύνολο δεδομένων απελευθερώθηκε μαζί με έναν αρχικό αλγόριθμο διάγνωσης, τον οποίο η NIH ενθάρρυνε άλλους ερευνητές να προχωρήσουν.
Ο Rajpurkar και οι συνάδελφοι του Group Machine Learning Group αποφάσισαν να αναλάβουν την πρόκληση. Οι ερευνητές είχαν τέσσερις ακτινολόγους του Στάνφορντ να επισημάνουν πιθανές ενδείξεις πνευμονίας σε 420 εικόνες. Χρησιμοποιώντας αυτά τα δεδομένα, μέσα σε μια εβδομάδα δημιούργησαν έναν αλγόριθμο που θα μπορούσε να διαγνώσει με ακρίβεια 10 συνθήκες. Μέσα σε ένα μήνα ο αλγόριθμος θα μπορούσε να ξεπεράσει τους προηγούμενους αλγόριθμους κατά τη διάγνωση και των 14 συνθηκών. Σε αυτό το σημείο, οι διαγνώσεις του CheXNet συμφώνησαν με πλειοψηφική γνώμη ακτινολόγων πιο συχνά από μια ατομική γνώμη οποιουδήποτε ακτινολόγου.
Η έρευνα δημοσιεύθηκε αυτό το μήνα στην επιστημονική ιστοσελίδα preprint arXiv .
Άλλοι διαγνωστικοί αλγόριθμοι έχουν κάνει τις ειδήσεις πρόσφατα. Οι ομάδες του Καναδά και της Ιταλίας έχουν αναπτύξει και τους δύο αλγορίθμους για τη διάγνωση της νόσου του Αλτσχάιμερ από τις εξετάσεις εγκεφάλου. Η κατανομή των πλακών στον εγκέφαλο που χαρακτηρίζουν τη νόσο είναι πολύ λεπτή για το γυμνό μάτι, αλλά οι ερευνητές λένε ότι η τεχνολογία AI μπορεί να ανιχνεύσει μη φυσιολογικά πρότυπα. Ο Rajpurkar και οι συνεργάτες του στην ομάδα Machine Learning Group του Stanford έχουν επίσης αναπτύξει έναν αλγόριθμο για τη διάγνωση καρδιακών αρρυθμιών, αναλύοντας ώρες δεδομένων από φορητές οθόνες καρδιάς. Άλλοι αλγόριθμοι πνευμονίας έχουν αναπτυχθεί από τα δεδομένα NIH, αλλά το Stanford είναι μέχρι τώρα το πιο ακριβές.
Το CheXNet μπορεί να είναι ιδιαίτερα χρήσιμο σε χώρους όπου οι άνθρωποι δεν έχουν εύκολη πρόσβαση σε έμπειρους ακτινολόγους, λέει η ομάδα. Θα μπορούσε επίσης να είναι χρήσιμο ως ένα είδος ταξινόμησης, προσδιορίζοντας ποιες περιπτώσεις ενδεχομένως χρειάζονται έκτακτη προσοχή και ποιες όχι. Η ομάδα ανέπτυξε επίσης ένα εργαλείο το οποίο παράγει έναν χάρτη πιθανών δεικτών πνευμονίας στις ακτίνες Χ, παρέχοντας έναν εύχρηστο οπτικό οδηγό για τους γιατρούς.
Ενώ η ομάδα είναι αισιόδοξη για τις διαγνωστικές ικανότητες του CheXNet, είναι προσεκτικοί σχετικά με τα όριά του.
"Το AI είναι ένα ισχυρό εργαλείο, αλλά χρειάζονται χρόνια εμπειρίας και πολλές δύσκολες ώρες για να μάθουμε πώς να το χειριστούμε και είναι εξίσου δύσκολο να προσδιορίσουμε πού μπορούμε να το χρησιμοποιήσουμε για τις πιο θετικές επιπτώσεις", λέει ο Rajpurkar.
Ενώ υπάρχουν διάφοροι αλγόριθμοι βαθιάς μάθησης στην ανάπτυξη, κανένας δεν έχει ακόμη περάσει από την αυστηρή διαδικασία ελέγχου και έγκρισης που είναι απαραίτητη για χρήση σε πραγματικούς ασθενείς.
Ο Paul Chang, καθηγητής ακτινολογίας και αντιπρόεδρος του τμήματος ακτινολογίας του Πανεπιστημίου του Σικάγο, ακούει ένα σκεπτικιστικό σημείωμα σχετικά με το CheXNet και παρόμοια προγράμματα βαθιάς μάθησης. Οι γιατροί χρησιμοποιούν ήδη αλγόριθμους για να βοηθήσουν στη διάγνωση οποιουδήποτε αριθμού συνθηκών, λέει ο Chang. Αυτοί οι αλγόριθμοι βασίζονται σε ένα προδιαμορφωμένο μοντέλο της κατάστασης που μοιάζει με την κατάσταση: οι καρκίνοι είναι μεγαλύτεροι και πιο καλοί από τις καλοήθεις μάζες, για παράδειγμα. Τα προγράμματα βαθιάς εκμάθησης, αντίθετα, αποσκοπούν να καταλάβουν ποια χαρακτηριστικά είναι σημαντικά από μόνα τους, με την τραγάνισμα τεράστιων ποσοτήτων δεδομένων. Αλλά αυτό σημαίνει επίσης ότι μπορούν να πάρουν λάθος συνθήματα. Ο Chang δίνει το παράδειγμα ενός αλγορίθμου βαθιάς μάθησης που έμαθε τη διαφορά μεταξύ διαφόρων τύπων ακτίνων Χ: χέρια, πόδια, μαστογραφίες. Αλλά οι ερευνητές ανακάλυψαν ότι το πρόγραμμα είχε απλά μάθει να αναγνωρίζει μαστογραφίες από το γεγονός ότι η κύρια εικόνα ήταν στην πλευρά της ταινίας και όχι στο κέντρο (αφού οι στήθη συνδέονται με το θωρακικό τοίχωμα εμφανίζονται στην άκρη της ταινίας σε μια Αντίθετα, τα χέρια ή τα πόδια θα εμφανιστούν στο κέντρο της ακτινογραφίας). Ο αλγόριθμος δεν έμαθε τίποτα σημαντικό για τα στήθη, ακριβώς για τη θέση τους στην οθόνη.
"Αυτό είναι πολύ πρώιμο", λέει ο Chang, ο οποίος επισημαίνει ότι τα αποτελέσματα του CheXNet δεν έχουν αξιολογηθεί από ομότιμους. "Η βαθιά εκμάθηση έχει μεγάλες δυνατότητες, αλλά εμείς στην ιατρική και στην ακτινολογία τείνουμε να είμαστε νωρίς στο κύκλωμα της διαφημιστικής εκστρατείας, αλλά μας παίρνει περισσότερο χρόνο να υιοθετήσουμε. Θα μάθουμε πώς να το καταναλώνουμε κατάλληλα. "
