Makine öğrenimi "bir doktora görünmek zor" u nasıl çözer? Jeff Dean ve diğerleri, tıp alanında makine öğreniminin uygulanmasını detaylandırdı
Bu makalede, Jeff Dean ve diğer yapay zeka uzmanları, tıbbi alanda makine öğreniminin uygulanması için bir plan çizdiler.
Önce iki senaryoya bakalım:
sahne 1:
49 yaşındaki hasta omzunda bir kızarıklık olduğunu fark etti ve ağrı hissetmediği için tedaviye başvurmadı. Birkaç ay sonra, karısı ona seboreik keratoz teşhisi koyan bir doktora görünmesini istedi. Daha sonra hasta kolonoskopi taramasından geçtiğinde hemşire omzunda siyah noktalar olduğunu fark etti, bu yüzden kontrol etmesini tavsiye etti. Bir ay sonra hasta bir dermatoloğa gitti ve doktor lezyondan bazı biyopsi örnekleri aldı. Sonuçlar bunun kanserli olmayan bir pigmentasyon lezyonu olduğunu gösterdi. Doktor hala çok endişeliydi ve biyopsi örneğinin tekrar test edilmesini önerdi ve sonunda invaziv melanom teşhisi kondu. Daha sonra onkolog hastayı sistemik kemoterapi ile tedavi etti. Bir doktor arkadaşı, hastanın neden immünoterapi almadığını sordu.
Sahne 2:
49 yaşındaki bir hasta, bir mobil uygulama ile omzundaki kızarıklığın fotoğrafını çekti ve uygulama ona hemen bir dermatologla randevu almasını tavsiye etti. Sigorta şirketi doğrudan yönlendirmeyi otomatik olarak onayladı ve uygulama, iki gün içinde yakındaki deneyimli bir dermatologdan randevu almasına yardımcı oldu Randevu, hastanın kişisel seyahat planıyla otomatik olarak kontrol edildi. Dermatolog lezyondan biyopsi yaptı, patolog evre I melanomu bilgisayar yardımıyla teşhis etti ve ardından dermatolog çıkarma işlemini gerçekleştirdi.
Sahne 1 ve sahne 2'yi karşılaştırdığımızda, aynı durumda, sahne 2'nin tıbbi sürecinin aşağıdaki optimizasyonları elde ettiğini görebiliriz: 1) Hasta, lezyonların fotoğraflarını çekmek için doğrudan cep telefonunu kullanabilir ve uygulama birincil teşhisi yapabilir ve sistem uygulamaya göre sağlayabilir. Teklife göre, tıbbi kaynaklar makul bir şekilde tahsis edilmelidir; 2) Dermatolog ve patolog, sıradan bir hastanın aynı zamanda uzman konsültasyonu almasına eşdeğer olan, tanı ve tedavi yöntemlerinin doğruluğunu artıran etkili bir işbirliği sağlamıştır. Bu, Jeff Dean ve diğerleri tarafından açıklanan tıbbi alanda makine öğreniminin uygulanmasına yönelik plandır.
Yoğun bakım personeli veya toplum sağlık personeli tıbbi bir karar verirse, ilgili alanlarda uzman bir ekip, kararı derhal gözden geçirecek, kararın doğru olup olmadığını belirleyecek ve ona yol gösterecektir, nasıl olur Ne? Herhangi bir komplikasyon olmaksızın yeni tanı konan hipertansiyonlu hastalar, tanı koyanın en bilindik tedavi yöntemi yerine, mevcut olan en etkili ve semptomatik tedaviyi alacaklardır. Bu, aşırı doz ve reçete hataları sorunlarını büyük ölçüde ortadan kaldırabilir. Gizemli ve nadir hastalıkları olan hastalara, ilgili alanlarda tanınmış uzmanlar tarafından doğrudan danışılabilmektedir.
Böyle bir sistem bizden çok uzak görünüyor. Çünkü böyle bir sistemle işbirliği yapacak yeterli uzman yok. Varsa bile, uzmanların hastanın tıbbi geçmişini anlaması uzun zaman almayacağı gibi, mahremiyetle ilgili sorunlar da engel teşkil edebilir. Ancak bu, tıp alanındaki makine öğreniminin beklentisidir - klinisyenler tarafından verilen neredeyse tüm teşhis kararlarının bilgeliği ve milyarlarca hastanın sonuçları, her hastanın tıbbi bakımı için rehberlik etmelidir. Diğer bir deyişle, kişiselleştirilmiş teşhis, yönetim kararları ve tedavi planları, bilinen tüm gerçek zamanlı bilgiler ve hastaların toplu deneyimlerine dayalı olarak türetilmelidir.
Bu çerçeve, makine öğreniminin yalnızca yeni bir ilaç veya yeni bir tıbbi cihaz gibi yepyeni bir araç olmadığını, aynı zamanda insan beyninin yükünü aşan verileri verimli bir şekilde işleyebilen temel bir teknoloji olduğunu vurguluyor. Bu devasa bilgi deposu, çok büyük klinik veritabanları ve hatta bireysel hasta verilerini içerir.
50 yıl önce bir makale makalesi, bilgi işlemin "doktorların bilgeliğini artıracağına ve bazı durumlarda büyük ölçüde yerini alabileceğine" işaret ediyordu. Ancak 2019'un başlarında, makine öğreniminden kaynaklanan sağlık hizmetlerinde çok az ilerleme oldu. Daha önce test edilmiş sayısız kavram kanıtı modelini (geçmişe dönük veriler) tekrar etmeyeceğiz. Bunun yerine, tıp ve sağlık alanındaki bazı temel yapısal değişikliklerden ve tıbbi alandaki makine öğreniminin beklentilerini gerçekleştirmek için yararlı olan paradigma kaymalarından bahsedeceğiz. Said gereklidir.
Makine öğreniminin açıklaması
Geleneksel olarak, yazılım mühendisleri, bilgisayarlara verileri nasıl işleyecekleri ve doğru kararlar verebilecekleri konusunda rehberlik etmek için bilgiyi açık bilgisayar kodları biçiminde çıkarırlar. Örneğin, hastanın kan basıncı yüksekse ve antihipertansif ilaçlarla tedavi edilmiyorsa, uygun şekilde programlanmış bir bilgisayar tedavi önerileri yapabilir. Bu tür kurala dayalı sistem mantıklı ve yorumlanabilir, ancak 1987'de bir makalede belirtildiği gibi, tıp alanı "çok geniş ve çok karmaşıktır, bu nedenle kurallarda ilgili bilgileri yakalamak (mümkünse) zordur. ".
Geleneksel yöntemler ile makine öğrenimi arasındaki temel fark, makine öğreniminde modellerin kurallarla programlanmak yerine örneklerden öğrenilmesidir. Belirli bir görev için, örneğe girdi (özellikler) ve çıktı (etiketler) verilir. Örneğin, bir patolog tarafından okunan dijitalleştirilmiş bir dilimi özelliklere (dilim pikselleri) ve etiketlere dönüştürün (yukarıdaki bilgiler, dilimin kanseri gösteren kanıt içerip içermediğini gösterir). Gözlemlerden öğrenmek için algoritmaları kullanın ve ardından bilgisayar, genelleştirilmiş bir model oluşturmak için özelliklerden etiketlere nasıl haritalanacağına karar verir, böylece yeni görevler daha önce hiç görülmemiş girdiler üzerinde (örneğin, insanlar tarafından hiç okunmamış hastalıklar) doğru bir şekilde gerçekleştirilebilir. Bilim bölümü). Şekil 1, denetimli makine öğrenimi olarak adlandırılan bu süreci özetlemektedir. Makine öğreniminin başka biçimleri de var. Tablo 1 klinik vakaları listelemektedir Bu modellerin girdi ve çıktı haritalaması temelde hakemli araştırmalara veya mevcut makine öğreniminin uzantılarına dayanmaktadır.
Şekil 1: Denetimli makine öğrenimine kavramsal genel bakış
Tablo 1: Makine öğrenimi uygulamalarını yönlendiren girdi verileri ve çıktı veri türleri örnekleri.
Pratik uygulamalarda, tahmin doğruluğu çok önemlidir ve modelin milyonlarca özellik ve örnekte istatistiksel kalıplar bulma yeteneği kesinlikle insan performansını aşabilir. Ancak bu modeller, temel biyolojik tanımlama yöntemlerine zorunlu olarak adapte olmadıkları gibi, yeni tedavilerin geliştirilmesinde değiştirilebilecek risk faktörlerini de tanımlamazlar.
Makine öğrenimi modelleri ile geleneksel istatistiksel modeller arasında net bir ayrım yoktur. Yakın tarihli bir makale ikisi arasındaki ilişkiyi özetledi. Ancak, karmaşık yeni makine öğrenimi modelleri ("derin öğrenme" (yapay sinir ağlarını kullanan bir makine öğrenimi algoritması gibi), özellikler ve etiketler arasındaki son derece karmaşık ilişkileri öğrenebilir ve bunların görüntü sınıflandırması gibi görevlerdeki performansları aşılmıştır. Modern klinik vakalarda oluşturulan karmaşık ve heterojen verileri (doktorlar tarafından yazılan tıbbi kayıtlar, tıbbi görüntüler, sensörlerden sürekli izleme verileri ve genomik veriler gibi) tıbbi ile ilgili tahminlerde bulunmak için öğrenmek için çok uygundur. Tablo 2, basit ve karmaşık makine öğrenimi modellerinin uygulanmasını sağlar.
Tablo 2: Hangi modelin kullanılacağına karar verirken sorulacak temel sorular.
İnsan öğrenimi ile makine öğrenimi arasındaki temel fark, insanların az miktarda veriden evrensel ve karmaşık ilişkiler türetebilmesidir. Örneğin, bir çocuk çok fazla örneğe bakmadan çitayı kediden ayırt edebilir. Aynı görevi öğrenmesi durumunda, bir makinenin insandan daha fazla örneğe ihtiyacı vardır ve makinenin sağduyuya sahip olmamasıdır. Ancak başka bir bakış açısıyla, makineler büyük miktarda veriden öğrenebilir. On milyonlarca hastanın EHR'de (Elektronik Sağlık Kayıtları) depolanan verilerle makine öğrenimi modellerini eğitmek tamamen mümkündür. Bu yüz milyarlarca veri noktasında, kariyerleri boyunca hiçbir odak noktası yoktur ve insan doktorlar On binlerce hastayı almak zordur.
Makine öğrenimi, klinisyenlerin çalışmasına nasıl yardımcı olur?
Prognoz
Makine öğrenimi modeli, hastanın sağlık yörünge modelini öğrenebilir. Doktorun bireysel deneyiminin ötesinde bilgi alabilir ve doktorların gelecekteki olası olayları uzman düzeyinde tahmin etmesine yardımcı olabilir. Örneğin hastanın işe dönme olasılığı nedir? Hastalık ne kadar hızlı gelişecek? Aynı tahmin türü, birçok hasta arasında yüksek riskli bir duruma sahip olacak veya sıklıkla tıbbi bakıma ihtiyaç duyan hastaları güvenilir bir şekilde belirleyebilir.Bu bilgiler, doktorlara yardımcı olmak için ek bilgi olarak kullanılabilir.
Büyük ölçekli entegre sağlık sistemleri halihazırda, yoğun bakıma aktarılması gerekebilecek yatan hastaları otomatik olarak tanımlayabilen basit makine öğrenimi modellerini kullanıyor. Geriye dönük araştırmalar, EHR ve tıbbi görüntülerde ham veriler kullanılarak daha karmaşık ve doğru bir şekilde kurulabileceğini göstermiştir. Prognostik model.
Bir makine öğrenimi sistemi oluşturmak, hastaların boylamasına entegre edilmiş verileriyle eğitim gerektirir. Yalnızca eğitim modeli veri setinde sonuçlar içerdiğinde, model hastanın durumunu öğrenebilir. Ancak veriler artık EHR sisteminde, tıbbi görüntü arşivleme ve etkileşim sisteminde, ödeyicide, PBM'de (Eczane Yardım Yöneticileri) ve hatta hastanın cep telefonundaki uygulamalarda bağımsız olarak saklanıyor. Doğal çözüm, veri sistemini hastanın eline teslim etmektir.Uzun zamandır savunduğumuz çözüm budur.Şimdi bu fikir, hasta kontrol uygulama programlama arayüzlerinin hızlı bir şekilde benimsenmesiyle de gerçekleşmiştir.
Verileri FHIR (Fast Healthcare Interoperability Resources) gibi birleşik bir biçime dönüştürmek, verileri daha etkili bir şekilde bir araya getirebilir. Hastalar, model oluşturmak veya çalıştırmak için verilerini kimin kullanabileceğine karar verebilir. Bazı insanlar teknik birlikte çalışabilirliğin EHR verilerindeki yaygın anlamsal standardizasyon sorunlarını çözemeyeceğinden endişelenmesine rağmen, HTML (Hypertext Markup Language) Web verilerini indeksleyebilir ve arama motorlarında da kullanılabilir.
Teşhis
Her hasta benzersizdir, ancak en iyi doktorlar normal aralıkta hastaya özgü zayıf sinyalleri veya anormal değerleri belirleyebilir. Makine öğrenimi tarafından tespit edilen istatistiksel modeller, doktorların teşhis edilmemiş hastalıkları tanımlamasına yardımcı olabilir mi?
Tıp Enstitüsünün çıkardığı sonuç, hemen hemen her hastanın hayatında bir kez yanlış tanı ile karşılaşacağı ve doğru teşhisin uygun tedavinin temeli olduğudur. Bu sorun bazı nadir hastalıklarla sınırlı değildir. Gelişmekte olan ülkelerde, yeterli tedavi, muayene süresi ve yeterince eğitimli sağlık personeli olsa bile, akut göğüs ağrısı, tüberküloz, dizanteri ve doğum sırasındaki komplikasyonları tespit etmek imkansızdır.
Rutin tıbbi bakım sırasında toplanan veriler, makine öğreniminin klinik tanıda olası tanıları yargılamak için kullanılabileceğini ve bu da gelecekteki olası durumların anlaşılmasını geliştirebileceğini göstermektedir. Ancak bu yöntemin sınırlamaları vardır. Tanıdık olmayan bir klinisyen, model için gerekli olan bilgileri doğru bir şekilde çıkaramayabilir ve bu nedenle modeli anlamlı hale getiremez. Model tarafından elde edilen sonuçlar geçici veya hatalı teşhise dayalı olabilir, bir hastalık olduğu kanıtlanamayan (dolayısıyla aşırı teşhise neden olan) olumsuz reaksiyon koşullarına dayalı olabilir, faturalandırmadan etkilenebilir veya hiç kaydedilmeyebilir. Bununla birlikte, model doktorlara bu gerçek zamanlı olarak toplanan verilere dayanarak tavsiyelerde bulunacaktır.Bu öneriler, yanlış tanı oranının yüksek olduğu ve klinisyenlerin belirsiz olduğu durumlarda yararlıdır. Klinik olarak doğru tanı ile EHR veya geri ödeme taleplerindeki kayıtlar arasındaki tutarsızlık, klinisyenlerin en baştan veri oluşturma sürecine dahil olmaları gerektiği anlamına gelir. Bu veriler rutin bakımın bir parçası olarak kullanılacak ve daha sonra kullanılacaktır. Otomatik teşhis süreci.
Başarılı bir şekilde eğitilmiş bir model, çeşitli görüntü türlerindeki anormallikleri geriye dönük olarak tanımlayabilir (Tablo 1). Bununla birlikte, klinisyenlerin rutin çalışmalarının bir parçası olarak makine öğrenimi modellerini kullanan arka testlerin sayısı çok sınırlıdır.
tedavi
On milyonlarca hastayı tedavi eden on binlerce doktorun bulunduğu büyük bir tıp sisteminde, hastaların ne zaman ve neden doktor gördüğü ve benzer rahatsızlıkları olan hastaların nasıl tedavi edilmesi gerektiği konusunda farklılıklar vardır. Model, doktorların tercih edilen tedavi yolunu belirlemesine yardımcı olmak için bu farklılıkları sınıflandırabilir mi?
Daha basit bir uygulama, bakım noktası reçetesini modelden elde edilen reçete ile karşılaştırmaktır.Farklılık tekrar işaretlenebilir ve kontrol edilebilir (örneğin, diğer klinisyenler yeni yöntemi yansıtan alternatif tedavileri kullanma eğilimindedir). Geçmiş veriler üzerine eğitilmiş bir model, yalnızca doktorun reçete alışkanlıklarını öğrenebilir, ancak bu mutlaka ideal bir uygulama değildir. En iyi ilaçları ve tedavileri anlamak için, verileri dikkatli bir şekilde toplamak ve nedensel etkileri değerlendirmek gerekir.Makine öğrenimi modelleri bu etkileri tanımlayamayabilir (ve bazen belirli bir veri setini kullanamayabilir).
Gözlemsel verilere dayanan etkinlik çalışmaları ile pratik deneyleri karşılaştırmanın geleneksel yöntemleri de önemli bilgiler sağlar. Bununla birlikte, makine öğrenimi yöntemlerini kullanan son deneyler, manuel olarak taranan veri kümeleri oluşturmak için uzmanlarla çalışmanın, yeni yayınlanan verileri dahil etmek için modelleri güncellemenin, farklı alanlardaki yönergelere göre ayarlamanın ve EHR'den ilgili değişkenleri otomatik olarak çıkarmanın harika olduğunu göstermiştir. Zorluklar.
Makine öğrenimi, hastaları otomatik olarak seçmek için de kullanılabilir. Klinik kayıtlara göre, bu hastalar randomize kontrollü araştırmalar için uygun olabilir veya makine öğrenimi, yüksek riskli hastaları veya erken araştırmalarla veya yeni tedavilerle tedavi edilebilecek alt grupları otomatik olarak tanımlamak için kullanılabilir. Bu araçlar, tıp ve sağlık sistemini her klinik durumu incelemeye teşvik eder ve maliyetleri ve idari giderleri azaltırken daha titiz araştırmalar yapabilir.
Klinik iş akışı
EHR'nin uygulamaya konulması, verilerin kullanılabilirliğini artırmıştır. Bununla birlikte, bu sistemler, yüksek maliyetler, belgelerin yönetimi için çok fazla onay kutusu, dostça olmayan kullanıcı arayüzleri, veri girilemeyecek kadar uzun süre ve yeni tıbbi hatalar nedeniyle klinisyenler için de utanç vericidir.
Makine öğrenimi teknolojisi, klinisyenlerin verimliliğini artırmak için diğer tüketici ürünlerinde de kullanılabilir. Arama motorlarını yönlendiren makine öğrenimi, klinisyenlerin birden çok kez tıklamasını gerektirmeden hasta verileriyle ilgili bilgileri bulabilir. Makine öğrenimi tekniklerini kullanmak (tahmin türleri, sesli dikte ve otomatik özetleme vb.), Tabloların ve metin verilerinin girişini büyük ölçüde iyileştirebilir. Hasta formundaki bilgilere göre ödemeyi otomatik olarak yetkilendirme modeli, önceden yetkilendirmenin yerini alabilir. Bu araçlar sadece doktorların rahatlığı için değildir. Tıbbi verilerin ve sağlık verilerinin yakalanması ve kaydedilmesi için engelsiz görüntüleme ve klinik olarak geçerli verilerin girişi çok önemlidir ve bu da makine öğrenimi yardımıyla her hasta için en iyi tıbbi bakımı sağlayabilir. En önemlisi, bu yaklaşım verimliliği artırır, kaydı basitleştirir ve otomatik klinik iş akışlarını iyileştirir, böylece klinisyenler hastalara daha fazla zaman ayırabilir.
EHR sistemine ek olarak, makine öğrenimi teknolojisi aynı zamanda cerrahi operasyonların gerçek zamanlı video analizi için de kullanılabilir; bu, cerrahların ana yapıların anatomisi sırasında veya hastanın vücudundaki beklenmedik değişikliklerdeki problemlerden kaçınmasına yardımcı olabilir ve hatta daha yaygın görevleri halledebilir. -Örneğin, cerrahi sünger sayısını doğru bir şekilde hesaplayın. Kontrol listesi, cerrahi hataları önleyebilir ve ayrıca operasyonun güvenliğini artırmak için cerrahi süreci otomatik olarak izleyebilir.
Klinisyenlerin kişisel yaşamlarında, tüm bu teknoloji çeşitlerini akıllı telefonlarında kullanmış olabilirler. Bu teknolojileri tıbbi geçmişlere uygulayan kavram kanıtı çalışmaları olsa da, temel engel modellerin geliştirilmesi değil, teknik altyapı - EHR, sağlık sistemleri ve teknoloji satıcılarının yanı sıra yasal, gizlilik ve politika çerçeveleri.
Klinik uzmanlığın mevcudiyetini genişletmek
Doktorlar tedaviye ihtiyacı olan tüm hastalara bakamazlar. Makine öğrenimi, doktorun teşhis ve tedavisinin kapsamını genişletebilir ve doktorun kişisel katılımına ihtiyaç duymadan uzman düzeyinde tıbbi değerlendirme sağlayabilir mi? Örneğin, kızarıklık geliştiren bir hasta, cep telefonu ile fotoğraf göndererek teşhis koyabilir ve böylece gereksiz acil ziyaretlerden kaçınabilir. Acil servise gitmesi gereken hastalar, otomatik teşhis sisteminde teşhis edilebilir ve uygun olduğunda başka bir bakım şekli alabilir. Hastalar gerçekten profesyonel yardıma ihtiyaç duyduğunda, model aynı zamanda en ilgili mesleklere sahip ve boş durumda olan doktorları da belirleyebilir. Benzer şekilde, konforu artırmak ve maliyetleri düşürmek için, makine hastanın sensör verilerini uzaktan izleyebiliyorsa, hastaneye kaldırılması gereken hastalar evde bakım alabilirler.
Dünyanın bazı bölgelerinde, tıbbi uzmanlığın doğrudan öğrenilmesine yönelik kanallar sınırlıdır ve çok karmaşıktır, bu nedenle makine öğreniminin içgörülerini doğrudan hastalara aktarmak giderek daha önemli hale gelmektedir. Yeterli uzman ve doktorun bulunduğu alanlarda bile bu doktorlar, dalga benzeri verileri zamanında ve doğru bir şekilde yorumlayamayacaklarından, yetenek ve çabalarından endişe duymaktadırlar.Bu veriler genellikle hastalar tarafından takılan sensörlerden veya aktivite takip cihazlarından elde edilir ve hastalar tarafından elde edilir. Kendin sür. Aslında, milyonlarca hastadan alınan verilerle eğitilmiş makine öğrenimi modelleri tıp uzmanlarının daha iyi kararlar almasına yardımcı olabilir. Örneğin, hemşireler genellikle doktorlar tarafından yapılan tıbbi işleri üstlenebilir, birinci basamak doktorları genellikle tıp uzmanları tarafından yapılan işleri üstlenebilir ve tıp uzmanları uzmanlıklarına ihtiyaç duyan hastalara daha fazla zaman ayırabilir.
Makine öğrenimi içermeyen mobil uygulamaların veya web hizmetlerinin uyuşturucu bağımlılığını iyileştirdiği ve çeşitli kronik hastalıkları kontrol altına aldığı kanıtlanmıştır. Bununla birlikte, resmi retrospektif ve ileriye dönük değerlendirme yöntemleri, hastaların doğrudan makine öğrenimini uygulamalarını engeller.
Ana zorluk
Yüksek kaliteli verilerin kullanılabilirliği
Bir makine öğrenimi modeli oluşturmanın temel zorluğu, temsili ve çeşitli bir veri kümesi oluşturmaktır. İdeal yaklaşım, kullanım sırasında modeli eğitmek için beklenen verilerin tam formatına ve kalitesine en yakın olan verileri kullanmaktır. Örneğin, acil bakımda kullanılması amaçlanan modeller için, verilerin güvenilmez olduğu bilinse veya veriler gereksiz değişikliklerden etkilense bile, EHR'nin belirli durumlarda kullandığı verilerin aynılarını kullanmak en iyisidir. Veri kümesi yeterince büyük olduğunda, modern modeller gürültülü girdileri gürültülü çıktılarla eşlemek için başarılı bir şekilde eğitilebilir. Manuel tarama verilerinin kullanımı (klinik araştırmalarda manuel vaka incelemelerinden elde edilenler gibi), doktorların değişkenleri orijinal deneysel spesifikasyonlara göre manuel olarak çıkarması istenmedikçe ideal değildir. Bu yaklaşım bazı değişkenler için uygun olabilir, ancak en doğru tahminleri yapmak için gerekli olan EHR'deki yüzbinlerce veri için çok mümkün değildir.
"Çöp içeri, çöp dışarı" (çöp içeri, çöp dışarı) dediği gibi, modeli eğitmek için gürültü veri kümesini nasıl koordine ederiz? En karmaşık istatistiksel kalıpları öğrenmek için, modelin ince ayarını yapmak ve değerlendirmek için büyük bir veri setine (hatta gürültülü verilere) sahip olmak en iyisidir, ancak yine de manuel tarama etiketleri olan daha küçük bir numune seti gereklidir. Orijinal veriler yanlış etiketlendiğinde, bu örnek kümesi modelin beklenen etiketle ilgili öngörüsünün doğru bir değerlendirmesini yapabilir. Görüntüleme modelleri için bu genellikle her resim için birden fazla puanlayıcı tarafından belirlenen "kesin referans" etiketlerinin oluşturulmasını gerektirir (yani, kesinlikle güvenilir bir uzman tarafından bir örneğe atanan bir teşhis veya keşif), ancak görüntüleme yapılmayanlar için Görev için, gerekli teşhis testleri yapılmazsa, "kesin referans" etiketini elde etmek mümkün olmayabilir.
Genel olarak, makine öğrenimi modeli daha fazla eğitim verisi daha iyi performans gösterir. Bu nedenle, makine öğreniminin kullanımı için önemli bir konu, gizlilik sorunlarını ve yasal gereklilikleri dengelerken makine öğrenimi modellerinin doğruluğunu artırmak için büyük ve çeşitli veri kümelerini kullanmaktır.
Geçmiş başarısızlıklardan ders alın
Tüm insan faaliyetleri, beklenmedik sapmalarla yok edilecek. Makine öğrenimi sistemlerini kuranların ve kullanıcılarının, sapmaların modeli eğitmek için kullanılan verileri nasıl etkilediğini dikkatlice düşünmesi ve bu sapmaları çözmek ve izlemek için önlemler alması gerekir.
Makine öğreniminin avantajı (ve dezavantajlarından biri), modelin insanların bulamadığı tarihsel veri modellerini tanıyabilmesidir. Tıbbi uygulamaların tarihsel verileri, insanların alabileceği sistematik tıbbi bakımda farklılıklar olduğunu ve dezavantajlı gruplara sağlanan tıbbi bakımın genellikle diğer gruplardan daha kötü olduğunu göstermektedir. Amerika Birleşik Devletleri'nde tarihsel veriler, bakım almaması gereken hastaları (sigortası olmayan hastalar gibi) kaçırabilmeleri için gereksiz bakım ve hizmetleri kullanan kişileri ödüllendiren bir ödeme sistemini yansıtır.
Denetim, gözetim ve güvenli kullanımda uzmanlık
Sağlık sistemi, ilaçların hastalara güvenli bir şekilde ulaştırılmasını sağlamak için karmaşık mekanizmalar oluşturmuştur. Makine öğreniminin geniş uygulanabilirliği, sistemin güvenli bir şekilde geliştirilmesini, kullanılmasını ve denetlenmesini sağlamak için aynı karmaşık düzenleyici yapıyı, yasal çerçeveyi ve yerel uygulamaları gerektirir. Ek olarak, teknoloji şirketleri, büyük miktarlarda veri ve modellerin kullanımıyla başa çıkmak için ölçeklenebilir bilgi işlem platformları sağlamalıdır, ancak konumlandırmaları konusunda hala net değiller.
Makine öğrenimi sistemlerini kullanan hem doktorların hem de hastaların, modelin belirli senaryolara genellenememesi de dahil olmak üzere sınırlamalarını anlaması önemlidir. Karar verirken veya görüntüleri analiz ederken makine öğrenimi modellerine aşırı güvenmek otomatik önyargılara yol açabilir ve doktorlar bu önyargılara karşı ihtiyatlarını azaltmış olabilir. Modelin yorumlanabilirliği yeterince güçlü değilse, doktor modelin yanlış tavsiye verdiğinin, özellikle de şu anda problemler verdiğinin farkına varmayabilir. Model tahminlerinde güven aralıklarını göstermek yardımcı olabilir, ancak güven aralıklarının kendileri yanlış yorumlanabilir. Bu nedenle, sadece model performansının geçmiş veri setlerine dayalı olarak geriye dönük bir değerlendirmesi değil, kullanımdaki modelin ileriye dönük ve gerçek bir klinik değerlendirmesini yapmak gereklidir.
Makine öğreniminin doğrudan hastalara uygulanmasına özel önem verilmelidir. Hastalar, model kurucunun sözlerinin yüksek kaliteli klinik kanıtlarla onaylanıp onaylanmadığını veya modelin önerilen davranışının makul olup olmadığını doğrulayamayabilir.
Araştırma sonuçlarının yayınlanması ve dağıtılması
Modeli oluşturan disiplinler arası ekip, klinisyenlere aşina olmayan konumlardaki sonuçları rapor edebilir. Yazılar genellikle arXiv ve bioRxiv gibi baskı öncesi hizmet web sitelerinde yayınlanır ve birçok modelin kaynak kodları GitHub gibi yerlerde saklanır. Ek olarak, birçok hakemli bilgisayar bilimi makalesi geleneksel dergilerde yayınlanmayacak, ancak NeurIPS (Neural Information Processing Systems Conference) ve ICML (International Machine Learning Conference) gibi konferanslarda yayınlanacaktır.
sonuç olarak
Büyük miktarlarda sağlık hizmeti verilerinin hızlandırılmış oluşturulması, sağlık hizmetinin doğasını temelden değiştirecektir. Hekim-hasta ilişkisinin hastalara tıbbi hizmet sunmanın temel taşı olacağına ve bu ilişkinin makine öğrenimi yardımıyla zenginleşeceğine inanıyoruz. Önümüzdeki birkaç yıl içinde bazı erken modellerin ve hakemli yayınların ortaya çıkmasını bekliyoruz. Bunların ortaya çıkması ve değer tıbbına dayalı düzenleyici çerçevelerin ve ekonomik teşviklerin geliştirilmesi, tıp alanında makine öğreniminin uygulanması konusunda iyimserliğin nedenleri haline gelecektir. Yakın gelecekte, milyonlarca klinisyen milyarlarca hastaya bakarken, tüm hastalar için en iyi bakım planını sağlamak için makine öğrenimi modellerinin yardımıyla tüm tıbbi verilere dayalı kararlar alabileceklerini umuyoruz.
