211service.com
De machines maken zich klaar om dokter te spelen
Onderzoekers gebruikten draagbare ECG-apparaten om 30.000 clips van 30 seconden te verzamelen van patiënten met verschillende vormen van aritmie.
Het zal misschien niet lang meer duren voordat algoritmen routinematig levens redden - zolang artsen bereid zijn steeds meer vertrouwen in machines te stellen.
Een team van onderzoekers van Stanford University, onder leiding van Andrew Ng , een prominente AI-onderzoeker en een adjunct-professor aldaar, heeft aangetoond dat een machine-learningmodel hartritmestoornissen beter kan identificeren op een elektrocardiogram (ECG) dan een expert.
De geautomatiseerde aanpak kan belangrijk zijn voor de dagelijkse medische behandeling door de diagnose van potentieel dodelijke hartslagonregelmatigheden betrouwbaarder te maken. Het zou ook kwaliteitszorg gemakkelijker beschikbaar kunnen maken in gebieden waar de middelen schaars zijn.
Het werk is ook slechts het laatste teken van hoe machinaal leren een revolutie teweeg kan brengen in de geneeskunde. De afgelopen jaren hebben onderzoekers aangetoond dat machine learning-technieken kunnen worden gebruikt om allerlei kwalen op te sporen, waaronder bijvoorbeeld borstkanker , huidkanker , en oogziekte van medische beelden.
Ik ben aangemoedigd door hoe snel mensen het idee accepteren dat deep learning een diagnose kan stellen met een nauwkeurigheid die superieur is aan artsen in bepaalde branches, zei Ng via e-mail. Hij voegt eraan toe dat het bemoedigend is om te zien dat onderzoekers verder kijken dan beeldvorming naar andere vormen van gegevens zoals ECG.
Tot voor kort was Ng de hoofdwetenschapper bij de Chinese technologiegigant Baidu, waar hij hielp bij het oprichten van een instituut dat zich toelegde op het toepassen van deep learning op verschillende zakelijke problemen.
Het Stanford-team heeft een diepgaand lerend algoritme getraind om verschillende soorten onregelmatige hartslagen in ECG-gegevens te identificeren. Sommige onregelmatigheden kunnen leiden tot ernstige gezondheidscomplicaties, waaronder plotselinge hartdood, maar het signaal kan moeilijk te detecteren zijn, dus patiënten wordt vaak gevraagd om een ECG-sensor gedurende meerdere weken te dragen. Zelfs dan kan het voor een arts moeilijk zijn om onderscheid te maken tussen onregelmatigheden die goedaardig kunnen zijn en onregelmatigheden die behandeling vereisen.
De Stanford-onderzoekers hebben een deep-learning algoritme getraind om verschillende soorten onregelmatige hartslagen te identificeren uit de ECG-gegevens.
De onderzoekers werkten samen met iRitme , een bedrijf dat draagbare ECG-apparaten maakt. Ze verzamelden 30.000 clips van 30 seconden van patiënten met verschillende vormen van aritmie. Om de nauwkeurigheid van hun algoritme te beoordelen, vergeleek het team de prestaties met die van vijf verschillende cardiologen op 300 niet-gediagnosticeerde clips. Ze lieten een panel van drie deskundige cardiologen een grond-waarheid oordeel geven.
Deep learning omvat het invoeren van grote hoeveelheden gegevens in een groot gesimuleerd neuraal netwerk en het verfijnen van de parameters ervan totdat het problematische ECG-signalen nauwkeurig herkent. De aanpak is bedreven in het identificeren van complexe patronen in beeld en geluid, en heeft geleid tot de ontwikkeling van beter dan menselijke systemen voor beeldherkenning en spraakherkenning.
Eric Horvitz , directeur van Microsoft Research en zowel een arts als een expert op het gebied van machine learning, zegt anderen, waaronder: twee verschillende groepen van MIT en de Universiteit van Michigan passen machine learning toe op de detectie van hartritmestoornissen.
Vooruitkijkend is er echter het potentieel voor machinaal leren om sporen van ziekten te vinden door grote hoeveelheden ongelijksoortige gegevens te doorzoeken.
Een belangrijke uitdaging zal echter zijn artsen en patiënten ervan te overtuigen te vertrouwen op algoritmen die vaak zo complex zijn dat hun redenering niet kan worden begrepen (zie The Dark Secret at the Heart of AI ). Deep learning is een bijzonder ondoorzichtige vorm van machinaal leren, en het vinden van manieren om het beter verklaarbaar te maken, zal belangrijk zijn voor het opbouwen van vertrouwen en het verfijnen van de behandeling.
Toch twijfelt Ng er niet aan dat er een revolutie aankomt. We hebben nog werk voor de boeg om deze algoritmen in de workflow van de gezondheidszorg te krijgen, zegt hij. Maar ik denk dat de gezondheidszorg over 10 jaar veel meer AI zal gebruiken en er heel anders uit zal zien dan nu.