Miljoenenprijs hints over hoe machinaal leren ooit kanker kan opsporen

Machine learning vereist vaak enorme datasets om een ​​effectief algoritme te ontwikkelen, maar voor deze wedstrijd kregen teams slechts 2.000 afbeeldingen.

Een wedstrijd gericht op het automatiseren van de detectie van longkanker laat zien hoe machinaal leren in staat is om medische beeldvorming te herzien.

De uitdaging bood $ 1 miljoen aan prijzen voor de algoritmen die het meest nauwkeurig tekenen van longkanker identificeerden in lage-dosis computertomografiebeelden. De winnende algoritmen zullen niet noodzakelijkerwijs worden overgenomen door clinici, maar ze zouden kunnen inspireren tot algoritmische innovaties die hun weg vinden naar medische beeldvorming.

Laaggedoseerde CT-scans hebben de afgelopen jaren een groot potentieel laten zien om longkanker eerder op te sporen. Ze gebruiken minder straling en vereisen geen contrastkleurstof om in het lichaam te worden geïnjecteerd. Maar de diagnose is erg moeilijk, wat betekent dat er veel valse positieven zijn en te veel onnodige medische procedures.

Een techniek voor machinaal leren die bekend staat als deep learning is de afgelopen jaren bijzonder effectief gebleken voor het vinden van patronen in afbeeldingen (zie 10 Breakthrough Technologies 2013: Deep Learning). Er is nu groeiende hoop dat deze en andere machinale leermethoden kunnen helpen de diagnosestandaarden in de geneeskunde te verbeteren door automatisch patronen te herkennen die duiden op ziekte, inclusief patronen die te subtiel zijn om door het menselijk oog te worden opgemerkt.

Deep learning is al gebruikt om huidkanker detecteren in afbeeldingen met ongeveer hetzelfde aantal fouten als door professionele dermatologen. En de techniek is effectief gebleken voor het opsporen van een veelvoorkomende oorzaak van blindheid in beelden van het netvlies. Inmiddels groeit de interesse, onder artsen en ondernemers, om de techniek breder in te zetten. Als dit gebeurt, kan er echter meer inspanning nodig zijn om dergelijke algoritmen verklaarbaar te maken (zie The Dark Secret at the Heart of AI ).

Verwant verhaal

Verwant verhaal Niemand weet precies hoe de meest geavanceerde algoritmen doen wat ze doen. Dat kan een probleem zijn.

Keyvan Farahani, een programmadirecteur van het National Cancer Institute, die de beeldvormingsgegevens heeft geleverd die in de wedstrijd worden gebruikt, zegt dat het verminderen van het aantal valse longkankerdiagnoses op basis van laaggedoseerde CT-scans een echt verschil zou maken voor patiënten. Volgens de American Cancer Society zijn er elk jaar ongeveer 222.500 nieuwe gevallen van longkanker in de VS.

Farahani zegt dat bestaande software voor het identificeren van tekenen van longkanker onbetrouwbaar is. Voorlopige resultaten suggereren dat [de topalgoritmen] beter zijn dan wat er al beschikbaar is, zegt hij. Farahani voorziet echter niet dat algoritmen de plaats van medische experts innemen. Deep learning zal helpen bij het verwerken van grote hoeveelheden gegevens, zegt hij. Ik denk niet dat ze artsen of radiologen gaan vervangen.

Een van de belangrijkste uitdagingen in deze wedstrijd was het feit dat er slechts 2.000 afbeeldingen beschikbaar werden gesteld aan teams. Machine learning vereist vaak zeer grote datasets om een ​​effectief algoritme te ontwikkelen. Maar andere gegevens, zoals details van de gebruikte apparatuur, werden opgenomen.

Het winnende team gebruikte een neuraal netwerk en deed extra moeite om afbeeldingen te annoteren om meer datapunten te leveren. Het gebruikte ook een extra dataset en brak de uitdaging in twee delen: het identificeren van knobbeltjes en vervolgens het diagnosticeren van kanker. Het is nog niet duidelijk hoe het beste algoritme zich kan meten met een arts, omdat elk algoritme een waarschijnlijkheid biedt in plaats van een definitieve uitkomst.

We denken dat het van cruciaal belang is om dit probleem expliciet in twee fasen te verdelen, wat ook lijkt te zijn wat menselijke experts zouden doen, zegt Zhe Li, een lid van het winnende team en een student aan de Tsinghua University, een van de belangrijkste academische instituten van China.

Naast een hint naar het potentieel voor diepgaand leren in medische beeldvorming, benadrukt de longkankerwedstrijd de groeiende reputatie van Chinese AI-onderzoekers.

De wedstrijd , gehouden op de datawetenschapssite Kaggle, werd georganiseerd door Booz Allen Hamilton, een managementadviesbureau dat al verschillende andere grote datawetenschapswedstrijden heeft georganiseerd. Het prijzengeld van $ 1 miljoen kwam van de Stichting Laura en John Arnold .

Kaggle is opgericht in 2010 en eerder dit jaar overgenomen door Google. De site heeft bewezen een krachtige manier te zijn om de ontwikkeling van machine learning-algoritmen te crowdsourcing en is ook een populaire manier om talent te identificeren.

Verwant verhaal

Lees volgende

Josh Sullivan , die het data science-team bij Booz Allen Hamilton leidt, zegt dat een van de redenen voor de wedstrijd talentverwerving is, en merkt op dat 238 deelnemers ook hebben gesolliciteerd naar banen bij het bedrijf. Hij voegt eraan toe dat het bedrijf de winnende algoritmen gratis beschikbaar stelt om de potentiële voordelen voor de medische gemeenschap te maximaliseren.

Li, van het winnende team, zegt dat het bevredigend is om iets te ontwikkelen dat het leven van mensen kan redden, maar de echte reden om mee te doen was iets minder altruïstisch. Eerlijk gezegd is de belangrijkste drijfveer het winnen van het prijzengeld, zegt hij.

zich verstoppen