Sisällysluettelo:
- Paperi seuraa muita viimeaikaisia tutkimuksia, jotka osoittavat, että syvällisillä tietokoneilla voi olla oikeutettu paikka terveydenhuoltoon, sanoo MD Rahul Khurana,
- Tutkimus osoittaa, että neuroverkostot voivat auttaa lääkäreitä ja ehkä jopa ylittää ne kyvystä muistaa niin paljon tietoja. Tällaisella tekniikalla on käytössä kaikkialla maailmassa, Zhang ennustaa. Resursseja rikkaissa maissa, kuten Yhdysvalloissa, se voi nopeuttaa kriittistä aikaa sairauksien ja hoidon merkkien välillä.
- Resurssivähemmillä alueilla tekniikka voi auttaa potilaita, jotka eivät muuten saisi huolta lääkärin niukkuuden vuoksi. Zhang ja hänen kollegansa ottavat hermoverkonsa Haitille tänä kesänä arvioimaan sen hyödyllisyyttä. Alueella on suuri määrä diabetesta sairastavia potilailla, joilla on riski saada retinopatia, mutta sillä on alle 60 silmälääkäriä.
- "Tietokone ei vain levitä diagnoosia. Se selittää sen, miksi se teki diagnoosin ja suosituksen, "hän sanoo. "Tämä tekee siitä läpinäkyvämmän ja auttaa lääkäriä luottamusta tietokoneeseen enemmän. Näin ei ole vain musta laatikko, eikä sinulla ole aavistustakaan siitä, miksi se antaa diagnooseja. "
27. helmikuuta 2018
Potentiaalia
Paperi, joka julkaistiin 22. helmikuuta lehdessä Solu , julkaistiin 22. helmikuuta artikkelissa
Cell
kuvaa kuinka AI voidaan soveltaa potilaille, joilla on verkkokalvotauti. Tutkimus, jota johtaa Kang Zhang, MD, PhD, silmäsauvan professori Shiley Eye Instituutissa Kalifornian yliopistossa San Diegossa, osoittaa, että tietokone pystyi oppimaan tarkasti ja luotettavasti sellaisia yleisiä silmäsairauksia kuin makuladegeneraatio ja diabeettinen retinopatia.
"Kyseessä on yrittää opettaa tietokonetta mitä kuva on ja miten päättää siitä, mitä he näkevät", Dr. Zhang selittää. "Tavoitteena on, että tietokone on yhtä hyvä kuin lääkäriin, joka lähti lääketieteelliseen kouluun ja on hyvin koulutettu lääketieteellisessä diagnostiikassa ja hoidossa."
Vaikka se voi olla erikoistunut vuosikymmenien käytännön kokemus saavuttaa korkeimman osaamisen , hän lisää, "näemme, että tietokone pystyy tunnistamaan nämä asiat muutaman päivän kuluttua."
Paperi seuraa muita viimeaikaisia tutkimuksia, jotka osoittavat, että syvällisillä tietokoneilla voi olla oikeutettu paikka terveydenhuoltoon, sanoo MD Rahul Khurana,
"Tällainen tekniikka on erittäin tarkka potilaille, joilla on tiettyjä olosuhteita", Dr. Khurana kertoo. "Se luo jonkin verran jännitystä kentällä."
Macular degeneration diagnoosi, diabetes retinopatia
Uudessa paperissa Zhang ja hänen kollegansa Kiinassa, Saksassa ja Teksas keräsivät ensin silmäsairauksien kuvia tietokoneeseen. Kuvat otettiin kuvantamistekniikalla, jota kutsutaan optiseksi koherenssitomografiaksi. Tämä uudempi, vallankumouksellinen diagnostiikkatekniikka käyttää kevyitä aaltoja ottaakseen suuren erotuskyvyn poikkileikkauskuvan silmästä antamaan lääkäreille mahdollisuuden kartoittaa ja mitata verkkokalvon yksityiskohtaisesti.
Skannaa käytetään auttamaan sellaisten yhteisten olosuhteiden, kuten makulan degeneraatio, jossa osa verkkokalvosta, jota kutsutaan makulan heikkenemiseksi, ja diabeettinen retinopatia, diabeteksen komplikaatio, joka aiheuttaa verkkokalvon verisuonien turvotuksen ja nesteen vuotamisen. Molemmat ovat vaarallisia olosuhteita, jotka voivat aiheuttaa sokeutta, jos niitä ei diagnosoida ja käsitellä viipymättä.
Nykyiset laskennalliset lähestymistavat vaativat miljoonia kuvia tietokoneen harjoittelemiseksi. Zhangin tutkimus käytti AI-pohjaista "konvoluutioista hermoverkkoa", joka vaatii paljon pienemmän datasarjan, jossa on vain 200 000 optista koherenssikuvausta.
"Tietokone oppii tavallisen silmän kartan", Zhang sanoo. "Annamme sille erilaisia kuvia oppia ja muistaa. Opetamme esimerkiksi, "jos tämä paikka on täällä, se tulee olemaan makulaarinen rappeutuminen." Tämän kauneus on sen sijaan, että tietokone oppii itse, voimme kertoa heille, mitä etsiä.
Tietokone pystyi tekemään päätöksen siitä, onko potilaalle annettava hoitoa 30 sekunnin kuluessa ja 95 prosentin tarkkuudella.
Tutkimus osoittaa, että neuroverkostot voivat auttaa lääkäreitä ja ehkä jopa ylittää ne kyvystä muistaa niin paljon tietoja. Tällaisella tekniikalla on käytössä kaikkialla maailmassa, Zhang ennustaa. Resursseja rikkaissa maissa, kuten Yhdysvalloissa, se voi nopeuttaa kriittistä aikaa sairauksien ja hoidon merkkien välillä.
"Potilasta, jolla on mahdollinen makulaarinen rappeuma, saattaa olla tarpeen hoitaa kuukauden kuluessa, mutta viittaukset ja tapaamiset voivat kestää useita kuukausia. Tämä voi viivästyttää diagnoosia ja hoitoa, "hän sanoo.
Potilaiden hoito, jossa asiantuntijat ovat harvinaisia
Resurssivähemmillä alueilla tekniikka voi auttaa potilaita, jotka eivät muuten saisi huolta lääkärin niukkuuden vuoksi. Zhang ja hänen kollegansa ottavat hermoverkonsa Haitille tänä kesänä arvioimaan sen hyödyllisyyttä. Alueella on suuri määrä diabetesta sairastavia potilailla, joilla on riski saada retinopatia, mutta sillä on alle 60 silmälääkäriä.
"Kyky tehdä tämä toivottavasti antaa enemmän potilaille pääsyä terveydenhuoltojärjestelmään, koska voimme diagnosoida aikaisemmin, "sanoo Khurana, huomauttaa, että noin 415 000 ihmistä, jotka sairastavat diabeetikkoja maailmanlaajuisesti, ovat vaarassa diabeettiselle retinopatialle. "Aina kun meillä on uusi ja parannettu tekniikka, jonka avulla voimme tehdä diagnooseja nopeammin, paremmin ja huolehtia laajemmasta väestöstä, se on voiton tavoite potilaille ja lääkäreille."
Haavoittuvuuksia on edelleen AI-pohjaisten terveydenhuollon verkostojen toteuttamisessa, Zhang toteaa. Lääkäreiden on luotettava heidän atk-assistenttejaan. Tutkimuksessa Zhang ja hänen kollegansa pyysivät myös tietokonetta selittämään diagnoosi, tunnistamaan silmän alueet, jotka tunnistettiin ja jotka olivat koneen päättelyn perusta.
"Tietokone ei vain levitä diagnoosia. Se selittää sen, miksi se teki diagnoosin ja suosituksen, "hän sanoo. "Tämä tekee siitä läpinäkyvämmän ja auttaa lääkäriä luottamusta tietokoneeseen enemmän. Näin ei ole vain musta laatikko, eikä sinulla ole aavistustakaan siitä, miksi se antaa diagnooseja. "
Muut keinotekoinen tekniikka
AI-pohjaisissa verkoissa on valtava potentiaali terveydenhuollon kuvantamisessa. Zhang osoitti myös, että järjestelmä pystyi erottamaan lasten virus- ja bakteeripneumonia lasten tutkimalla röntgensäteitä. Vaikka viruksen keuhkokuume ei ehkä vaadi hoitoa, potilas, jolla on bakteeripneumonia, vaatii nopeaa antibioottikäsittelyä taudin vakavien komplikaatioiden ehkäisemiseksi.
