Derin Öğrenme, Sağlık Hizmetlerini Nasıl Değiştiriyor Bölüm 1: Tanılama

Yapay zeka, üç güçlü trend tarafından yönlendirilen sağlık hizmetleri üzerinde derin ve kalıcı bir etki yaratmaya hazırlanıyor:

1. Grafik İşlem Birimleri (GPU'lar) daha hızlı ve daha enerji verimli hale geliyor.

Yakın zamana kadar, AI algoritmalarını çalıştırmak nadiren uygun maliyetliydi.

2. Algoritmalar daha karmaşık hale geliyor.

Artık derin öğrenme modellerini geçmiş maliyetlerin çok altında kullanabildiğimiz için inovasyon patlama yaşıyor.

3. Sağlık verileri boldur.

EHR'ler ve diğer dijitalleştirme çabaları sayesinde, algoritmaları eğitmek için her zamankinden daha fazla sağlık verisine sahibiz.

CB Insights'a göre, birkaç yıl önce, iki düzineden az AI girişimi sağlık hizmetlerine odaklanmıştı. Bugün, sağlıkla ilgili 100'den fazla AI girişimi var.

Bu, birçok doktorun yarın, bugün olacaklara nasıl hazırlanabilecekleri konusunda kafalarını kaşımasına neden oldu. Derin öğrenmenin şu anda sağlık hizmetlerini değiştirme yolları ve yaklaşan yapay zeka devrimine hazırlanmak için doğru donanımı satın almayla ilgili ipuçları.

Terminolojiye genel bakış

AI terimleri sözlüğü (Fortune aracılığıyla)

Derin öğrenme sayesinde daha hızlı, daha doğru teşhis

Bunu düşündüğünüzde, hastalıkları teşhis etmek yapay zeka için mükemmel bir görevdir. Derin öğrenme, noktaları birleştirerek kalıpları tanımlamakla ilgilidir.

Bir köpek düşünün. Bileşenler: kıllı, iki göz, dört bacak, bir kuyruk. Bir insandan daha küçük, bir kediden daha büyük. Bir derin öğrenme algoritması, birçok veri girişi, analiz ve test döngüsü boyunca her birinin ne olduğunu "öğrenir" ve daha sonra bir köpeği oluşturan parçalardan tanımlayabilir.

Hastalık durumunda, noktalar semptomlar ve ilgili bozukluklardır. Öksürük, hapşırma, boğaz ağrısı: nezle olmalı.

Derin öğrenme algoritmaları, doktorların yaptığı gibi teşhis koymada daha iyi hale gelir: pratik yaparak. Algoritma, tıpkı bir doktor gibi, hastanın tedaviye yanıt verip vermediğine veya ilk tanının kapalı olduğunu gösteren yeni semptomlar geliştirip geliştirmediğine bağlı olarak bir tahminde bulunur ve doğru olup olmadığını öğrenir. Bu bilgi, EHR verileri aracılığıyla algoritmaya beslenir.

Derin bir sinir ağı nasıl öğrenir (Fortune aracılığıyla)

Bir doktor ile derin öğrenme algoritması arasındaki önemli bir fark, bir doktorun uyuması gerektiğidir. Bir algoritmayı eğittiğinizde, sürekli çalışabilir (ve gelişebilir).

Bir doktor, yaşamı boyunca binlerce MRI görüntüsünü görecek ve öğrenecektir. Bir algoritma trilyonları görebilir. Tüm insanlar gibi, doktorlar da hataya eğilimlidir. AI ile hastalık, yorgunluk veya meşguliyet riski yoktur. Savunma tıbbı uygulamayacak veya kendi yollarına saplanıp kalmayacak.

Bu pratikte neye benziyor?

Makine öğrenimi, Stanford Üniversitesi'ndeki bilim adamlarının bu yılın başlarında gösterdiği gibi, cilt lezyonlarının kanserli olup olmadığını kurul onaylı bir dermatolog kadar doğru bir şekilde belirleyebilir.

Hossam Haick'in üniversitedeki oda arkadaşına lösemi teşhisi konduğunda, kanseri tedavi etmek için bir sensör yaratması için ilham aldı. Haick New York Times'a “Ama sonra erken teşhisin tedavinin kendisi kadar önemli olabileceğini anladım” dedi. Bu yüzden, farklı hastalıkların nasıl koktuğunu öğrenmek için yapay zeka kullanan bir makine yaptı. Her koklama ile algoritma daha doğru hale gelir. Geçen Aralık itibariyle, 17 farklı hastalığı %86'ya varan doğrulukla tespit edebildi.

Enlitic, radyografilerde, BT ve MRI taramalarında akciğer nodüllerini tespit etmek ve bunların iyi huylu veya kötü huylu olup olmadığını belirlemek için derin öğrenmeyi kullanır. San Francisco'daki California Üniversitesi'nde eski bir radyasyon onkolojisi profesörü olan CEO Igor Barani, Enlitic'in algoritmalarının testlerde dört radyologdan daha iyi performans gösterdiğini iddia ediyor. Barani, Medical Futurist'e şunları söyledi:

"Yakın zamana kadar, teşhis amaçlı bilgisayar programları, hastalığa özgü özellikler hakkında bir dizi önceden tanımlanmış varsayım kullanılarak yazıldı. Vücudun her bölümü için özel bir program tasarlanmalıydı ve yalnızca sınırlı sayıda hastalık tanımlanabildi, bu da esnekliklerini ve ölçeklenebilirliklerini engelledi. Programlar çoğu zaman gerçeği aşırı basitleştirdi, zayıf tanı performansına neden oldu ve bu nedenle hiçbir zaman yaygın klinik kabul görmedi. Buna karşılık, derin öğrenme, tüm vücuttaki geniş bir hastalık yelpazesini ve tüm görüntüleme yöntemlerini (X-ışınları, CT taramaları, vb.) kolayca halledebilir.”

Freenome, kan örneklerinde veya daha spesifik olarak, kan hücrelerinin ölürken yaydığı DNA fragmanlarında kanseri bulmak için derin öğrenmeyi kullanır. Girişim sermayesi şirketi Andreessen Horowitz, yatırım öncesi test olarak analiz etmesi için şirkete beş kan örneği gönderdi. Freenome, ikisi normal ve üçü kanserli olmak üzere beşini de doğru bir şekilde tanımladıktan sonra firma yatırımına devam etti. Kurucu Gabriel Otte, Fortune'a derin öğrenme algoritmasının kanser biyologlarının henüz tanımlayamadığı kanser imzalarını tespit ettiğini söyledi.

Mayıs ayında Babylon Health'in kurucusu ve CEO'su Ali Parsa, çevrimiçi teknoloji programı "Hot Topics"e ekibinin yakın zamanda dünyanın ilk yapay zeka destekli klinik triyaj sistemini akademik testlere sunduğunu ve bu sırada sisteminin bir doktordan %13 daha doğru olduğunu kanıtladığını söyledi. ve bir hemşireden %17 daha doğru.

Uygulama ne kadar gerçekçi?

Makine öğrenimi hızla hastalıkları teşhis etmenin daha iyi bir yolu haline gelirken, çok yakın zamanda evrensel kullanım için daha uygun hale geldi. Şimdiye kadar, herhangi bir yaygın şekilde uygulamak çok pahalıydı.

Her zamankinden daha hızlı çalışan ve daha az enerji gerektiren daha yeni işlemciler sayesinde, makine öğrenimi hızlı ve daha uygun bir hızda ilerliyor.

Para'nın yukarıdaki videoda belirttiği gibi, on yıl önce vücudunuzun her yerine hastalığı bulmak ve teşhis etmek için bakmak bir milyon dolara mal oluyordu. Bugün, bu maliyet 10.000 dolara düştü ve gen dizilimini de içeriyor.

Bir tıbbi görüntüleme şirketi, doktorlara yapay zeka destekli yazılım satmak için FDA onayı aldı. Ocak ayında Arterys, bir hastanın kalp kapasitesini 30 saniyeden daha kısa bir sürede bir doktor kadar doğru bir şekilde hesaplayabilen bir derin öğrenme algoritması olan “DeepVentricle” için ilerleme kaydetti. Buna karşılık, hesaplamaları elle tamamlamak için MRI görüntülerini analiz etmek yaklaşık bir saat sürer.

Biyomedikal mühendisi ve profesör Cristina Davis, üç ila beş yıl içinde klinisyenlerin tanıya yardımcı olmak için derin öğrenme algoritmalarına erişebileceğini tahmin ediyor.

Doğru donanımla derin öğrenmeye hazırlanın

2000'lerin sonundan bu yana hesaplama gücündeki artışın büyük bir kısmı, Nvidia tarafından video oyunlarının görsel gerçekçiliğini artırmak için tasarlanan çiplerden kaynaklanıyor. Derin öğrenme için grafik işlem birimlerinin (GPU'lar) kullanılmasının, merkezi işlem birimlerinin (CPU'lar) kullanılmasından 20 ila 50 kat daha verimli olduğu ortaya çıktı.

Ağustos 2016'da Nvidia, veri merkezi segmenti için üç aylık gelirinin yıldan yıla iki katından fazla artarak 151 milyon dolara ulaştığını duyurdu. CFO Colette Kress yatırımcılara “Büyümenin büyük çoğunluğunun açık ara derin öğrenmeden geldiğini” söyledi.

2016'da Intel, derin öğrenme girişimleri Nervana Systems ve Movidius'u satın alırken, Google, derin öğrenmeyi kolaylaştırmak için özel olarak tasarlanmış tensör işleme birimlerini (TPU'lar) tanıttı.

Bugün Nvidia tıp endüstrisini hedef alıyor. Şirketin iş geliştirme müdürü Kimberley Powell, Nvidia'nın tıbbi görüntülemenin derin öğrenme analizi ihtiyacını karşılamak için kullanılan işlemcilerini görmek istiyor.

Fütürizm, "Nvidia'nın donanımının, derin öğrenmenin tıpla evliliğinde sessiz ama önemli rolünü oluşturduğunu" bildiriyor. Şirket, teşhisi daha hızlı ve daha doğru hale getirebilecek hesaplamaları hızlı ve verimli bir şekilde çalıştırmak için tasarlanmış güçlü bilgisayarlar inşa ediyor. Powell, Nvidia'nın DGX-1'ini dünyanın dört bir yanındaki hastanelere ve tıbbi araştırma merkezlerine kurmayı umuyor.

Massachusetts General Hospital'ın yeni klinik veri bilimi merkezi gibi bazı hastaneler, bu yeni donanımı nüfus sağlığı için zaten kullanıyor ve verilerdeki korelasyonları belirlemek için hastaların test sonuçlarını ve tıbbi geçmişlerini karşılaştırıyor.

Çözüm

Derin sinir ağları, doktorların hastalıkları teşhis etme şeklini değiştiriyor, teşhisleri her zamankinden daha hızlı, daha ucuz ve daha doğru hale getiriyor. Bu ilerlemelerden yararlanmak, donanımınızı yükseltmek gibi belirli hazırlık adımlarını gerektirir.

Yükseltmeye hazır olduğunuzda, derin öğrenme ve nüfus sağlığının hesaplama gereksinimlerini karşılayabilecek sistemlere yatırım yaptığınızdan emin olun.

Gelecek hafta, derin öğrenmenin sağlık hizmetlerini değiştirmesinin başka bir yolunu tartışacağız: hastalıkları önleme. Ayrıca, muayenehanenizde derin öğrenmeyi kullanmaya başlamak için ihtiyaç duyacağınız tıbbi muayenehane yönetimi ve EHR yazılımı hakkında da konuşacağız.

Yapay zeka ve sağlık hizmetleri hakkında daha fazla bilgi edinmek için şu gönderilere göz atın:

• Hassas Tıp Nedir? Kafası Karışık Doktorlar İçin Basit Bir Giriş
• KOBİ'lerin Bilmesi Gereken 5 Healthcare AI Startup'ı
• Yapay Zekanın Tele-sağlığı Etkilemesinin 5 Yolu