Следите за развитием глубокого обучения
Если вы когда-нибудь были у офтальмолога, вы, вероятно, проходили обычную процедуру, когда специалист делает снимок задней части вашего глаза.
Вы не удивитесь, узнав, что изображения сетчатки очень удобны для диагностики глазных болезней. Однако вы, возможно, не ожидали, что они также могут дать хорошее представление о риске сердечно-сосудистых заболеваний у человека. Визуализация сетчатки - это неинвазивный способ изучения состояния кровеносных сосудов человека, который может указывать на более широкое сердечно-сосудистое здоровье этого человека.
Если вы раньше видели одно из этих изображений сетчатки глаза, вы, вероятно, сможете указать на диск зрительного нерва и различные кровеносные сосуды (если вы этого не сделали, попробуйте вставить «изображение сетчатки» в Google - или «глазное дно», это медицинский термин, обозначающий заднюю часть глаза).
Врач сможет сделать еще один шаг, выявив аномалии и предложив особенности, которые могут потребовать дальнейшего исследования или лечения.
Однако скормите его машине, и она сможет предсказать:
- сколько вам лет;
- твой пол;
- ваша национальность;
- курите ли вы; и даже
- что вы ели на завтрак в то утро.
Хорошо, возможно, я придумал последнее, но, что удивительно, все остальное верно. Не заблуждайтесь, изображения сетчатки очень предсказуемы.
У глаз есть это
Исследователи из Google написали доклад 2017 года, в котором излагается исследование того, как можно использовать глубокое обучение для прогнозирования ряда факторов риска сердечно-сосудистых заболеваний на основе изображений сетчатки глаза. В статье кратко объясняется более традиционный подход к медицинским открытиям: сначала наблюдают ассоциации и корреляции между потенциальными факторами риска и заболеванием, и только затем разрабатывают и проверяют гипотезу. Затем Райан Поплин и др. Демонстрируют, как архитектуры глубокого обучения могут улавливать эти ассоциации сами по себе, не говоря, что искать.
Я уверен, что все мы в какой-то момент слышали утверждение, что некоторых медицинских специалистов собираются заменить алгоритмами ИИ, которые смогут превзойти их в распознавании аномалий на медицинских изображениях. Это исследование ведет дела в несколько ином направлении - не в стремлении превзойти врачей в существующей задаче, а в том, чтобы увидеть, какие новые информационные машины могут почерпнуть из этих конкретных изображений.
В начале своего исследования команда обнаружила, что их модель очень хорошо предсказывает такие переменные, как возраст и пол - настолько, что сначала думали, что это ошибка модели (Райан проводит нас через как развивался проект на TWiML talk 112). Но по мере того, как они углубились в суть вещей, они обнаружили, что это были настоящие предсказания. Мало того, они также были невероятно надежными - например, возраст можно было успешно предсказать со средней абсолютной ошибкой в 3,26 года.
Был обнаружен ряд других ассоциаций, и оказалось, что команда могла получить лучшую предсказательную силу, чем их базовая модель, по всем видам переменных, включая артериальное давление, уровень глюкозы в крови и даже этническую принадлежность - все факторы риска сердечно-сосудистых заболеваний.
Наблюдая за этими результатами, команда пришла к выводу, что если этот диапазон факторов риска сердечно-сосудистых заболеваний можно так хорошо предсказать, то модель может даже иметь предсказательную силу, когда дело доходит до определения того, какие пациенты с наибольшей вероятностью пострадают от серьезного сердечно-сосудистого события (например, инсульт или сердечный приступ) в будущем. Несмотря на некоторые ограничения в их обучающих данных, модель, обученная только на изображениях сетчатки (так что явно не указаны факторы риска), смогла достичь AUC, равного 0,70 (просмотрите раздел ROC / AUC в этой статье, чтобы узнать больше о AUC как показатель эффективности), который становится особенно впечатляющим по сравнению с 0,72, полученным другой существующей системой оценки рисков, которая использует гораздо больше входных переменных.
Больше, чем просто окно в душу
В упомянутом ранее подкасте TWiML Райан размышляет о возможном будущем, в котором изображения сетчатки будут восприниматься как жизненно важные признаки, чтобы дать картину общего состояния здоровья пациента, а не просто использоваться для диагностики глазных заболеваний. Как мы видели, это не просто фантазия - эта простая и неинвазивная процедура может дать гораздо более широкую картину состояния здоровья пациента, чем мы ожидали ранее.
В заключение - сердечно-сосудистые заболевания остаются основной причиной смерти во всем мире, но 80% преждевременных сердечных заболеваний и инсультов можно предотвратить. Исследования, подобные упомянутой выше статье, могут помочь нам лучше понять, кто подвергается наибольшему риску сердечно-сосудистых заболеваний и как лучше всего управлять этими группами - надлежащие ранние вмешательства могут иметь очень большое значение для продления и улучшения качества жизни человека.
Кредиты и дополнительная информация
Эндрю Хетерингтон - практикующий актуарий и энтузиаст данных из Лондона, Великобритания.
Обсуждаемая статья: R. Poplin et al., Прогнозирование факторов риска сердечно-сосудистых заболеваний по фотографиям глазного дна сетчатки с использованием глубокого обучения, DOI 10.1038 / s41551–018–0195–0, https://arxiv.org/abs/1708.09843v2 .
Фотографии nrd и Liam Welch на Unsplash.
