211service.com
Waarom IBM zojuist miljarden medische beelden heeft gekocht waar Watson naar kan kijken
IBM zegt dat Watson, zijn kunstmatige-intelligentietechnologie, geavanceerde computervisie kan gebruiken om enorme hoeveelheden medische beelden te verwerken. Nu heeft Watson zijn zinnen gezet op het gebruik van dit vermogen om artsen te helpen ziekten sneller en nauwkeuriger te diagnosticeren.
Vorige week kondigde IBM aan dat het zou kopen Zorg samenvoegen voor een miljard dollar. Als de deal rond is, zou dit het derde zorgdatabedrijf zijn dat IBM dit jaar heeft gekocht (zie Maak kennis met het zorgbedrijf dat IBM nodig heeft om Watson inzichtelijker te maken). Merge is gespecialiseerd in het verwerken van allerlei soorten medische beelden en wordt gebruikt door meer dan 7.500 ziekenhuizen en klinieken in de Verenigde Staten, evenals door klinische onderzoeksorganisaties en farmaceutische bedrijven. Shahram Ebadollahi , vice-president innovatie en chief science officer van IBM's Watson Health Group, zegt dat de overname deel uitmaakt van een poging om gebruik te maken van veel verschillende gegevensbronnen, waaronder geanonimiseerde, op tekst gebaseerde medische dossiers, om artsen te helpen bij het nemen van behandelbeslissingen.
De dataset van Merge bevat zo'n 30 miljard afbeeldingen, wat cruciaal is voor IBM omdat de plannen voor Watson gebaseerd zijn op een technologie, deep learning genaamd, die een computer traint door deze grote hoeveelheden gegevens te voeden.
Watson heeft gewonnen Gevaar! door gebruik te maken van geavanceerde natuurlijke taalverwerking en statistische analyse om vragen te interpreteren en de juiste antwoorden te geven. Deep learning is recentelijk toegevoegd aan de vaardigheden van Watson (zie IBM pusht deep learning met een Watson-upgrade). Deze nieuwe benadering van kunstmatige intelligentie houdt in dat computers worden geleerd patronen in gegevens te herkennen door deze te verwerken op manieren die zijn geïnspireerd op netwerken van neuronen in de hersenen (zie Breakthrough Technologies 2013: Deep Learning). De technologie heeft al zeer indrukwekkende resultaten opgeleverd in spraakherkenning (zie Microsoft Brings Star Trek ’s Voice Translator to Life) en beeldherkenning (zie Facebook maakt software die bijna net zo goed bij gezichten past als u).
IBM's onderzoekers denken dat medische beeldverwerking de volgende zou kunnen zijn. Naar schatting vormen beelden tegenwoordig maar liefst 90 procent van alle medische gegevens, maar het kan voor artsen moeilijk zijn om er belangrijke informatie uit te halen, zegt John Smith , senior manager voor intelligente informatiesystemen bij IBM Research.
Een van de meest veelbelovende toepassingen van geautomatiseerde beeldverwerking op korte termijn, zegt Smith, is het opsporen van melanoom, een type huidkanker. Het diagnosticeren van melanoom kan moeilijk zijn, deels omdat er zoveel variatie is in de manier waarop het bij individuele patiënten verschijnt. Door een computer veel afbeeldingen van melanoom te geven, is het mogelijk om het systeem te leren om zeer subtiele maar belangrijke kenmerken van de ziekte te herkennen. De technologie die IBM voor ogen heeft, kan een nieuw beeld van een patiënt vergelijken met vele anderen in een database en de arts vervolgens snel belangrijke informatie geven, zowel uit de beelden als uit op tekst gebaseerde gegevens, over de diagnose en mogelijke behandelingen.
Het vinden van kanker in CT-scans van de longen is een ander goed voorbeeld van hoe dergelijke technologie kan helpen bij de diagnose, zegt Jeremy Howard, CEO van Enlitisch , een één jaar oude startup die ook deep learning gebruikt voor medische beeldverwerking (zie A Startup Hopes to Teach Computers to Teach Tumors in Medical Scans). Je moet door honderden en honderden segmenten scrollen op zoek naar een paar kleine gloeiende pixels die verschijnen en verdwijnen, en dat duurt lang, en het is heel gemakkelijk om een fout te maken, zegt hij. Howard zegt dat zijn bedrijf al een algoritme heeft ontwikkeld dat in staat is om relevante kenmerken van longtumoren nauwkeuriger te identificeren dan radiologen dat kunnen.
Howard zegt dat de grootste belemmering voor het gebruik van deep learning in medische diagnostiek is dat zoveel van de gegevens die nodig zijn voor het trainen van de systemen geïsoleerd blijven in individuele instellingen, en overheidsvoorschriften kunnen het moeilijk maken om die informatie te delen. IBM's overname van Merge, met zijn miljarden medische beelden, zou dat probleem kunnen helpen aanpakken.