Как машинное обучение меняет здравоохранение в Google и не только
Google и другие специалисты используют алгоритмы для выявления рака при медицинском сканировании, прогнозирования результатов визитов в больницу и т. д. Вот как.
Машинное обучение - искусство использования закономерностей в данных для прогнозирования - способно преобразовать практически все отрасли, от финансов, розничной торговли и маркетинга до цифровых помощников и беспилотных автомобилей. Но когда дело доходит до того, как машинное обучение (ML) может принести пользу человечеству, почти нет области более многообещающей, чем здравоохранение.
Не проходит и месяца, чтобы мы не слышали о новом заболевании, которое модели машинного обучения научились определять быстрее и точнее, чем обученные врачи. ML используется, чтобы помочь врачам обнаруживать опухоли при медицинском сканировании, ускорять ввод данных и автоматически реагировать на потребности пациентов больниц.
Эти прорывы в области машинного обучения происходят в решающий момент, поскольку нехватка врачей и специалистов в США и во всем мире продолжает расти. Поскольку наш спрос на врачей превышает предложение, мы вполне можем оказаться в зависимости от технологий, которые помогут восполнить пробелы.
В этом посте мы расскажем о том, как Google и другие компании применяют машинное обучение в здравоохранении. Давайте начнем.
Учимся видеть болезни в медицинских изображениях
За последние ~ 5 лет машинное обучение стало невероятно эффективным в анализе изображений, во многом благодаря модели, называемой нейронной сетью. Нейронные сети особенно хороши для понимания неструктурированных данных, таких как фотографии, фрагменты текста, фрагменты аудио - вещи, которые не являются простыми рядами чисел в электронной таблице (хотя они также хорошо анализируют такие данные!).
Мощные инструменты нейронных сетей, которые распознают лица и домашних животных на фотографиях, преобразуют рукописный текст в текст, создают плавные переводы, позволяют искать фотографии по ключевым словам в приложении Google Фото и многое другое.
Чтобы самостоятельно создать такую модель зрения, вам понадобится большой помеченный набор данных изображений - пара сотен или тысяч изображений собак и кошек с пометками «собака» и «кошка», которые вы бы используйте, чтобы «обучить» модель распознавать эти теги самостоятельно.
Используя ту же самую технику, исследователи смогли обучить нейронные сети обнаруживать болезни на медицинских снимках, иногда лучше, чем обученные профессионалы.
Буквально в прошлом месяце исследователи Google обучили нейронную сеть обнаруживать 26 различных типов кожных заболеваний, таких как меланома, псориаз, экзема, кисты и другие. Модель, в которой использовалось сочетание фотографий и анамнеза пациентов, была такой же точной, как у дерматологов, и более точной, чем у врачей общей практики без специальной подготовки по коже.
Это только последнее из множества исследований, имеющих почти одинаковую сюжетную линию. Мы смогли обнаружить метастатический рак груди, предсказать, станет ли рак простаты агрессивным и обнаружить диабетическую ретинопатию (самую быстрорастущую причину слепоты) по сканированию задней части глаза.
Только в мае этого года исследователи обучили модель, которая могла предсказать злокачественность рака легкого на основе компьютерной томографии с точностью, которая была на уровне или лучше, чем у сертифицированных радиологов. Эта работа будет особенно результативной, поскольку рак легких - не только самый смертоносный вид рака, но и один из самых трудных для обнаружения радиологами.
Эти модели могут не заменить врачей в ближайшее время, но, возможно, вскоре они станут вспомогательными средствами, предупреждая врачей о самых сложных или тонких диагнозах.
Медицинские модели, которые сами себя объясняют
Однако, чтобы быть действительно полезными помощниками, медицинские модели визуализации должны не только определять наличие заболеваний, но и объяснять процессы принятия решений. Таким образом, если врач не согласен с предсказанием модели, он, по крайней мере, будет знать, почему модель сказала то, что она сделала.
По этой причине исследователи часто создают модели, которые не только делают прогнозы о наличии заболевания, но также визуально выделяют области сканирования (тепловые карты), которые вносят свой вклад в эти прогнозы.
Вышеупомянутая модель, обученная определять наличие диабетической ретинопатии (DR, самая быстрорастущая причина слепоты во всем мире), подчеркивает, какие части сканирования сетчатки больше всего повлияли на ее решение (DR или отсутствие DR). Офтальмологи лучше смогли обнаружить диабетическую ретинопатию, когда увидели эти тепловые карты.
Преодоление медицинских данных пожарным шлангом
Машинное обучение работает лучше всего, когда у него есть хороший и аккуратный набор данных для работы (например, стопка рентгеновских снимков с этикетками). Но многие клинические данные расплывчаты, разбросаны по эфиру в виде рукописных бланков, рецептов, заметок, сделанных куриной царапиной, жизненно важных показателей, хранящихся в базе данных, формат которой полностью несовместим с чьим-либо другим.
Возможно, «обработка данных» не так увлекательна, как обнаружение опухолей при компьютерной томографии, но большая часть роли ML в здравоохранении заключалась в том, чтобы помогать собирать, систематизировать и сортировать данные.
Подобно тому, как нейронные сети можно обучить обнаруживать болезни на изображениях, их можно также обучить синтаксическому анализу документов и форм. Например, мы можем использовать модели для анализа медицинских форм приема, преобразования рукописного текста в текст и организации этого текста семантически, чтобы его можно было сохранить в базе данных.
Чем проще мы делаем данные для работы, тем проще нам создавать мощные модели машинного обучения. С этой целью Google вложила значительные ресурсы в создание инструментов, которые упрощают хранение и анализ медицинских данных, а также в помощь в разработке протокола Fast Healthcare Interoperability Resources (FHIR), который делает медицинские данные более совместимыми и упрощает создание программного обеспечения. для.
Благодаря этим инструментам обработки данных мы можем обучать модели, которые никогда раньше не умели. Например, в прошлом году исследователи смогли построить подробные графики посещений больницы, используя данные FHIR:
Имея такие данные, как показатели жизнедеятельности пациента, записи врачей, лабораторные тесты и многое другое, организованные в хронологическом порядке, исследователи могут обучать мощные модели нейронных сетей для прогнозирования результатов посещений больниц. Используя эти временные рамки, они могли предсказать продолжительность пребывания пациента, умрет он или нет, и (если они этого не сделали), с каким медицинским кодом он будет выписан.
Чем более организованными мы сможем собрать медицинские данные, тем более мощными и точными мы сможем построить медицинские модели.
Учимся слушать как врач
Как для организации данных требуется работа, так и для их сбора в первую очередь требуется время. Представьте себе типичный визит в офис терапевта:
Ваш врач спрашивает, что случилось. Вы отвечаете, что у вас озноб, усталость, бесконечные комки мокроты в задней части горла. Может быть, ваш врач записывает то, что вы говорите, в блокноте или iPad, или, может быть, у нее есть помощник или «писец», который делает записи от ее имени. В любом случае этот процесс занимает много времени и требует потерь.
Что, если бы кто-то другой (или что-то еще) мог выслушать и помочь? Что, если бы этим человеком была Алекса? Или Сири? Или Google Ассистент?
Фактически, голосовые помощники уже используются в медицинских центрах и больницах, помогая с такими задачами, как перенаправление запросов пациентов персоналу или предоставление медсестрам административной информации.
Совершенно очевидно, что медицинские голосовые боты - это сфера, которая волнует крупные технологические компании: Amazon недавно анонсировала программу, которая упростит разработчикам создание HIPPA-совместимых голосовых приложений для здоровья для Alexa. Между тем, Google потратил много времени на изучение лучших способов записи медицинских разговоров и изучение того, что возможно с этими расшифровками, когда мы их получим, например, автоматическое отображение симптомов, которые пациенты описывают во время визита к врачу.
Так что может пройти совсем немного времени, прежде чем Google Assistant сможет сделать для вас больше, чем просто установить будильник и сообщить погоду.
Мы говорили о множестве способов, которыми машинное обучение производит фурор в здравоохранении, но пока мы коснулись лишь поверхности того, что возможно. Так что следите за этим новым пересечением полей.
Спасибо за прочтение! Будем рады ответить на любые вопросы или комментарии ниже.
Хотите читать больше подобных историй? См. Больше на daleonai.com.
[1] Если вы хотите поиграть с классным инструментом, который позволит вам самостоятельно построить подобную модель, посмотрите Document Understanding AI от Google.
