Ağır! Çinli bilim adamlarının en son tıbbi yapay zeka başarıları Cell Magazine'de listeleniyor
Leifeng.com'a göre tıbbi yapay zeka alanında bir büyük haber daha var. "Cell" in bugün yayınlanan son sayısında Çinli bilim adamı Profesör Zhang Kang'ın araştırması derginin kapağındaydı. Getirdikleri şey, birden fazla hastalığı doğru bir şekilde teşhis edebilen bir yapay zeka aracı.
Profesör Zhang Kang
"Yapay zeka (AI), büyük miktarda verinin analizi ve sınıflandırılması yoluyla hastalıkların teşhisinde ve yönetiminde devrim yapma konusunda büyük bir potansiyele sahiptir. Bu veriler, insan uzmanların bunu yapması ve hızlı bir şekilde yapması zordur." Bu araştırma İlgili yazar Profesör Kang Zhang, California Üniversitesi, San Diego'da (UCSD) bir oftalmoloji profesörü ve oftalmik genetik (Baş, Oftalmik Genetik) başhekimidir. Araştırma işbirliği birimleri arasında Guangzhou Tıp Üniversitesi, Sichuan Üniversitesi, Dalian Beihai Hastanesi, Shanghai First People's Hospital, Capital Medical University vb. Yer almaktadır.
Araştırma grubunun araştırma vurguları:
Transfer öğrenme teknolojisini kullanarak bir yapay zeka sistemi geliştirdi
Görüntüleri etkili bir şekilde maküler dejenerasyon ve diyabetik retinopati olarak sınıflandırın
Göğüs röntgenlerinde bakteriyel ve viral pnömoniyi doğru bir şekilde ayırt edin
Biyomedikal görüntüleme uygulamaları için geniş bir potansiyele sahiptir
Bu aracın performansının profesyonel bir göz doktorunun performansına yakın olduğu ve bir hastanın 30 saniye içinde tedavi edilip edilmeyeceğini% 95'ten fazla doğrulukla belirleyebildiği anlaşılmaktadır; viral pnömoniyi bakteriyel pnömoniden ayırt ederken doğruluk oranı da 90'dan fazladır. %.
Bu sadece Çinli bir araştırma ekibinin tıbbi yapay zeka üzerine araştırma sonuçlarını en iyi biyomedikal dergilerde yayınladığı ilk sefer değil; aynı zamanda dünyada ilk kez bu kadar büyük miktarda etiketli yüksek kaliteli veriyi göç öğrenimi için kullanıyor ve son derece doğru teşhis sonuçları elde ederek bir eşleşmeye ulaşıyor Hatta insan doktorlarının doğruluğunu bile aşıyor; dünyada ilk kez, tedavi yöntemlerini doğru bir şekilde önermek için yapay zekayı kullanıyor.
AI sistemi, 30 saniye içinde tedavi alıp almayacağını belirler
Oftalmoloji tedavisinde, retinal OCT (Optik Koherens Tomografi) görüntüleme teknolojisi, her yıl toplam 30 milyondan fazla kullanım ile en yaygın kullanılan tanı tekniklerinden biridir. Retina OCT, canlı retina dokusunun üç boyutlu bir hacimsel görüntüsünü oluşturabilen retinanın yüksek çözünürlüklü bir in-vivo optik kesitini yakalamak için ışığı kullanır.
Doktorlar, retina dokusunun yüksek çözünürlüklü görüntülerini alarak, yaşa bağlı maküla dejenerasyonu (AMD) ve diyabetik maküla ödemi gibi kör edici göz hastalıklarını doğru bir şekilde teşhis edebilir ve tedavi seçenekleri sağlayabilir.
Profesör Zhangın ekibi, çok seviyeli ileri besleme DNN konseptini uyguladı, eğitim öncesi modeli Inception-v3 mimarisini açık kaynak makine öğrenimi platformu TensorFlow'a yerleştirdi ve toplamda yaklaşık 100.000 doğru etiketlenmiş retinal OCT (Optik Koherens Tomografi, optik koherens tomografi) girdi Cerrahi) görüntüler ve nihayet göz hastalıklarını doğru bir şekilde teşhis edebilen bir AI sistemi geliştirdi.
Profesör Zhang Kang'ın ekibi 200.000'den fazla OCT görüntüsü elde etti ve derin bir öğrenme algoritması geliştirmek için yaklaşık 5.000 hastadan 100.000 görüntü kullandı. Çok sayıda yinelemeli eğitimden sonra, bu algoritmanın doğruluğu zirveye ulaştı.
Temsili optik tutarlılık tomografi görüntüsü ve iş akış şeması
Bununla birlikte, tıp alanında yapay zekanın sürekli derinlemesine araştırılmasıyla, derin öğrenmenin dezavantajları giderek ön plana çıkmıştır. Daha önce, Google ve Stanford Üniversitesi cilt kanseri ve diğer hastalıklarla ilgili bir dizi sonuç üretmişti, ancak bu tür sonuçlar yüz binlerce yüksek kaliteli açıklamalı görüntü gerektiriyordu. Ancak nadir görülen hastalıkların sayısı göz önüne alındığında, her hastalık için yüzbinlerce yüksek kaliteli, açıklamalı görüntü toplamak neredeyse imkansızdır. Bu problem çözülmezse, AI'nın tıbbi alanda uygulanmasının bu aşamada tamamen genişletilmesi zor olacaktır.
Leifeng.com, Profesör Zhang Kang'ın ekibinin bu sorunu çözmek için "göç öğrenimi" adlı bir tekniği benimsediğini öğrendi. "Transfer Öğrenimi", yeni model eğitimine yardımcı olmak için eğitilmiş model parametrelerini yeni bir modele aktarmak, yeni bilgileri öğrenmek için mevcut bilgileri kullanmak ve mevcut bilgi ile yeni bilgi arasındaki benzerliği bulmaktır. .
Bu yapay zeka sisteminin, göç öğrenme yardımıyla retina hastalıkları dışındaki hastalıklara uygulanabileceğini doğrulamak için, bu çalışmada Profesör Zhangın ekibi, göz hastalıklarını teşhis eden yapay zeka sistemine dayalı 100.000 doğru etiketlenmiş retinal OCT görüntüsünü eğitti. Yalnızca 5000 göğüs röntgeni görüntüsü kullanılarak ve ardından transfer öğrenmesi kullanılarak, pnömoni için bir AI hastalığı görüntü tanı sistemi oluşturuldu.
Araştırmacılar daha sonra, bilgisayarın her bir görüntüdeki en çok ilgilenilen alanı ve sonuçlarının temelini belirlediği bir kapatma testi ekledi. Profesör Zhang Kang, "Makine öğrenimi genellikle bir kara kutu gibidir, ne olduğunu bilmiyoruz" dedi. "Oklüzyon testi sayesinde, bilgisayar bize teşhis için resmin neresinde olduğunu söyleyebilir, böylece sistemin bu sonucu neden aldığını öğrenebiliriz. Bu, sistemi daha şeffaf hale getirir ve teşhise olan güvenimizi artırır."
Bu araştırma, geri döndürülemez körlüğün iki yaygın nedeni olan makula dejenerasyonu ve diyabetik maküler ödem üzerine odaklanmıştır. Ancak bu iki durum önceden tespit edilirse tedavi edilebilir. Makineden türetilen tanı sonuçları, aynı görüntüleri kontrol eden beş göz doktorunun sonuçlarıyla karşılaştırıldı. Yapay zeka platformu tıbbi teşhise ek olarak, daha önceki çalışmalarda yapılmamış öneriler ve tedavi önerileri de üretir.
Birden fazla koroidal neovaskülarizasyon, diyabetik maküla ödemi, drusen ve normal tiplerinin karşılaştırılması
"Acil durum sevkinin" (CNV ve DME tespiti) alıcı işletim karakteristik eğrisi (ROC), insan uzmanların performansıyla karşılaştırılır. ROC eğrisinin altındaki alan% 99,9'dur. Yakınlaştırma alanı, en doğru modelin performansı 6 uzman insanla gösterdiğini göstermektedir.
Yazar, basit bir eğitim yoluyla makinenin iyi eğitimli bir göz doktoru gibi davrandığına dikkat çekiyor: Ve hastanın 30 saniye içinde tedavi alıp almayacağını belirleyebilir ve doğruluk% 95'in üzerine çıkar.
Profesör Zhang Kang'a göre, bu hız ve doğruluk, tıbbi teşhis ve tedavide ileriye doğru büyük bir adımı temsil ediyor ve mevcut tıbbi süreçte, hastaların genellikle genel doktorlardan uzmanlara aktarılması gerektiğine işaret etti. Doktorlar zaman ve kaynak tüketir ve etkili tedaviyi geciktirebilir. Profesör Zhang Kang ayrıca, yapay zekaya dayalı basitleştirilmiş ve nispeten ucuz bir aracın, özellikle uzmanların az olduğu ve bazı alanlarda dünyanın tıbbi kaynakları için bir nimet olacağına işaret etti.
AI araçları, göz hastalıklarına ek olarak zatürreeyi de ayırt edebilir
Bilim adamları araştırmalarını göz hastalıklarıyla sınırlamadılar. Ayrıca AI araçlarını test ettiler ve AI sistem eğitimi için 5232 göğüs röntgeni topladılar. Çocuklarda göğüs röntgenlerinin makine analizine göre pnömoni teşhisi, dünyada 5 yaşın altındaki çocukların önde gelen ölüm nedenidir.
Yineleme ve testlerden sonra, çocukluk çağı pnömonisini teşhis etmeye yönelik bu AI aracı,% 92,8 doğruluk,% 93,2 duyarlılık,% 90,1 özgüllük ve% 96,8 AUC değeri elde edebilir. Bu veriler, AI'nın bakteriyel ve viral pnömoniyi% 90'ın üzerinde bir doğruluk oranıyla ayırt etmek için yeterli olduğunu göstermektedir. Viral pnömoni temel olarak semptomatik bakım ile tedavi edilir, çünkü vücut doğal olarak virüsten kurtulacaktır. Bakteriyel pnömoni genellikle daha ciddi bir sağlık tehdididir ve acil antibiyotik tedavisi gerektirir.
Pnömoni teşhisinin performansını açıklamak için eğitim ve doğrulama veri setlerinde "TensorBoard" kullanın
Yukarıdaki şekil (AF), pnömoni ve normal (A) arasındaki çapraz entropi kaybının eğitim adımı (B) ile karşılaştırması ve bakteriyel pnömoni ile viral pnömoni (C) ve ilgili çapraz entropi kaybı (D) arasındaki karşılaştırmadır. . Eğilimi açıkça gözlemlemek için, çizilen eğrinin yumuşatma faktörü 0,6'dır. Pnömoniyi ve normali saptamak için kullanılan ROC eğrisinin altındaki alan% 96,8'dir (E). Bakteriyel ve viral pnömoni için ROC eğrisinin altındaki alan% 94.0'dır (F). Eğitim veri seti: turuncu; doğrulama veri seti: mavi.
Profesör Zhang Kang, araştırma sonuçlarının, AI teknolojisinin taramada tespit edilen iyi huylu ve kötü huylu lezyonları ayırt etme olasılığı da dahil olmak üzere birçok potansiyel uygulamaya sahip olduğunu gösterdiğini söyledi. Bilim adamları verilerini ve araçlarını kamuya açık olarak yayınladılar, böylece diğerleri potansiyelini daha da iyileştirebilir, iyileştirebilir ve geliştirebilir.
Leifeng.com'a göre, AI sistemleri Amerika Birleşik Devletleri ve Latin Amerika'daki oftalmoloji kliniklerinde küçük ölçekli klinik çalışmalarda ve deneyim kazandıktan sonra büyük ölçekli tanıtımlarda kullanıldı. Ek olarak, takip araştırmasında, doğru etiketlenmiş resimlerin sayısını daha da artıracak, teşhis edilebilecek hastalık türlerini artıracak ve sistemi daha da optimize edecekler.
Profesör Zhang Kang, "Gelecek daha fazla veri, daha fazla bilgi işlem gücü ve bu sistemi kullanmada daha fazla deneyimdir, böylece en iyi hasta bakımını maliyet-etkin olurken sağlayabiliriz," dedi.
