Как глубокое обучение меняет здравоохранение. Часть 1: диагностика

ИИ готов оказать глубокое и долгосрочное влияние на здравоохранение благодаря трем мощным тенденциям:

1. Графические процессоры (GPU) становятся быстрее и энергоэффективнее.

До недавнего времени запуск алгоритмов ИИ редко был рентабельным.

2. Алгоритмы становятся все более изощренными.

Поскольку теперь мы можем использовать модели глубокого обучения с минимальными затратами в прошлом, инновации стремительно развиваются.

3. Данных о здравоохранении предостаточно.

Благодаря электронным медицинским картам и другим усилиям по оцифровке у нас есть больше медицинских данных для обучения алгоритмов, чем когда-либо прежде.

По данным CB Insights, несколько лет назад менее двух десятков ИИ-стартапов были ориентированы на здравоохранение. На сегодняшний день существует более 100 стартапов, связанных с искусственным интеллектом, связанных со здравоохранением.

Это заставило многих врачей ломать голову над тем, как им подготовиться к тому, что будет завтра, сегодня. Вот как глубокое обучение меняет здравоохранение прямо сейчас, а также советы по покупке подходящего оборудования, чтобы подготовиться к грядущей революции искусственного интеллекта.

Обзор терминологии

Глоссарий терминов ИИ (через Fortune)

Более быстрая и точная диагностика благодаря глубокому обучению

Если подумать, диагностика болезней — идеальная задача для искусственного интеллекта. Глубокое обучение — это выявление закономерностей путем соединения точек.

Рассмотрим собаку. Компоненты: мохнатый, два глаза, четыре ноги, хвост. Меньше человека, больше кошки. Алгоритм глубокого обучения «узнает» — в течение многих циклов ввода данных, анализа и тестирования — что представляет собой каждая из них, и затем может идентифицировать собаку по составным частям.

В случае болезни точки обозначают симптомы и связанные с ними расстройства. Кашель, чихание, боль в горле: должно быть, простуда.

Алгоритмы глубокого обучения лучше диагностируют так же, как это делают врачи: с практикой. Подобно врачу, алгоритм делает предположение и узнает, было ли оно правильным или нет, основываясь на том, реагирует ли пациент на лечение или появляются новые симптомы, указывающие на то, что первоначальный диагноз был ошибочным. Эта информация подается в алгоритм через данные EHR.

Как обучается глубокая нейронная сеть (через Fortune)

Одно важное различие между врачом и алгоритмом глубокого обучения заключается в том, что врач должен спать. Как только вы обучите алгоритм, он может работать (и улучшаться) непрерывно.

Врач за свою жизнь увидит тысячи снимков МРТ и изучит их. Алгоритм может видеть триллионы. Как и все люди, врачи склонны к ошибкам. С ИИ нет риска заболеть, устать или быть озабоченным. Он не будет практиковать защитную медицину и не застрянет на своем пути.

Как это выглядит на практике?

Машинное обучение уже может определить, являются ли поражения кожи раковыми, так же точно, как сертифицированный дерматолог, как продемонстрировали ученые из Стэнфордского университета в начале этого года.

Когда у соседа Хоссама Хейка по комнате в колледже обнаружили лейкемию, он решил создать датчик для лечения рака. «Но потом я понял, что ранняя диагностика может быть так же важна, как и само лечение», — сказал Хейк в интервью New York Times. Поэтому он построил машину, которая использует искусственный интеллект, чтобы узнать, как пахнут разные болезни. С каждым вздохом алгоритм становится более точным. По состоянию на декабрь прошлого года он смог идентифицировать 17 различных заболеваний с точностью до 86%.

Enlitic использует глубокое обучение для обнаружения узлов в легких на рентгенограммах, КТ и МРТ и определяет, являются ли они доброкачественными или злокачественными. Генеральный директор Игорь Барани, бывший профессор радиационной онкологии Калифорнийского университета в Сан-Франциско, утверждает, что алгоритмы Enlitic превзошли четырех рентгенологов при тестировании. Барани сказал Medical Futurist:

«До недавнего времени диагностические компьютерные программы писались с использованием ряда предопределенных предположений об особенностях заболевания. Для каждой части тела нужно было разработать специализированную программу, и можно было выявить только ограниченный набор заболеваний, что препятствовало их гибкости и масштабируемости. Программы часто чрезмерно упрощали реальность, что приводило к плохой диагностической эффективности, и, таким образом, никогда не получали широкого клинического применения. Напротив, глубокое обучение может легко справиться с широким спектром заболеваний всего тела и всеми методами визуализации (рентгеновскими снимками, компьютерной томографией и т. д.)».

Freenome использует глубокое обучение для обнаружения рака в образцах крови или, точнее, в фрагментах ДНК, которые клетки крови испускают, умирая. Компания венчурного капитала Andreessen Horowitz отправила компании пять образцов крови для анализа в качестве прединвестиционного теста. Фирма продолжила свои инвестиции после того, как Freenome правильно определила все пять — два нормальных и три раковых. Основатель Габриэль Отте сказал Fortune, что его алгоритм глубокого обучения обнаруживает сигнатуры рака, которые биологам рака еще предстоит охарактеризовать.

В мае основатель и генеральный директор Babylon Health Али Парса рассказал на онлайн-шоу «Горячие темы», что его команда недавно представила первую в мире систему клинической сортировки на основе ИИ для академического тестирования, в ходе которого его система оказалась на 13% точнее, чем у врача. и на 17% точнее, чем медсестра.

Насколько реалистична реализация?

В то время как машинное обучение быстро становится лучшим способом диагностики заболеваний, только совсем недавно оно стало более доступным для универсального использования. До сих пор это было просто слишком дорого для реализации любым широко распространенным способом.

Благодаря новым процессорам, которые работают быстрее, чем когда-либо, и потребляют меньше энергии, машинное обучение развивается быстрыми и более доступными темпами.

Как отмечает Пара в приведенном выше видео, десять лет назад осмотр каждой части вашего тела, чтобы найти и диагностировать болезнь, стоил один миллион долларов. Сегодня эта стоимость снизилась до 10 000 долларов и включает секвенирование генов.

Одна компания, занимающаяся медицинской визуализацией, получила разрешение FDA на продажу врачам программного обеспечения на основе ИИ. В январе компания Arterys получила добро на свой «DeepVentricle», алгоритм глубокого обучения, который может рассчитать емкость сердца пациента менее чем за 30 секунд точно, как врач. Напротив, анализ изображений МРТ для выполнения расчетов вручную занимает около часа.

Инженер-биомедик и профессор Кристина Дэвис прогнозирует, что в течение трех-пяти лет клиницисты получат доступ к алгоритмам глубокого обучения для диагностики.

Подготовьтесь к глубокому обучению с правильным оборудованием

Большая часть увеличения вычислительной мощности с конца 2000-х годов связана с чипами, разработанными Nvidia для повышения визуального реализма видеоигр. Использование графических процессоров (GPU) для глубокого обучения оказалось в 20–50 раз более эффективным, чем использование центральных процессоров (CPU).

В августе 2016 года Nvidia объявила, что ее квартальная выручка в сегменте центров обработки данных увеличилась более чем вдвое по сравнению с прошлым годом и достигла 151 миллиона долларов. Финансовый директор Колетт Кресс сказала инвесторам, что «подавляющее большинство роста связано с глубоким обучением».

В 2016 году Intel приобрела стартапы по глубокому обучению Nervana Systems и Movidius, а Google представила тензорные процессоры (TPU), специально разработанные для облегчения глубокого обучения.

Сегодня Nvidia нацелена на медицинскую промышленность. Кимберли Пауэлл, менеджер по развитию бизнеса компании, хочет, чтобы процессоры Nvidia использовались для анализа медицинских изображений с помощью глубокого обучения.

Futurism сообщает, что «аппаратное обеспечение Nvidia подтвердило свою молчаливую, но заметную роль в браке глубокого обучения с медициной». Компания создает мощные компьютеры, предназначенные для быстрого и эффективного выполнения вычислений, которые могут сделать диагностику более быстрой и точной. Пауэлл надеется установить Nvidia DGX-1 в больницах и медицинских исследовательских центрах по всему миру.

Некоторые больницы, такие как новый центр клинических данных Массачусетской больницы общего профиля, уже используют это новое оборудование для здравоохранения, сравнивая результаты анализов пациентов и истории болезни, чтобы выявить корреляции в данных.

Вывод

Глубокие нейронные сети меняют способ, которым врачи диагностируют болезни, делая диагностику быстрее, дешевле и точнее, чем когда-либо прежде. Чтобы воспользоваться этими преимуществами, необходимо выполнить определенные подготовительные действия, например, обновить оборудование.

Когда вы будете готовы к обновлению, обязательно инвестируйте в системы, которые могут справиться с вычислительными требованиями глубокого обучения и здоровья населения.

На следующей неделе мы обсудим еще один способ, которым глубокое обучение меняет здравоохранение: профилактику заболеваний. Мы также поговорим о программном обеспечении для управления медицинской практикой и EHR, которое вам понадобится, чтобы начать использовать глубокое обучение в своей практике.

Чтобы узнать больше об искусственном интеллекте и здравоохранении, ознакомьтесь с этими сообщениями:

• Что такое прецизионная медицина? Простое введение для запутавшихся врачей
• 5 стартапов в сфере искусственного интеллекта в сфере здравоохранения, о которых стоит знать малым и средним предприятиям
• 5 способов, которыми искусственный интеллект влияет на телемедицину