Cum se schimbă învățarea profundă asistența medicală Partea 1: Diagnostic

Inteligența artificială este gata să aibă un impact profund și de durată asupra asistenței medicale, condusă de trei tendințe puternice:

1. Unitățile de procesare grafică (GPU) devin mai rapide și mai eficiente din punct de vedere energetic.

Până de curând, rularea algoritmilor AI era rareori rentabilă.

2. Algoritmii devin din ce în ce mai sofisticați.

Deoarece acum putem folosi modele de învățare profundă la o fracțiune din costurile trecute, inovația explodează.

3. Datele privind sănătatea abundă.

Datorită EHR-urilor și altor eforturi de digitizare, avem mai multe date de asistență medicală de folosit pentru a antrena algoritmi decât oricând.

În urmă cu câțiva ani, mai puțin de două duzini de startup-uri AI se concentrau pe asistența medicală, potrivit CB Insights. Astăzi, există peste 100 de startup-uri AI legate de asistență medicală.

Acest lucru i-a lăsat pe mulți medici să se scarpină în cap despre cum se pot pregăti pentru ceea ce urmează mâine, astăzi. Iată modalitățile prin care învățarea profundă schimbă asistența medicală chiar acum și un sfat despre cumpărarea hardware-ului potrivit pentru a vă pregăti pentru viitoarea revoluție a AI.

Prezentare generală a terminologiei

Glosar de termeni AI (prin Fortune)

Diagnosticare mai rapidă și mai precisă prin deep learning

Când te gândești la asta, diagnosticarea bolilor este sarcina perfectă pentru inteligența artificială. Învățarea profundă se referă la identificarea tiparelor prin conectarea punctelor.

Luați în considerare un câine. Componente: păros, doi ochi, patru picioare, o coadă. Mai mic decât un om, mai mare decât o pisică. Un algoritm de învățare profundă „învață” – pe mai multe cicluri de introducere a datelor, analiză și testare – ce este fiecare și poate apoi identifica un câine din părțile sale constitutive.

În cazul bolii, punctele sunt simptomele și tulburările aferente. Tuse, strănut, durere în gât: trebuie să fie o răceală.

Algoritmii de învățare profundă se îmbunătățesc la diagnosticarea în același mod în care o fac medicii: cu practică. La fel ca un medic, algoritmul face o ghicire și învață dacă a fost corect sau nu pe baza faptului că pacientul răspunde la tratament sau dezvoltă noi simptome care indică faptul că diagnosticul inițial a fost oprit. Aceste informații sunt introduse în algoritm prin intermediul datelor EHR.

Cum învață o rețea neuronală profundă (prin Fortune)

O diferență importantă între un medic și un algoritm de învățare profundă este că un medic trebuie să doarmă. Odată ce antrenați un algoritm, acesta poate funcționa (și se poate îmbunătăți) continuu.

Un medic va vedea și va învăța din mii de imagini RMN în timpul vieții sale. Un algoritm ar putea vedea trilioane. La fel ca toți oamenii, medicii sunt predispuși la erori. Cu AI, nu există niciun risc de boală, oboseală sau preocupare. Nu va practica medicina defensivă și nu va rămâne blocat în căile sale.

Cum arată asta în practică?

Învățarea automată poate determina deja dacă leziunile cutanate sunt canceroase la fel de precis ca un dermatolog certificat de consiliu, așa cum au demonstrat oamenii de știință de la Universitatea Stanford la începutul acestui an.

Când colegul de cameră al lui Hossam Haick a fost diagnosticat cu leucemie, a fost inspirat să creeze un senzor pentru a trata cancerul. „Dar apoi mi-am dat seama că diagnosticul precoce ar putea fi la fel de important ca tratamentul în sine”, a spus Haick pentru New York Times. Așa că a construit o mașină care folosește inteligența artificială pentru a afla cum miros diferite boli. Cu fiecare adulmecare, algoritmul devine mai precis. În decembrie anul trecut, a fost capabil să identifice 17 boli diferite cu o acuratețe de până la 86%.

Enlitic folosește învățarea profundă pentru a detecta nodulii pulmonari în radiografii și scanări CT și RMN și pentru a determina dacă sunt benign sau malign. CEO-ul Igor Barani, fost profesor de oncologie cu radiații la Universitatea din California din San Francisco, susține că algoritmii Enlitic au depășit patru radiologi la testare. Barani a declarat pentru Medical Futurist:

„Până de curând, programele informatice de diagnosticare au fost scrise folosind o serie de ipoteze predefinite despre caracteristicile specifice bolii. A trebuit proiectat un program specializat pentru fiecare parte a corpului și a putut fi identificat doar un set limitat de boli, prevenind flexibilitatea și scalabilitatea acestora. Programele au simplificat deseori realitatea, rezultând performanțe slabe de diagnostic și, astfel, nu au ajuns niciodată la adoptarea clinică pe scară largă. În schimb, învățarea profundă poate gestiona cu ușurință un spectru larg de boli în întregul corp și toate modalitățile de imagistică (raze X, tomografii etc.).”

Freenome folosește învățarea profundă pentru a găsi cancerul în probele de sânge sau, mai precis, fragmentele de ADN pe care celulele sanguine le emit pe măsură ce mor. Firma de capital de risc Andreessen Horowitz a trimis companiei cinci mostre de sânge pentru a fi analizate ca test pre-investiție. Firma a continuat cu investiția după ce Freenome le-a identificat corect pe toate cele cinci – două normale și trei canceroase. Fondatorul Gabriel Otte a declarat pentru Fortune că algoritmul său de deep learning detectează semnăturile cancerului pe care biologii cancerului încă nu le caracterizează.

În mai, fondatorul și CEO-ul Babylon Health, Ali Parsa, a declarat emisiunii tehnologice online „Hot Topics” că echipa sa a supus recent primul sistem de triaj clinic alimentat de inteligență artificială din lume la teste academice, în timpul cărora sistemul său s-a dovedit cu 13% mai precis decât un medic. și cu 17% mai precis decât o asistentă.

Cât de realistă este implementarea?

În timp ce învățarea automată devine rapid o modalitate mai bună de a diagnostica bolile, a devenit mai fezabilă pentru utilizare universală abia recent. Până acum, pur și simplu era prea scump pentru a fi implementat într-un mod larg răspândit.

Datorită procesoarelor mai noi, care rulează mai repede decât oricând, în timp ce necesită mai puțină energie, învățarea automată avansează într-un ritm rapid și mai accesibil.

După cum notează Para în videoclipul de mai sus, acum zece ani, să vă uitați la fiecare parte a corpului pentru a găsi și a diagnostica boala a costat un milion de dolari. Astăzi, acest cost a scăzut la 10.000 de dolari și include secvențierea genelor.

O companie de imagistică medicală a obținut aprobarea FDA pentru a vinde medicilor software bazat pe inteligență artificială. În ianuarie, Arterys a primit aprobarea pentru „DeepVentricle”, un algoritm de învățare profundă care poate calcula capacitatea inimii unui pacient la fel de precis ca un medic în mai puțin de 30 de secunde. În schimb, analiza imaginilor RMN pentru a finaliza calculele manual durează aproximativ o oră.

Inginerul biomedical și profesorul Cristina Davis prezice că în decurs de trei până la cinci ani, clinicienii vor avea acces la algoritmi de învățare profundă pentru a ajuta diagnosticarea.

Pregătiți-vă pentru învățarea profundă cu hardware-ul potrivit

O mare parte a creșterii puterii de calcul de la sfârșitul anilor 2000 se datorează cipurilor proiectate de Nvidia pentru a crește realismul vizual al jocurilor video. Utilizarea unităților de procesare grafică (GPU) pentru învățarea profundă s-a dovedit a fi de 20 până la 50 de ori mai eficientă decât utilizarea unităților centrale de procesare (CPU).

În august 2016, Nvidia a anunțat că veniturile sale trimestriale s-au dublat de la an la an pentru segmentul său de centre de date, ajungând la 151 de milioane de dolari. CFO Colette Kress le-a spus investitorilor că „Marea majoritate a creșterii vine de departe din învățarea profundă”.

În 2016, Intel a achiziționat startup-uri de deep-learning Nervana Systems și Movidius, în timp ce Google a dezvăluit unități de procesare tensor (TPU) special concepute pentru a facilita învățarea profundă.

Astăzi, Nvidia urmărește industria medicală. Managerul de dezvoltare a afacerilor companiei, Kimberley Powell, dorește să vadă procesoarele Nvidia folosite pentru a satisface nevoia de analiză de învățare profundă a imagisticii medicale.

Futurismul raportează că „hardware-ul Nvidia și-a stabilit rolul tăcut, dar proeminent în căsătoria deep learning cu medicina”. Compania construiește computere puternice concepute pentru a rula rapid și eficient calculele care pot face diagnosticarea mai rapidă și mai precisă. Powell speră să instaleze DGX-1 de la Nvidia în spitale și centre de cercetare medicală din întreaga lume.

Unele spitale, cum ar fi noul centru de știință a datelor clinice din Massachusetts General Hospital, folosesc deja acest nou hardware pentru sănătatea populației, comparând rezultatele testelor pacienților și istoricul medical pentru a identifica corelațiile dintre date.

Concluzie

Rețelele neuronale profunde schimbă modul în care medicii diagnostichează bolile, făcând diagnosticarea mai rapidă, mai ieftină și mai precisă decât oricând. Pentru a profita de aceste progrese necesită anumiți pași pregătitori, cum ar fi actualizarea hardware-ului.

Când sunteți gata să faceți upgrade, asigurați-vă că investiți în sisteme care pot face față cerințelor de calcul ale învățării profunde și sănătății populației.

Săptămâna viitoare, vom discuta despre un alt mod în care învățarea profundă schimbă asistența medicală: prevenirea bolilor. Vom vorbi, de asemenea, despre gestionarea cabinetului medical și software-ul EHR de care veți avea nevoie pentru a începe să utilizați învățarea profundă în cabinetul dumneavoastră.

Pentru a afla mai multe despre AI și asistența medicală, consultați aceste postări:

• Ce este Medicina de Precizie? O introducere simplă pentru medicii confuzi
• 5 startup-uri de IA din domeniul sănătății pe care IMM-urile trebuie să le cunoască
• 5 moduri în care inteligența artificială afectează telesănătatea