Deepmind bir kilometre taşı başarısı yayınladı: "kara kutu" sorunuyla yüzleşin ve 50'den fazla göz hastalığı özelliğini otomatik olarak tespit edin
Leifeng.com'a göre Deepmind, Londra'daki Moorfields Göz Hastanesi ile işbirliğinin ilk aşamasını yayınladı ve bu, göz hastalıklarının tedavi yöntemlerini ve konseptlerini değiştirebilir.
Şu anda, araştırma sonuçları çevrimiçi olarak "Doğa Tıbbı" üzerinde yayınlanmaktadır.
Deepmind ekibi, AI sisteminin rutin klinik uygulamada göz taramalarının sonuçlarını benzeri görülmemiş bir doğrulukla hızlı bir şekilde yorumlayabildiğini ve sevk tedavisi için vizyona zarar veren 50'den fazla göz hastalığı olan hastaları dünyanın en iyi uzman doktorlarıyla karşılaştırılabilir doğrulukla doğru bir şekilde tavsiye edebileceğini belirtti.
Bunlar yalnızca erken sonuçlardır, ancak AI sisteminin rutin klinik uygulamada bulunan çeşitli hastaları idare edebileceğini göstermektedir. Deepmind, uzun vadede bunun, doktorların hastaları tedavi etme önceliğini hızlı bir şekilde belirlemelerine ve görme yetilerini olabildiğince korumalarına yardımcı olacağını umuyor.
Oftalmolojideki sorunlar
Tanısal görüntülemenin hacmi ve karmaşıklığı, insan uzmanlığından daha hızlı büyüyor. Yapay zeka, bazı yaygın hastalıkların iki boyutlu fotoğraflarını sınıflandırmada büyük bir potansiyel göstermiştir ve genellikle açıklamalı görüntülere sahip milyonlarca veri tabanına dayanır. Şimdiye kadar, uzman klinisyenlerin performansını gerçek klinik yolda 3D tanısal taramalarla elde etme zorluğu çözülmedi.
Bu makalede, Deepmind, büyük bir göz hastanesindeki hastalardan alınan bir dizi klinik olarak heterojen 3D optik koherens tomografi taramasına yeni bir derin öğrenme mimarisi uyguluyor. Yalnızca 14884 tarama eğitiminden sonra, araştırma sonuçlarının sevk önerileri, görmeyi etkileyen bir dizi retina hastalığının teşhisinde uzmanın performansını karşıladı veya aştı.
Deepmind tarafından önerilen AI çerçevesi: a. Orijinal retinal OCT taraması (retinanın maküla çevresinde 6 × 6 × 2.3 mm³) b. Eğitim için manuel olarak segmentlere ayrılmış OCT tarama görüntülerini kullanan derin segmentasyon ağı c. Elde edilen doku segmentasyon haritası d. Derin sınıflandırma ağı Teşhis ve eğitim için en iyi sevk kararı ile organizasyon şemasını kullanın e. Öngörülen tanı olasılığı ve sevk önerileri.
Ek olarak, Deepmind, mimarileri tarafından oluşturulan doku segmentasyonunun cihazdan bağımsız bir karakterizasyon olarak kullanılabileceğini kanıtladı; Farklı cihaz türlerinden doku segmentasyonu kullanıldığında, sevk doğruluğunu koruyabilir. Deepmind'ın çalışması, daha önce daha geniş klinik kullanımda karşılaşılan engelleri ortadan kaldırır ve gerçek ortamda birden fazla hastalıktan çok büyük eğitim verileri gerektirmez.
Şu anda, oftalmologlar göz hastalıklarının teşhisine yardımcı olmak için optik koherens tomografi (OCT) taramaları kullanıyor, ancak bu üç boyutlu görüntülerin okunması zor ve uzman yorumu gerektiriyor.
Bu taramaları analiz etmek için gereken süre, sağlık çalışanlarının görüntülemesi gereken görüntü sayısı ile birleştiğinde (Morfields Göz Hastanesinde tek başına günde bu tür 1.000 görüntü vardır), tarama ve tedavi arasındaki süreyi çok uzun kılar Aralık. Acil tedaviye ihtiyaç duyanlar için. Bu hastalarda göz arkasından kanama gibi ani bir değişiklik olursa bu tür gecikmeler körlüğe bile yol açabilir.
Deepmind, geliştirilen AI sisteminin bu zorluğu çözmek olduğunu söyledi. Göz hastalıklarının özelliklerini birkaç saniye içinde otomatik olarak tespit etmekle kalmaz, aynı zamanda acil tedaviye ihtiyaç duyan hastalara sevk tedavisi için tavsiyede bulunmaya da öncelik verebilir. Bu anlık sınıflandırma süreci, tarama ve tedavi arasındaki süreyi büyük ölçüde azaltarak, diyabetik retinopati ve yaşa bağlı makula dejenerasyonu olan hastaların körlükten kaçınmasına yardımcı olur.
224 OCT taramasından seçilen üç iki boyutlu dilim, soldaki görüntü segmentasyon test seti, orta kısım manuel segmentasyon ve sağ otomatik segmentasyondur.
Uyarlanabilir teknoloji
Deepmind ekibi, bunun sadece akademik olarak ilginç bir sonuç olduğunu değil, aynı zamanda gerçek tedavi için kullanılabileceğini umduğunu belirtti. Bu nedenle, makaleleri klinik pratikte yapay zekanın önünde büyük bir engel olduğunu varsayıyor: "kara kutu" sorunu. Çoğu AI sistemi için, önerilerinin nedenlerini doğru bir şekilde anlamak zordur. Bu, sistematik muhakemeyi anlamaya ihtiyaç duyan klinisyenler ve hastalar için büyük bir sorundur. Sonuçları ve nereden geldiklerini bilmeleri gerekir.
Deepmind'in sistemi, bu sorunu çözmek için yeni bir yaklaşım kullanıyor.Bu sistem, aralarında yorumlanabilir temsiller ekleyerek iki farklı sinir ağını birleştiriyor. Lei Feng.com, ilk sinir ağının segmentasyon ağı olarak adlandırıldığını öğrendi; bu ağ, OCT taramalarını analiz etmek için farklı tipteki göz dokularının ve gözlenen hastalık özelliklerinin haritalarını (örneğin kanama, lezyonlar, düzensiz sıvılar veya göz hastalıkları) sağlamak için kullanılır. Diğer belirtiler. Bu tür bir görüntü, göz doktoruna sistemin nasıl "düşündüğü" konusunda fikir verebilir.
İkinci ağ, oftalmik görüntüleri analiz edebilen ve klinisyenlere tanı ve sevk önerileri sağlayan sınıflandırma ağı olarak adlandırılır. Daha da önemlisi, bu sınıflandırma ağı önerileri yüzdeler şeklinde ifade ederek klinisyenlerin sistemin analizine olan güvenini anlamalarına olanak tanır.
Sonraki aşama
Deepmind ilerlemelerinden gurur duysa da, bu ön araştırmanın bir ürüne dönüştürülmesi ve ardından pratik uygulamadan önce titiz klinik denemelerden ve düzenleyici onaydan geçmesi gerekiyor. Ancak DeepMind, bu sistemin zamanla göz hastalıklarının teşhisini, tedavisini ve yönetimini değiştirebileceğine inanıyor.
Deepmind'ın Moorfields'taki ortakları, araştırmalarının bakım sürecini iyileştirmelerine, klinisyenler üzerindeki baskının bir kısmını azaltmalarına ve maliyetleri düşürmelerine yardımcı olabileceğini umuyor. Bu yüzden Deepmind, bir sonraki adımı planlamak için de çok çalışıyor.
Leifeng.com'a göre, bu teknolojinin klinik çalışmalarda evrensel olduğu kanıtlanabilirse, Moorfields'teki klinisyenler, ilk beş yıl içinde Birleşik Krallık'taki 30 hastane ve toplum kliniklerinde ücretsiz olarak kullanabilecekler. Bu klinikler her yıl 300.000 hastaya hizmet vermekte ve her gün 1.000'den fazla OCT tarama yönlendirmesi almaktadır. AI teknolojisi uygulanabilirse, her tıp kurumu teşhisin doğruluğunu ve hızını artırabilir.
Yeni tarama cihazı türlerine genişletin
Her iki cihaz türünde tamamlanan eğitim taramalarının sayısı ve elde edilen performans
Deepmindın bu proje için yaptığı çalışma, diğer birçok NHS araştırma çabasının hızlandırılmasına da yardımcı oldu. Moorfields tarafından tutulan orijinal veri seti klinik kullanım için uygundur, ancak makine öğrenimi araştırması için uygun değildir. Bu nedenle Deepmind, dünya çapında oftalmoloji araştırmaları için en iyi yapay zeka veri tabanını oluşturmak amacıyla veri setlerinin temizlenmesi ve etiketlenmesine çok para yatırdı.
Geliştirilmiş veritabanı ticari olmayan bir kamu varlığı olarak Moorfields'a aittir ve hastane araştırmacıları tarafından dokuz bağımsız çalışma için kullanılmıştır. Moorfields, gelecekte ticari olmayan araştırmalar için DeepMind'in AI modelini de kullanabilir.
