China Research yine Cell dergisinin kapağında, AI görüntüleme teşhis sistemi en iyi doktorlar kadar doğru.
Xinzhiyuan Raporu
Editör: Liu Xiaoqin, Zhang Qian
Xin Zhiyuan Rehberi Çin ekibinin araştırma sonuçları, bugün yayınlanan "Cell" dergisinin kapağında yayınlandı.Bu, maymun klonlamasından bir aydan kısa bir süre sonra ve Çin'in bilimsel araştırma sonuçları bir kez daha en iyi biyolojik dergilerde yayınlandı. Bu araştırmanın sonucu, iki ana göz hastalığı ve zatürre hastalığı türünü doğru bir şekilde teşhis edebilen bir yapay zeka (AI) aracıdır ve genel doğruluğu% 96,6'ya ulaşmıştır. Bu AI sistemi, retinal OCT görüntülerini kullanarak maküler dejenerasyonu ve diyabetik retinopatiyi sınıflandırmak için görüntü tabanlı derin öğrenmeyi kullanır ve biyomedikal görüntü yorumlamasında ve tıbbi karar vermede yaygın olarak kullanılabilir.
Çin biliminde başka bir gelişme ve şan.
Cell'in bugün yayınlanan son sayısının kapağı, Çinli ekibin araştırma sonuçlarını tanıtıyor. Getirdikleri şey, göz hastalığı ve zatürrenin iki ana hastalığını doğru bir şekilde teşhis edebilen bir yapay zeka (AI) aracıdır.Bu aracın performansı, profesyonel oftalmologlarınkine yakındır. Ayrıca, bir hastanın 30 saniye içinde% 95'in üzerinde bir doğrulukla tedavi görmesi gerekip gerekmediğini de belirleyebilir; viral pnömoni ile bakteriyel pnömoniyi ayırt ederken, doğruluk da% 90'dan fazladır.
Bu araştırma makalesinin ilgili yazarı, California Üniversitesi, San Diego'dan Profesör Kang Zhang'dır.
Bu çalışmanın ilgili yazarı Profesör Zhang Kang (Resim kaynağı: UCSD)
Profesör Zhang Kang, 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.
Çalışmanın kilit noktaları:
-
Transfer öğrenme teknolojisini kullanarak bir yapay zeka sistemi geliştirdi
-
Sistem, görüntüleri etkili bir şekilde maküler dejenerasyon ve diyabetik retinopati olarak sınıflandırır
-
Sistem ayrıca göğüs röntgenlerinde bakteriyel ve viral pnömoniyi doğru bir şekilde ayırt eder
-
Bu araştırma, çok çeşitli biyomedikal görüntüleme uygulamaları için potansiyele sahiptir.
Bir cümlelik özet:
Görüntü tabanlı derin öğrenme, maküler dejenerasyonu ve diyabetik retinopatiyi sınıflandırmak için retinal OCT görüntülerini kullanır ve biyomedikal görüntü yorumlamasında ve tıbbi karar vermede yaygın olarak kullanılabilir.
"Cell" dergisi, bu araştırmaya ayrıntılı bir video girişi ekledi
(Video kaynağı: Kang Zhang ve diğerleri / Cell)
Yapay zeka tabanlı evrişimli sinir ağı, 200.000'den fazla OCT'yi kontrol eder
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 maküler dejenerasyon (AMD) ve diyabetik maküla ödemi gibi kör edici göz hastalıklarını doğru bir şekilde teşhis edebilirler. Ve tedavi seçenekleri sunar.
Amerika Birleşik Devletleri'nde yaklaşık 10 milyon kişi AMD'den muzdariptir ve her yıl 200.000'den fazla kişi, AMD'ye neden olabilecek patolojik koroidal neovaskülarizasyon (koroidal neovaskülarizasyon) oluşturur. Buna ek olarak, 40 yaşın üzerindeki yaklaşık 750.000 kişi, görmeyi etkileyebilen bir tür diyabetik retinopati olan diyabetik maküler ödemden muzdariptir. Nüfusun hızlanan yaşlanması ve küresel diyabet prevalansı nedeniyle, bu hastalıkların prevalansı zamanla daha da artabilir.
Neyse ki, Anti-vasküler endotelyal büyüme faktörü (anti-VEGF) ilaçlarının ortaya çıkması ve yaygınlaşması, eksüdatif retina hastalıklarının tedavisini tamamen değiştirmiştir. Hastaların önemli ölçüde görme ve yaşam kalitesini korumasına izin verin. OCT, anti-vasküler endotelyal büyüme faktörü tedavisinin uygulanmasına rehberlik etmek için esastır.Bu hastalıklarda retina patolojisinin (aşağıda) net kesitsel görünümlerini sağlayabilir, böylece insanlarda klinik muayene için yararlı olan tek bir retina tabakası gözlemlenebilir. Yardımcı etki.
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.
AI sistemi,% 95'in üzerinde bir doğrulukla 30 saniye içinde tedavi alıp almayacağını belirler.
Profesör Zhang Kang'ın ekibinin transfer öğrenme algoritmasının ana uygulaması retinal OCT görüntülerinin teşhisinde.
"Yapay zeka büyük bir potansiyele sahip. Büyük miktarda veriyi analiz edip sınıflandırarak hastalıkların teşhisini ve yönetimini tamamen değiştirebilir. Bu kadar büyük miktarda veriyi insan uzmanlarının analiz etmesi zordur, ancak yapay zeka bunu çok hızlı yapabilir." Profesör Kang, dedi.
Yapay zeka sistemlerinin mevcut hesaplama yöntemleri zaman alıcıdır, yoğun emek gerektirir ve pahalıdır ve yapay zeka sistemini eğitmek için milyonlarca görüntü kullanması gerekir. Yeni makalelerinde, Kang Zhang ve meslektaşları, 200.000'den fazla OCT (optik koherens tomografi) göz taramasını incelemek için AI tabanlı evrişimli sinir ağlarını kullandı.
Araştırmacılar transfer öğrenme tekniklerini kullanır. Örneğin, gözün farklı anatomik yapılarını (retina, kornea veya optik sinir gibi) tanımak için optimize edilmiş bir AI sinir ağı, tüm gözü daha hızlı ve etkili bir şekilde tanımlamak ve değerlendirmek için tüm göz görüntüsünü incelemek için kullanılabilir. Bu, yapay zeka sisteminin etkili öğrenme için gerekli olan veri setini geleneksel yöntemlerden daha küçük hale getirir.
Evrişimli Sinir Ağı Şeması
Yukarıdaki şekil, 1000 görüntü kategorisine sahip ImageNet veri kümesi üzerinde eğitilen evrişimli sinir ağının, doğruluğu önemli ölçüde artıran ve eğitim süresini kısaltan yepyeni bir OCT görüntü veri kümesine nasıl adapte olduğunu göstermektedir. Yerel olarak bağlı (evrişimli) katman dondurulur ve yeni bir ağa taşınırken, son tam olarak bağlı katman yeniden oluşturulur ve yeniden eğitilir.
Araştırmacılar daha sonra "oklüzyon testi" ni ekledi. Oklüzyon testinde bilgisayar, sonucun temeli olan her görüntünün hastalığın meydana geldiğini "düşündüğü" kısmını tanımlar. Profesör Zhang Kang, "Makine öğrenimi genellikle bir kara kutu gibidir. Sistemde neler olduğunu bilmiyoruz" dedi. "Oklüzyon testi aracılığıyla bilgisayar, teşhisin dayandığı görüntüde nerede olduğunu bize söyleyebilir Böylece sistemin neden bu sonuca geldiğini öğrenebiliriz. Bu, sistemi daha şeffaf hale getirir ve teşhise olan güvenimizi artırır. "
Bu çalışma, geri döndürülemez körlüğün iki yaygın nedeni olan makula dejenerasyonu ve diyabetik makula ödemi üzerine odaklanmıştır. Ancak bu iki durum önceden tespit edilirse tedavi edilebilir. Araştırmacılar, makinenin tanı sonuçlarını altı göz doktorunun sonuçlarıyla karşılaştırdılar.Karşılaştırma sonuçları aşağıdaki gibidir:
AI sistemi, tıbbi teşhise ek olarak, daha önceki çalışmalarda yapılmayan sevkler ve tedavi önerileri de üretir.
Yazar, basit eğitim yoluyla, AI sisteminin performansının profesyonel göz doktorlarının performansına yakın olduğuna dikkat çekiyor. Ve% 95'in üzerinde bir doğrulukla hastanın tedavi alıp almayacağı 30 saniye içinde belirlenebilir.
Profesör Zhang Kang'a göre, bu kadar hızlı teşhis ve yüksek doğruluk, tıbbi teşhis ve tedavide ileriye doğru atılmış büyük bir adımı temsil ediyor ve mevcut tıbbi sistemde, hastaların genellikle genel doktorlardan uzmanlara sevk edilmesi gerektiğine işaret etti. , Zaman ve kaynak tüketmek ve etkili tedaviyi geciktirebilir. Profesör Zhang Kang ayrıca basitleştirilmiş ve nispeten ucuz yapay zeka tabanlı bir aracın uzmanların az olduğu yerler ve bazı alanlar için bir nimet olacağına işaret etti.
AI araçlarının geniş uygulanabilirliği vardır: pnömoniyi ayırt etme doğruluğu% 90'ın üzerindedir
Bilim adamları araştırmalarını göz hastalıklarıyla sınırlamadılar.
Benzer şekilde, araştırmacılar dünya çapında 5 yaşın altındaki çocuklar için önde gelen ölüm nedeni olan çocukluk çağı pnömonisinin olasılığını teşhis etmek için AI sistem eğitimi için 5232 göğüs röntgeni topladı.
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 gösteriyor ki AI, bakteriyel ve viral pnömoniyi ayırt etmek için yeterlidir.
Resim: Pnömonili bir hastanın göğüs röntgeni örneği. Normal bir göğüs röntgeni (soldaki görüntü), görüntüde anormal derecede bulanık alanlar olmaksızın temiz bir akciğeri gösterir. Bakteriyel pnömoni (orta) genellikle fokal lob konsolidasyonu olarak ortaya çıkar Bu örnekte konsolidasyon sağ akciğerin üst lobunda (beyaz ok) meydana gelirken, viral pnömoni (sağ) her iki akciğerde daha yaygındır. Geçiş "modu.
Viral pnömoni temel olarak semptomatik bakımla tedavi edilir, çünkü vücut doğal olarak virüsten kurtulacaktır; bakteriyel pnömoni genellikle daha ciddi bir sağlık tehdididir ve acil antibiyotik tedavisi gerektirir.
Eğitim veri setinde ve doğrulama veri setinde göğüs röntgeni görüntülerini kullanarak pnömoninin performansını teşhis etmek için 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.
Zhang Kang, araştırma sonuçlarının, AI teknolojisinin taramada tespit edilen iyi huylu ve kötü huylu lezyonları ayırt etme olasılığı dahil olmak üzere birçok potansiyel uygulamaya sahip olduğunu gösterdiğini söyledi. Araştırmacılar, başkalarının potansiyellerini daha da iyileştirebilmeleri, mükemmelleştirebilmeleri ve geliştirebilmeleri için verilerini ve araçlarını kamuya açık olarak yayınladılar.
Profesör Zhang Kang, "Gelecekte, daha fazla veri, daha fazla bilgi işlem gücü ve bu sistemi kullanmada daha fazla deneyimle, en iyi hasta bakımını maliyet etkinken sunabileceğiz." Dedi.
Kısa bir süre önce, 25 Ocak'ta "Cell", Çin Bilimler Akademisi Nörobilim Enstitüsü'nün Sun Qiang ekibinin maymun klon araştırması üzerine bir kapak makalesi yayınladı ve o dönemde endüstride bir sansasyon yarattı. Sadece bir ay sonra, Çinli araştırma ekibi biyoloji alanındaki en iyi akademik dergilerde en son araştırma sonuçlarını bir kez daha gösterdi ve Çin'deki yapay zekanın biyolojik bilimler ve diğer alanlarla daha fazla entegrasyonunu temsil eden yapay zeka unsurlarını birleştirdi. İyi bir başlangıç yapan Çin'in bilim ve teknoloji araştırmalarının 2018'de parlak bir geleceği var!
Bu çalışmanın ortak yazarları şunlardır: Daniel S.Kermany, Sierra Hewett, Viet AN Huu, Edward D. Zhang, Charlotte L. Zhang, Oulan Li ve Jin Fu, Guangzhou Medical University ve UC San Diego; Michael Goldbaum, Wenjia Cai, Carolina CS Valentin, Sally L. Baxter, Ge Yang, Made K. Prasadha, Jacqueline Pei, Magdalena Ting, Christina Li, Ian Ziyar, Alexander Shi, Runze Zhang, William Shi, Yaou Duan ve Cindy Wen, UC San Diego; Lianghong Zheng ve Rui Hou, YouHealth AI; Huiying Liang, Xiaokang Wu, Fangbing Yan, Sichuan Üniversitesi; Jason Dong, Jie Zhu ve Huimin Zia, Guangzhou Tıp Üniversitesi; Alex McKeown ve Ali Tafreshi, Heidelberg Mühendisliği; Xiaobo Wang, Beihai Hastanesi, Çin; Michael A. Şarkıcı, Teksas Üniversitesi Sağlık Bilimleri Merkezi; Xiaodong Sun, Shanghai General Hospital; Jie Xu, Beijing Tongren Hospital; M. Anthony Lewis, Qualcomm Inc.
Referans bağlantısı:
1,
https://health.ucsd.edu/news/releases/Pages/2018-02-22-arildo-intelligence-quickly-and-accurately-diagnoses-eye-diseases-and-pneumonia.aspx
2,
https://mp.weixin.qq.com/s/FytXI-6lNKjo8Yfg2wE4tA (genel hesap "Akademik Jingwei")
Kağıt adresi:
