AI выведет новых победителей в секторах технологий и здравоохранения. И самое главное, это спасет жизни.

Следующая статья была первоначально опубликована в журнале Что я узнал на этой неделе 13 апреля 2017 года. Чтобы узнать больше об инвестиционном исследовании 13D, посетите наш веб-сайт.

На прошлой неделе исследователи клиники Мэйо выявили пугающую статистику: в 88% случаев первоначальный диагноз пересматривается после проверки вторым медицинским работником. Это произошло вслед за открытием 2015 года Национальной академией медицины, что диагностические ошибки приводят к 10% всех смертей пациентов и до 17% всех госпитальных осложнений. Несмотря на поколения достижений в понимании болезней и технологиях тестирования, диагностика остается не только наукой, но и искусством, склонным к неточным, если не опасным для жизни ошибкам.

Тем не менее, от офисов технологических компаний до исследовательских лабораторий университетов и даже новаторских больниц, диагностические приложения машинного обучения быстро переходят от теоретических к реальным. И трансформационный потенциал невозможно переоценить: мгновенное «второе мнение», домашний инструмент для раннего обнаружения и самый плодовитый и точный диагност в истории. Машинное обучение как диагностический инструмент обеспечит невероятную эффективность и экономию средств для пациентов, врачей и больниц. Это приведет к появлению новых победителей в секторах технологий и здравоохранения. И самое главное, это спасет жизни.

Стремясь создать более эффективный инструмент для обнаружения рака кожи, группа исследователей из Стэнфорда во главе с Себастьяном Траном, одним из выдающихся пионеров машинного обучения в мире, обучила «нейронную сеть», скармливая ей «обучающий набор». из почти 130 000 изображений кожных повреждений, все из которых дерматологи классифицировали как две тысячи различных заболеваний.

В июне 2015 года Трун и его коллеги протестировали нейронную сеть, попросив ее диагностировать 14000 изображений кожных повреждений, не обязательно подтвержденных биопсией. То же самое было задано двум сертифицированным дерматологам. Результаты были впечатляющими: нейронная сеть давала правильный ответ в 72% случаев; дерматологи - 66%. Затем команда расширила исследование, пригласив 25 дерматологов противостоять нейронной сети. Они рассмотрели «золотой стандарт» набор из 2000 изображений, все подтвержденные биопсией. В своей статье, опубликованной в журнале Nature в январе, команда пришла к выводу: «Во всех тестах сеть превосходила экспертов-дерматологов».

Рак кожи является наиболее распространенным из всех видов рака в США. Ежегодно регистрируется 5,4 миллиона новых случаев заболевания, и хотя его наиболее опасная форма, меланома, имеет пятилетнюю выживаемость 97% при обнаружении на самых ранних стадиях. падает до 14%, если ловится на последних стадиях. Нейронная сеть Thrun обещает помочь в раннем обнаружении по двум ключевым направлениям. Во-первых, дерматологи диагностируют поражения визуально. Это длительный процесс, который может поставить под угрозу тщательность. Сеть Труна могла не только мгновенно предложить второе мнение, но и потенциально позволить делегировать первоначальную оценку, ограничивая количество дел врача только сомнительными или явно проблемными.

Во-вторых, для того, чтобы дерматолог действительно оценил состояние пациента, он должен прийти к нему в кабинет. Будь то из-за отсутствия у пациента срочности или отсутствия доступа, этот барьер может быть единственной самой большой причиной смерти от рака кожи. Трун считает, что сеть будет в первую очередь использоваться в качестве приложения для смартфонов, позволяющего людям делать снимки своей кожи в любом месте и всякий раз, когда возникает проблема, а затем сразу же получать инструкции по дальнейшим действиям. В то время как сеть до сих пор изо всех сил пыталась точно оценить изображения низкого качества - под разными углами, тусклым освещением, вводящими в заблуждение тенями и т. Д. - Трун считает, что это неизбежно достижимая возможность, которая может значительно улучшить раннее обнаружение и очередь, выживаемость.

Тем не менее, хотя успех Труна в борьбе с раком кожи впечатляет, это ни в коем случае не единственное диагностическое приложение машинного обучения, которое может помочь пациентам. Вот лишь несколько примеров, о которых было сообщено за последние несколько месяцев:

  • ƒ В мае стартап в области молекулярной диагностики IQuity из Теннесси выпустит свой анализ крови IsolateMS, который использует машинное обучение для распознавания дифференциально экспрессируемых генов, кодирующих и не кодирующих белок, маркеров рассеянного склероза. Современные методы тестирования на рассеянный склероз, такие как МРТ, основаны на измерении развития неврологического повреждения, что означает время между обнаружением и подтверждением, что является тяжелым стрессом для пациентов и их семей. IsolateMS будет служить мостом, требуя не более семи дней для постановки диагноза с продемонстрированной точностью 90%.
  • ƒ Cognoa, стартап в области цифрового здравоохранения из Пало-Альто, разработал платформу машинного обучения, способную диагностировать задержки в развитии у детей, используя только информацию и видео, предоставленные родителями удаленно. Она уже провела оценку 300 000 детей, и компания только что завершила еще один раунд финансирования в рамках подготовки к одобрению FDA.
  • ƒ DeepMind от Google в сотрудничестве с NHS Англии загружает в свой алгоритм более миллиона цифровых сканирований глаз. Он уже продемонстрировал способность выявлять угрожающие зрению состояния с такой же точностью офтальмологи-люди.
  • ƒ Исследовательская группа из Медицинского центра Бет Исраэль Дьяконисса и Гарвардской медицинской школы обучила нейронную сеть интерпретировать изображения патологии опухолей. В исследованиях показатель успешности диагностики сети составил 92%, по сравнению с 96% для участвовавших в исследовании патологов-людей. Тем не менее, результат является наиболее многообещающим: при объединении машин и людей точность достигла 99,5%.
  • ƒ Исследователи из Медицинского центра Лангоне при Нью-Йоркском университете научили алгоритму машинного обучения диагностировать посттравматическое стрессовое расстройство, только прислушиваясь к образцу речи человека. Показатель успешности диагностики достиг 77%. Подобные подходы только с голосовой связью также показали многообещающие результаты при обнаружении болезни Альцгеймера.
  • ƒ Исследователь из Калифорнийского университета в Лос-Анджелесе Жасмин Чжоу разработала первый в истории анализ крови, позволяющий диагностировать рак. Он использует алгоритм машинного обучения для обнаружения ДНК опухоли в образцах крови и определения того, откуда она взялась. Пока что она сосредоточилась на трех типах рака - груди, легких и печени - и успешно диагностировала рак на ранней стадии в 80% случаев.

Эти впечатляющие результаты являются лишь предвестником того, насколько точными и эффективными станут диагностические возможности машинного обучения. По мере того, как исследователи вводят в алгоритмы больше данных, по мере того как инструменты начинают внедряться в больницах и врачами, обучающие наборы будут расти, и, в свою очередь, повысится точность диагностики. В беседе с The New Yorker компьютерный ученый Джеффри Хинтон объясняет, почему машинному обучению суждено превзойти диагностические возможности человека: Если [врач-человек что-то упускает] и у пациента через пять лет развивается рак, нет систематического распорядка, который подсказывал бы, как исправить. Но вы можете создать систему, которая научит компьютер этому .

Как мы уже говорили ранее, искусственный интеллект обещает преобразить всю систему здравоохранения, от расширения возможностей персонализированной медицины до повышения операционной эффективности и прогнозного управления затратами. Однако диагностика представляется наиболее неотложной задачей, а ее разрушительные последствия - сейсмическими. Новые победители появятся в биотехнологиях по мере того, как приложения будут набирать обороты в своих целевых областях. Производители микросхем, от Nvidia до Google, будут поддержаны спросом больниц на ведущие вычислительные мощности. А технологические гиганты, которые доминируют на рынке машинного обучения как рынка услуг - в настоящее время IBM, Microsoft и Amazon - будут иметь хорошие позиции, поскольку больницам и страховщикам требуются инфраструктуры для анализа больших данных.

Все это не означает игнорирования существенных вопросов, которые остаются об эффективности интеграции машинного обучения в диагностический процесс. Каковы юридические последствия, если алгоритм отвечает за неправильный диагноз? Окажутся ли они костылем для врачей, ставя под угрозу их внимательность и притупляя их диагностические навыки? И должны ли врачи доверять диагнозу, полученному с помощью алгоритмов, если они не понимают, почему машина сделала такой вывод? Однако, несмотря на все еще неизвестное, машинное обучение как инструмент диагностики доказало свою способность спасать жизни, и 2017 год стал переломным моментом.

Эта статья была первоначально опубликована в журнале Что я узнал на этой неделе 13 апреля 2017 года. Чтобы подписаться на нашу еженедельную рассылку, посетите 13D.com или найдите нас в Twitter @WhatILearnedTW.