Nature Sub-Journal: Yeni AI teşhis araçları çıktı, doğruluk veya ultra genç doktor
Kaynak: Akademik Jingwei
Bu makale var 3500 kelime, Önerilen Okuma 7 dakika.
Bu makale, Nature'ın bir alt sayısı olan Nature Medicine'de yayınlanan heyecan verici bir sonucu tanıtıyor: makine öğrenimi ve doğal dil işleme gibi yapay zeka (AI) teknolojilerinin kullanımı.
Bugünün en son "Nature" alt dergisi "Nature Medicine" heyecan verici bir sonuç yayınladı: makine öğrenimi ve doğal dil işleme gibi yapay zeka (AI) teknolojilerinin kullanılması, Guangzhou Kadın ve Çocuk Tıp Merkezi Profesör Xia Huimin Ve California Üniversitesi, San Diego (UCSD) Profesör Zhang Kang İşbirliği ile yönetilen bir araştırma ekibi, yeni bir AI teşhis aracı getiriyor. Bu araç, bir insan doktoruyla aynıdır. Hastanın sözlü ve doktorun fiziksel muayene metni tıbbi kayıtları doldurulduktan sonra araç doğrudan okunabilir. Tıbbi kayıtları okuyun, hastanın durumunu otomatik olarak analiz edin ve akıllıca tanı önerin. Bu, yapay zeka görüntü teşhisi konulu bir makaleyi "Cell" dergisinin kapağında yayınladıktan bir yıldan daha kısa bir süre sonra tıbbi tedavide yapay zeka teknolojisinin uygulanmasında ekibin ulaştığı bir diğer önemli kilometre taşıdır. Hastalık teşhisi için insan doktorları simüle eden yapay zeka çağının gelişini işaret ediyor.
"Cell" dergisinin kapağı:
Son yıllarda, yapay zeka, tıbbi görüntülere dayalı tanı konusunda insanları defalarca aştı. Radyoloji, patoloji, oftalmoloji, dermatoloji ve diğer görüntü verilerinin tanınması ve taranmasında, makine öğrenimine dayalı teşhis araçları dikkat çekicidir. Ancak bu uygulamalar, hızla gelişen AI teknolojisi için sadece küçük bir testtir. Gerçek test, yapay zekanın sadece resimleri analiz etmek yerine insanlar gibi hastalık bilgilerini okuyup okuyamayacağıdır. Bu araştırmada, bilim adamları bu hedefe başarıyla ulaştı ve doktorlara tanı koymada yardımcı olmada yapay zekanın büyük potansiyelinden yararlandı. Endişelendikleri şey, birçok pediatrik hastalığın doğru teşhisi.
Pediatrik hastalıkların teşhisi, tıbbi tedavide önemli bir sorun noktasıdır. Bir yandan çocukların direnci zayıftır ve birçok hastalığa yatkındır, diğer yandan bazı pediatrik hastalıklar daha tehdit edicidir ve bir an önce tedavi edilmesi gerekir. Pediatrik hastalıkları hızlı ve doğru bir şekilde teşhis etme yeteneği, sadece hastalar için bekleme süresini azaltmakla kalmaz, aynı zamanda kritik koşullarda bulunan çocukların zamanında tıbbi tedavi almalarına da olanak tanır.
Bu acı noktayı çözmek için, araştırmacılar ilk olarak, doktorlar tarafından girilen çok sayıda metin raporu içeren devasa elektronik tıbbi kayıtlardaki klinik özellik verilerini anlamak için yapay zekayı eğitti. Bu adım tek başına görüntü verilerini analiz etmekten çok daha zordur! Kişisel geçmiş, fizik muayene, laboratuvar test sonuçları, ilaç ve ameliyat vb. Dahil olmak üzere elektronik tıbbi kayıtlarda boyutlar görüntülerden çok daha yüksektir. Dahası, genellikle elektronik tıbbi kayıt verilerinde bazı sistem hataları ve ayrıca kasıtlı veya kasıtsız girdi hataları vardır, bu da veri analizinde gürültüye neden olur. Bu nedenle, elektronik tıbbi kayıtlardan verilerin nasıl çıkarılacağı ve doğru örüntü tanıma için makine öğrenimi yöntemlerinin nasıl kullanılacağı bir zorluktur.
Bu amaçla, araştırmacılar tıbbi bilgi ve veri modellemeyi entegre ettiler, derin öğrenme teknolojisine dayalı bir veri madenciliği çerçevesi önerdiler ve doğal bir dil işleme sistemi geliştirdiler.
Derin öğrenme, çıkarım için çok katmanlı sinir ağlarını kullanan ve yüksek doğruluk elde etmek için çok sayıda eğitim verisi gerektiren bir makine öğrenimi kategorisidir. Bu çalışmadaki büyük miktarda veri, 1,3 milyondan fazla ayakta tedavi gören yaklaşık 600.000 çocuğun elektronik tıbbi kayıtlarından geliyor ve bu da makine öğrenimi teknolojisinin iyileştirilmesini büyük ölçüde garanti ediyor.
Özellikle, doktorlar tarafından elektronik tıbbi kayıtlara kaydedilen teşhis metni için araştırmacıların bilgi çıkarımı için bir dizi doğal dil işleme modeli oluşturduğunu belirtmekte fayda var. Bu aşamada, iki araştırma enstitüsünden doktorlar ve bilim adamları birlikte çalıştı ve kıdemli hekimler ve bilişim araştırmacılarından oluşan uzman bir ekip, modeli eğitmek ve test etmek için elektronik tıbbi kayıtta 6.000'den fazla çizelgeye manuel olarak açıklama ekledi. Yüksek kaliteli veri girişi, bu sistemin önemli bir avantajı haline geldi.
Temel olarak iyi bir eğitim ile araştırma ekibi, bir yapay zeka triyaj sistemi oluşturmak için lojistik regresyon sınıflandırıcısının makine öğrenimi yöntemini kullandı. Bu sınıflandırma sistemi, insan doktorlarının araştırma çerçevesini simüle eder ve elektronik tıbbi kayıtlardan çıkarılan klinik özellikleri insan vücudunun ana sistemlerine göre sınıflandırır.
Spesifik olarak, bu sistem ilk olarak solunum hastalıkları, gastrointestinal hastalıklar ve sistemik hastalıklar gibi birkaç ana sisteme bölünecek ve ardından her kategori altında alt bölümlere ayrılacaktır. Örneğin, en yaygın solunum yolu hastalıklarında, bu sistem önce üst ve alt solunum yollarına, sonra da larenjit, bronşit, bronşit ve pnömoniye bölünecektir. Testten sonra, her seviyede, AI tarafından yapılan birincil tanı, denetçinin doğrulukla yaptığı birincil tanıya yakındır. Örneğin hasta popülasyonunda en sık görülen akut üst solunum yolu enfeksiyonunda model, vakaların teşhisinde% 95 doğruluğa sahiptir.
Algoritma ayrıca bazı tehlikeli ve potansiyel olarak yaşamı tehdit eden hastalıklar için (akut astım atakları, bakteriyel menenjit vb.) Güçlü teşhis performansı da gösterir. Bu klinik uygulamada çok önemli bir yere sahiptir. AI hızlı triyajın yardımıyla, tıbbi hizmetlerin sınırlı kaynakları, en çok yardıma ihtiyacı olan hastalar için kullanılabilir.
Son olarak, yapay zekanın gücünü gerçekten test etmek için elbette yapay zekanın deneyimli insan doktorlarla rekabet etmesine izin verin. Araştırmacılar, pediatrik hastaların yaklaşık 12.000 tıbbi kaydını çıkardı ve yapay zekanın performansının hangi doktor grubuna benzer olduğunu görmek için 20 "katılımcı" pediatristi kıdemlerine ve klinik deneyimlerine göre 5 gruba ayırdı. Sonuçlar, AI modelinin ortalama puanının düşük vasıflı iki doktor grubundan daha yüksek ve üç yüksek vasıflı doktor grubuna yakın olduğunu göstermektedir. Bu sonuçtan, AI modeli genç doktorların teşhis ve tedavi kararları vermelerine yardımcı olabilir.
"Çalışmamız, yüksek kaliteli pediatrik tıbbi entelektüel kaynakları çoğaltmak, yüksek kaliteli pediatrik tıbbi kaynakların tedarikini artırmak ve yardımcı güçlendirme yoluyla pediatrik tıp endüstrisinin verimliliğini ve deneyimini geliştirmek için yapay zekayı kullanıyor; teletıp ve İnternet tıbbi bakımı yoluyla daha büyük bir gösteri ve tanıtım ölçeği oluşturması bekleniyor. Birinci basamak doktorları ve genç çocuk doktorları için yardımcı tanı ve tedavi hizmetleri sunmak, Yanlış teşhis ve atlanan teşhisin neden olduğu tıbbi risklerden kaçınmak için çocukların ebeveynlerine akıllı kendi kendine teşhis hizmetleri ve yetkili ikinci teşhis ve tedavi fikirleri sağlayın. "Profesör Xia Huimin dedi.
"Çalışmamız bir tür Doğru, hızlı ve ucuz pediatrik AI doktor sistemi Sağlam bir temel atın. Profesör Zhang Kang ekledi.
Profesör Xia Huimin ve Profesör Zhang Kangın araştırma ekibini tekrar tebrik ediyoruz ve ayrıca yakın gelecekte hastalara doğru ve verimli tanı sağlayabilecek ve zor ve pahalı tıbbi tedavi olgusunu tamamen değiştirebilecek yapay zekanın uygulanmasını dört gözle bekliyoruz.
Referans materyaller: Huiying Liang ve ark., (2019), Yapay zeka kullanarak pediatrik hastalıkların değerlendirilmesi ve doğru teşhisi, Nature Medicine, DOI: https://doi.org/10.1038/s41591-018-0335-9 Editör: Wang Jing Redaksiyon: Lin Yilin - Bitiş -Tsinghua-Qingdao Veri Bilimi Enstitüsü'nün resmi WeChat kamu platformunu takip edin " THU Veri Pastası "Ve kız kardeş numarası" Veri Pastası THU "Daha fazla ders avantajı ve kaliteli içerik elde edin.
