2017. december 16. szombat, Aletta, Etelka napja
A Stanford algoritmusa jobban diagnosztizálja a pneumomiát, mint a radiológusok
Szerző(k): dr. Firtkó Szilveszter
Dátum: 2017-12-01 00:06:30
küldés levélben nyomtatás nyomtatás pdf domkumentumba
A mesterséges intelligencia élen jár a pneumonia diagnosztizálásában is.

A Stanford kutatói olyan algoritmust fejlesztettek ki, amely mellkas röntgenfelvételeken képes különféle elváltozásokat azonosítani. Az algoritmus14 különböző betegséget képes diagnosztizálni, és hatékonyabban diagnosztizálja a pneumoniát, mint egy szakorvos radiológus. A Stanford kutatói a CheXNet nevű algoritmusukról szóló kutatásukat november 14-én az arXiv weboldalon tették közzé.

"A röntgenfelvételeken nagy kihívást jelent egyes patológiás elváltozások, mint például a pneumónia felismerése. Azt is tudjuk, hogy a radiológusok gyakran ugyanazt a morfológiát eltérően értékelik " - mondta Pranav Rajpurkar, a Stanford Machine Learning Group egyik posztgraduális hallgatója és a cikk társszerzője. "Érdekeltek lettünk abban, hogy olyan gépi tanulási algoritmust fejlesszünk ki, amely több százezer mellkas röntgenfelvétel diagnosztizálásából tanulhat meg egyes kórképeket."

A csoport egy nyilvános adatállományt használt erre a célra, amelyet a National Institutes of Health Clinical Center szeptember 26-án tett közzé. Ez az adatkészlet 112120 AP mellkas röntgenfelvételt tartalmaz, amelyek 14 különféle kórképet ölelnek át. Az adatkészletet nyílvánosságra kerülésével párhuzamosan a kutatócsoport egy olyan algoritmust jelentett be, amely képes felismerni ezt a 14 elváltozást.

A kutatók, akik Matthew Lungren, radiológus egyetemi adjunktusa mellett dolgoztak, négy Stanford-i radiológus segítségével önállóan jelölték be a meglévő felvételeken 420 esetben a pneumomia jeleit. A kutatók úgy döntöttek, hogy erre a betegségre fognak összpontosítani, amely évente mintegy 1 millió amerikait juttat a kórházakba a Centers for Disease Control and Prevention szerint. Sajnos ezt a kórképet néha nehéz felismerni röntgenfelvételen.

Egy héten belül a kutatók már olyan algoritmussal rendelkeztek, amely 10 különböző patológiás elváltozást volt képes diagnosztizálni a röntgenfelvételeken, a korábbi legkorszerűbb megoldásoknál is jobb eredménnyel. Kevesebb, mint egy hónapon belül pedig képesek voltak mind a 14 azonosítási feladatban felülmúlni ezeket a megoldásokat. Ezen rövid időtartamon belül a CheXNet képes volt túlszárnyalni a négy Stanford-i radiológust a pneumonia diagnosztizálásában.

Miért érdemes algoritmust használni?

Gyakran előfordul, hogy a mellkasban gyakori, de súlyos betegségek, mint például a pneumonia kezelése nagymértékben függ attól, hogy az orvos hogyan értelmezi a radiológiai leleteket. Továbbá még a legjobb radiológusok is hajlamosak néha tévedni.

"Ennek a munkának az volt a motivációja, hogy mély tanulási modellt fejlesszünk ki a leletezéshez, mert egy ilyen modell képes leküzdeni az emberi érzékelés és elfogultság belső korlátait, és csökkenteni a leendő hibákat" - magyarázta Lungren, a cikk egyik társszerzője. "Tágabb értelemben véve úgy véljük, hogy egy ilyen célra szolgáló mély tanulási modell képes lehet javítani az egészségügyi ellátást."

Sokféle lehetőség a jövőben

Az arXiv dokumentumban részletesen bemutatják, hogy a kutatók olyan számítógép alapú eszközt fejlesztettek ki, amely a mellkas röntgenfelvételek „hőképeinek” megjelenését eredményezi, de ahelyett, hogy a hőmérsékletet ábrázolná, ezeknek a térképeknek a színe olyan területeket jelöl, ahol az algoritmus a leginkább valószínűsít pneumoniát. Ez az eszköz segíthet csökkenteni az elnézett pneumoniák számát, és jelentősen felgyorsíthatja a radiológusok munkafolyamatát, jelezve azokat a helyeket, ahol elsőként kellene keresniük az elváltozásokat.

Ezzel párhuzamosan, a csoport szívritmuszavarral és elektronikus orvosi adatokkal is foglalkozik, és azt remélik, hogy a CheXNet segíthet a világ olyan területein élő embereknek is, ahol csak nehezen férhetnek hozzá a megfelelő radiológia ellátáshoz.

"Tervezzük olyan orvosi algoritmusok fejlesztését is, amelyek automatikusan észlelhetik a rendellenességeket, és reméljük, hogy a minőségi, anonimizált orvosi adatkészleteket nyilvánosan is hozzáférhetővé teszik az egyes intézetek mások számára, hogy hasonló problémák megoldása egyszerűvé váljon" - nyilatkozta Jeremy Irvin, a Machine Learning csoport tagja és a cikk egyik társszerzője. "A gépi tanulásban hatalmas lehetőségek vannak arra, hogy javítsák a jelenlegi egészségügyi rendszert, és szeretnénk továbbra is élen járni az innováció területén."

Forrás: Stanford University Press

Kapcsolódó témák:                                     Legolvasottabb témák:                          
Hozzászólások