Как глубокое обучение меняет здравоохранение. Часть 1: Диагностика

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

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

До недавнего времени выполнение алгоритмов ИИ редко было рентабельным.

2. Алгоритмы становятся все сложнее.

Поскольку теперь мы можем использовать модели глубокого обучения за небольшую часть прошлых затрат, инновации стремительно набирают обороты.

3. Медицинских данных предостаточно.

Благодаря EHR и другим усилиям по оцифровке у нас есть больше медицинских данных, которые можно использовать для обучения алгоритмов, чем когда-либо прежде.

По данным CB Insights, несколько лет назад менее двух десятков стартапов в области ИИ были сосредоточены на здравоохранении . Сегодня существует более 100 стартапов, связанных с искусственным интеллектом в сфере здравоохранения.

Это заставило многих врачей ломать голову над тем, как им подготовиться к тому, что произойдет завтра, сегодня. Вот способы, которыми глубокое обучение меняет здравоохранение прямо сейчас, и совет по покупке правильного оборудования, чтобы подготовиться к грядущей революции в области искусственного интеллекта.

Обзор терминологии

Глоссарий терминов ИИ ( через Fortune )

Более быстрая и точная диагностика за счет глубокого обучения

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

Рассмотрим собаку. Компоненты: волосатая, два глаза, четыре лапы, хвост. Меньше человека, больше кошки. Алгоритм глубокого обучения «изучает» - на протяжении многих циклов ввода данных, анализа и тестирования - то, что каждый из них представляет, и затем может идентифицировать собаку по ее составным частям.

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

Алгоритмы глубокого обучения становятся лучше при диагностике так же, как и врачи: с практикой. Как и врач, алгоритм делает предположение и узнает, было ли оно правильным, в зависимости от того, реагирует ли пациент на лечение или у него появляются новые симптомы, указывающие на то, что первоначальный диагноз был ошибочным. Эта информация вводится в алгоритм через данные EHR.

Как обучается глубокая нейронная сеть ( через Fortune )

Одно из важных различий между врачом и алгоритмом глубокого обучения заключается в том, что врач должен спать. После обучения алгоритм может работать (и улучшаться) непрерывно.

Врач увидит и извлечет уроки из тысяч изображений МРТ за свою жизнь. Алгоритм мог видеть триллионы. Как и все люди, врачи склонны к ошибкам. С ИИ нет риска заболевания, усталости или озабоченности. Он не будет практиковать защитную медицину и не застрянет на своем пути.

Как это выглядит на практике?

Машинное обучение уже может определять, являются ли поражения кожи злокачественными, так же точно, как сертифицированный дерматолог, как показали ученые из Стэнфордского университета ранее в этом году .

Когда соседу Хоссама Хейка по комнате в колледже был поставлен диагноз лейкемия, он был вдохновлен на создание датчика для лечения рака. «Но потом я понял, что ранняя диагностика может быть так же важна, как и само лечение», - сказал Хейк New York Times. Поэтому он построил машину, которая использует искусственный интеллект, чтобы узнавать запах различных болезней. С каждым обнюхиванием 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 узелков в легких на рентгенограммах, КТ и МРТ и определяет, доброкачественные они или злокачественные. Генеральный директор Игорь Барани, бывший профессор радиационной онкологии Калифорнийского университета в Сан-Франциско, утверждает, что алгоритмы Enlitic превзошли четырех радиологов при тестировании. Барани сказал Медицинскому футуристу :

«До недавнего времени диагностические компьютерные программы писались с использованием ряда предопределенных предположений о специфических особенностях заболевания. Для каждой части тела должна была быть разработана специализированная программа, и можно было идентифицировать только ограниченный набор заболеваний, что препятствовало их гибкости и масштабируемости. Программы часто чрезмерно упрощали реальность, что приводило к плохой диагностической эффективности, и поэтому так и не получили широкого клинического применения. Напротив, глубокое обучение может легко справиться с широким спектром заболеваний всего тела и всеми методами визуализации (рентген, компьютерная томография и т. Д.) ».

Freenome использует глубокое обучение, чтобы находить рак в образцах крови или, точнее, фрагментах ДНК, которые выделяются клетками крови при смерти. Венчурная компания Andreessen Horowitz отправила компании пять образцов крови для анализа в качестве предынвестиционного теста. Фирма продолжила свои инвестиции после того, как Freenome правильно определила все пять - два нормальных и три злокачественных. Основатель Габриэль Отте сообщил Fortune, что его алгоритм глубокого обучения обнаруживает признаки рака, которые биологи-раковые биологи еще не охарактеризовали.

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

Насколько реальна реализация?

В то время как машинное обучение быстро становится лучшим способом диагностики заболеваний, оно стало более доступным для универсального использования совсем недавно. Раньше это было слишком дорого внедрять любым широко распространенным способом.

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

Как отмечает Пара в приведенном выше видео, десять лет назад изучение каждой части вашего тела для поиска и диагностики болезни стоило один миллион долларов. Сегодня эта стоимость упала до 10 000 долларов и включает в себя секвенирование генов.

Одна компания, занимающаяся медицинской визуализацией , получила одобрение FDA на продажу программ на базе искусственного интеллекта врачам. В январе Arterys получила добро на разработку DeepVentricle - алгоритма глубокого обучения, который может рассчитать сердечную емкость пациента с такой же точностью, как и врач, менее чем за 30 секунд. Напротив, анализ изображений МРТ для выполнения вычислений вручную занимает около часа.

Биомедицинский инженер и профессор Кристина Дэвис прогнозирует, что в течение трех-пяти лет клиницисты получат доступ к алгоритмам глубокого обучения для помощи в диагностике.

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 эффективнее, чем использование центральных процессоров (CPU).

В августе 2016 года Nvidia объявила, что ее квартальная выручка в сегменте центров обработки данных более чем удвоилась по сравнению с прошлым годом, достигнув 151 миллиона долларов. Финансовый директор Колетт Кресс сказала инвесторам, что «подавляющее большинство роста, безусловно, происходит за счет глубокого обучения».

В 2016 году Intel приобрела стартапы, занимающиеся глубоким обучением, Nervana Systems и Movidius, а Google представила блоки тензорной обработки (TPU), специально разработанные для облегчения глубокого обучения.

Сегодня Nvidia нацелена на медицинскую промышленность. Менеджер по развитию бизнеса компании Кимберли Пауэлл хочет, чтобы процессоры Nvidia использовались для удовлетворения потребностей в глубоком анализе медицинских изображений.

Футуризм сообщает, что «оборудование Nvidia зарекомендовало себя безмолвно, но заметную роль в союзе 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 DGX-1 от Nvidia в больницах и медицинских исследовательских центрах по всему миру.

Некоторые больницы, такие как новые Massachusetts General Hospital в клинических данных научный центр -Вы уже использует это новое оборудование для здоровья населения , сравнивая результаты тестов и историй болезни пациентов истории для выявления корреляций в данных.

Вывод

Глубокие нейронные сети меняют методы диагностики заболеваний, делая диагностику быстрее, дешевле и точнее, чем когда-либо прежде. Чтобы воспользоваться этими преимуществами, требуются определенные подготовительные шаги, такие как обновление оборудования.

Когда вы будете готовы к обновлению, обязательно инвестируйте в системы, которые могут удовлетворить вычислительные потребности глубокого обучения и здоровья населения.

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

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

• Что такое прецизионная медицина? Простое введение для сбитых с толку врачей
• 5 стартапов в области искусственного интеллекта в сфере здравоохранения для малого и среднего бизнеса
• 5 способов воздействия искусственного интеллекта на телездравоохранение