211service.com
Mašinos ruošiasi vaidinti daktarą
Tyrėjai naudojo nešiojamus EKG prietaisus, kad surinktų 30 000 30 sekundžių trukmės įrašų iš pacientų, sergančių įvairiomis aritmijos formomis.
Gali praeiti neilgai trukus, kol algoritmai reguliariai gelbės gyvybes, kol gydytojai nori vis labiau pasitikėti mašinomis.
Stanfordo universiteto mokslininkų komanda, vadovaujama Andrius Ng , žymus dirbtinio intelekto tyrinėtojas ir adjunktas profesorius, parodė, kad mašininio mokymosi modelis gali geriau nei ekspertas nustatyti širdies aritmijas pagal elektrokardiogramą (EKG).
Automatizuotas metodas gali būti svarbus kasdieniniam medicininiam gydymui, nes galimai mirtinų širdies plakimo sutrikimų diagnozė būtų patikimesnė. Be to, tose srityse, kuriose trūksta išteklių, būtų lengviau gauti kokybišką priežiūrą.
Šis darbas taip pat yra tik naujausias ženklas, kaip mašininis mokymasis gali pakeisti mediciną. Pastaraisiais metais mokslininkai įrodė, kad mašininio mokymosi metodai gali būti naudojami norint pastebėti įvairius negalavimus, įskaitant, pvz. krūties vėžys , odos vėžys , ir akių liga iš medicininių vaizdų.
Mane padrąsino tai, kaip greitai žmonės priima mintį, kad giluminis mokymasis gali diagnozuoti geresniu tikslumu nei gydytojai tam tikrose vertikalėse, el. paštu sakė Ng. Jis priduria, kad džiugina tai, kad mokslininkai žiūri ne tik į vaizdavimą, bet ir į kitas duomenų formas, pavyzdžiui, EKG.
Dar visai neseniai Ng buvo Kinijos technologijų milžinės „Baidu“ vyriausiasis mokslininkas, kur padėjo įkurti institutą, skirtą gilaus mokymosi pritaikymui įvairiose verslo problemose.
Stanfordo komanda išmokė gilaus mokymosi algoritmą, kad nustatytų skirtingus nereguliaraus širdies plakimo tipus EKG duomenyse. Kai kurie pažeidimai gali sukelti rimtų sveikatos komplikacijų, įskaitant staigią širdies mirtį, tačiau signalą gali būti sunku aptikti, todėl pacientų dažnai prašoma keletą savaičių nešioti EKG jutiklį. Net ir tada gydytojui gali būti sunku atskirti pažeidimus, kurie gali būti gerybiniai, nuo tų, kuriems gali prireikti gydymo.
Stanfordo mokslininkai parengė gilaus mokymosi algoritmą, kad pagal EKG duomenis nustatytų skirtingus nereguliaraus širdies plakimo tipus.
Tyrėjai bendradarbiavo su iRitmas , įmonė, gaminanti nešiojamus EKG prietaisus. Jie surinko 30 000 30 sekundžių klipų iš pacientų, sergančių įvairiomis aritmijos formomis. Norėdami įvertinti savo algoritmo tikslumą, komanda palygino savo darbą su penkių skirtingų kardiologų rezultatais 300 nediagnozuotų klipų. Jie turėjo trijų ekspertų kardiologų kolegiją, kuri pateikė teisingą sprendimą.
Gilus mokymasis apima didelio duomenų kiekio tiekimą į didelį imituojamą neuroninį tinklą ir jo parametrų koregavimą, kol jis tiksliai atpažins probleminius EKG signalus. Šis metodas pasirodė esąs tinkamas nustatant sudėtingus vaizdų ir garso modelius, todėl buvo sukurtos geresnės nei žmogaus vaizdo ir balso atpažinimo sistemos.
Erikas Horvicas , „Microsoft Research“ generalinis direktorius ir medicinos gydytojas bei mašininio mokymosi ekspertas, sako kiti, įskaitant du įvairios grupės iš MIT ir Mičigano universiteto taiko mašininį mokymąsi, kad nustatytų širdies aritmijas.
Tačiau žvelgiant į ateitį, mašininis mokymasis gali aptikti ligos pėdsakus, sukaupęs daugybę skirtingų duomenų.
Tačiau pagrindinis iššūkis bus įtikinti gydytojus ir pacientus pasitikėti algoritmais, kurie dažnai yra tokie sudėtingi, kad jų samprotavimai nesuprantami (žr. „Tamsi paslaptis AI širdyje“). Gilus mokymasis yra ypač neskaidri mašininio mokymosi forma, todėl norint sukurti pasitikėjimą ir tobulinti gydymą bus svarbu rasti būdų, kaip jį padaryti aiškiau.
Vis dėlto Ng neabejoja, kad artėja revoliucija. Mes vis dar turime dirbti, kad šie algoritmai būtų įtraukti į sveikatos priežiūros sistemos darbo eigą, sako jis. Tačiau manau, kad po 10 metų sveikatos priežiūrai bus naudojama daug daugiau dirbtinio intelekto ir ji atrodys visiškai kitaip nei šiandien.