211service.com
Mašīnas gatavojas spēlēt par ārstu
Pētnieki izmantoja pārnēsājamas EKG ierīces, lai savāktu 30 000 30 sekunžu klipus no pacientiem ar dažādām aritmijas formām.
Var nepaiet ilgs laiks, kad algoritmi regulāri izglābs dzīvības, ja vien ārsti vēlas arvien vairāk uzticēties mašīnām.
Stenfordas universitātes pētnieku komanda, kuru vadīja Endrjū Ng , ievērojams mākslīgā intelekta pētnieks un asociētais profesors, ir parādījis, ka mašīnmācīšanās modelis var labāk noteikt sirds aritmijas pēc elektrokardiogrammas (EKG) nekā eksperts.
Automatizētā pieeja varētu izrādīties svarīga ikdienas medicīniskajā ārstēšanā, padarot potenciāli nāvējošu sirdsdarbības traucējumu diagnozi ticamāku. Tas varētu arī padarīt kvalitatīvu aprūpi pieejamāku apgabalos, kur ir ierobežoti resursi.
Darbs ir arī tikai jaunākā pazīme, ka mašīnmācība, šķiet, var mainīt medicīnu. Pēdējos gados pētnieki ir pierādījuši, ka mašīnmācības metodes var izmantot, lai atklātu visa veida slimības, tostarp, piemēram, krūts vēzis , ādas vēzis , un acu slimība no medicīnas attēliem.
Mani ir iedrošinājis tas, cik ātri cilvēki pieņem domu, ka dziļa mācīšanās var noteikt diagnozi ar precizitāti, kas ir augstāka par ārstiem atsevišķās vertikālēs, Ng sacīja e-pastā. Viņš piebilst, ka ir iepriecinoši redzēt pētniekus, kuri meklē ne tikai attēlveidošanu, bet arī citus datu veidus, piemēram, EKG.
Vēl nesen Ng bija galvenais zinātnieks Ķīnas tehnoloģiju gigantā Baidu, kur viņš palīdzēja dibināt institūtu, kas veltīts padziļinātas mācīšanās pielietošanai dažādām biznesa problēmām.
Stenfordas komanda apmācīja dziļas mācīšanās algoritmu, lai EKG datos identificētu dažāda veida neregulāras sirdsdarbības. Daži pārkāpumi var izraisīt nopietnas veselības komplikācijas, tostarp pēkšņu sirds nāvi, taču signālu var būt grūti noteikt, tāpēc pacientiem bieži tiek lūgts vairākas nedēļas nēsāt EKG sensoru. Pat tad ārstam var būt grūti atšķirt pārkāpumus, kas var būt labdabīgi, no tiem, kuriem varētu būt nepieciešama ārstēšana.
Stenfordas pētnieki apmācīja dziļas mācīšanās algoritmu, lai no EKG datiem identificētu dažāda veida neregulāras sirdsdarbības.
Pētnieki sadarbojās ar iRitms , uzņēmums, kas ražo pārnēsājamas EKG ierīces. Viņi savāca 30 000 30 sekunžu klipus no pacientiem ar dažādām aritmijas formām. Lai novērtētu sava algoritma precizitāti, komanda salīdzināja tā veiktspēju ar piecu dažādu kardiologu sniegumu 300 nediagnosticētos klipos. Viņiem bija trīs ekspertu kardiologi, kas sniedza patiesu spriedumu.
Padziļināta mācīšanās ietver lielu datu daudzumu ievadīšanu lielā simulētā neironu tīklā un tā parametru precizēšanu, līdz tas precīzi atpazīst problemātiskos EKG signālus. Šī pieeja ir izrādījusies prasmīga, lai identificētu sarežģītus attēlu un audio modeļus, un tā ir ļāvusi izstrādāt labākas nekā cilvēka attēlu atpazīšanas un balss atpazīšanas sistēmas.
Ēriks Horvics , Microsoft Research rīkotājdirektors un gan ārsts, gan mašīnmācības eksperts, saka citi, tostarp divi dažādas grupas no MIT un Mičiganas Universitātes izmanto mašīnmācīšanos sirds aritmiju noteikšanai.
Tomēr, raugoties nākotnē, mašīnmācībai ir iespēja atrast slimības pēdas, izpētot lielu daudzumu atšķirīgu datu.
Tomēr galvenais izaicinājums būs pārliecināt ārstus un pacientus uzticēties algoritmiem, kas bieži ir tik sarežģīti, ka viņu argumentāciju nevar saprast (skatiet sadaļu The Dark Secret at the Heart of AI ). Padziļināta mācīšanās ir īpaši nepārskatāms mašīnmācīšanās veids, un ir svarīgi atrast veidus, kā to padarīt saprotamāku, gan uzticības veidošanai, gan ārstēšanas uzlabošanai.
Tomēr Ng nešaubās, ka tuvojas revolūcija. Viņš saka, ka mums vēl ir jāstrādā, lai šos algoritmus iekļautu veselības aprūpes sistēmas darbplūsmā. Bet es domāju, ka veselības aprūpē pēc 10 gadiem tiks izmantots daudz vairāk mākslīgā intelekta, un tā izskatīsies pavisam savādāk nekā šodien.