Google laat zien hoe AI longkanker sneller en betrouwbaarder kan detecteren

Categorie: Kunstmatige intelligentie Geplaatst 20 mei

Nieuw onderzoek van Google laat zien hoe machine learning ooit zou kunnen worden gebruikt om tekenen van longkanker eerder op te sporen dan tegenwoordig vaak voorkomt.

Vroege waarschuwing: Danial Tse, een onderzoeker bij Google, ontwikkelde een algoritme dat een aantal getrainde radiologen versloeg bij het testen. Tse en collega's hebben een diepgaand lerend algoritme getraind om kwaadaardige longknobbeltjes te detecteren in meer dan 42.000 CT-scans. De resulterende algoritmen leverden 11% minder valse positieven en 5% minder valse negatieven op dan hun menselijke tegenhangers. Het werk wordt beschreven in een paper gepubliceerd in het tijdschrift Nature vandaag.

Killer probleem: Longkanker doodde in 2018 meer dan 160.000 mensen in de Verenigde Staten, waardoor het de belangrijkste doodsoorzaak door kanker is. En hoewel computertomografie (CT)-scans een levensreddend onderdeel van kankerscreening kunnen zijn, zijn ze ook vaak onbetrouwbaar.

Grote belofte: Tse en collega's beweren dat AI zou kunnen helpen om longkankerscreening over de hele wereld betrouwbaarder te maken, hoewel ze erkennen dat het werk moet worden gevalideerd bij grotere patiëntenpopulaties. Er is inderdaad een groeiende belangstelling voor het gebruik van AI om vele soorten kanker op te vangen. Onderzoekers hebben laten zien hoe machine learning kan worden gebruikt om beide te herkennen borstkanker en huidkanker , bijvoorbeeld.

Kleine stappen: Deze onderzoeken zijn opwindend, maar moeten worden behandeld als kleine vorderingen. Het blijft een uitdaging om AI in de gezondheidszorg te gebruiken om privacyredenen en omdat real-world datasets zelden zo perfect zijn als die welke in onderzoeksstudies worden gebruikt.

Het is ook vermeldenswaard dat de behandeling van kanker veel meer inhoudt dan alleen het opsporen van de ziekte. Het bepalen van de juiste behandelingskuur kan bijvoorbeeld afhangen van een reeks factoren die sterk variëren van patiënt tot patiënt, waardoor dat deel van het proces veel moeilijker te automatiseren is.