211service.com
Die Maschinen machen sich bereit, Doktor zu spielen
Die Forscher verwendeten tragbare EKG-Geräte, um 30.000 30-Sekunden-Clips von Patienten mit unterschiedlichen Formen von Arrhythmie zu sammeln.
Es könnte nicht mehr lange dauern, bis Algorithmen routinemäßig Leben retten – solange Ärzte bereit sind, immer mehr Vertrauen in Maschinen zu setzen.
Ein Forscherteam der Stanford University unter der Leitung von Andreas Ng , ein prominenter KI-Forscher und dortiger außerordentlicher Professor, hat gezeigt, dass ein maschinelles Lernmodell Herzrhythmusstörungen anhand eines Elektrokardiogramms (EKG) besser erkennen kann als ein Experte.
Der automatisierte Ansatz könnte sich als wichtig für den medizinischen Behandlungsalltag erweisen, indem er die Diagnose potenziell tödlicher Herzrhythmusstörungen zuverlässiger macht. Es könnte auch dazu führen, dass qualitativ hochwertige Versorgung in Gebieten mit knappen Ressourcen leichter verfügbar ist.
Die Arbeit ist auch nur das jüngste Anzeichen dafür, wie maschinelles Lernen die Medizin wahrscheinlich revolutionieren wird. In den letzten Jahren haben Forscher gezeigt, dass maschinelle Lerntechniken verwendet werden können, um alle möglichen Krankheiten zu erkennen, darunter zum Beispiel: Brustkrebs , Hautkrebs , und Augenkrankheit aus medizinischen Bildern.
Es hat mich ermutigt, wie schnell Menschen die Idee akzeptieren, dass Deep Learning mit einer Genauigkeit diagnostizieren kann, die Ärzten in ausgewählten Branchen überlegen ist, sagte Ng per E-Mail. Er fügt hinzu, dass es ermutigend ist zu sehen, dass Forscher über die Bildgebung hinaus auf andere Datenformen wie EKG schauen.
Bis vor kurzem war Ng Chefwissenschaftler beim chinesischen Technologieriesen Baidu, wo er half, ein Institut zu gründen, das sich der Anwendung von Deep Learning auf verschiedene Geschäftsprobleme widmet.
Das Stanford-Team trainierte einen Deep-Learning-Algorithmus, um verschiedene Arten von unregelmäßigen Herzschlägen in EKG-Daten zu identifizieren. Einige Unregelmäßigkeiten können zu ernsthaften gesundheitlichen Komplikationen einschließlich plötzlichem Herztod führen, aber das Signal kann schwer zu erkennen sein, weshalb Patienten oft gebeten werden, einen EKG-Sensor für mehrere Wochen zu tragen. Selbst dann kann es für einen Arzt schwierig sein, zwischen gutartigen und behandlungsbedürftigen Unregelmäßigkeiten zu unterscheiden.
Die Stanford-Forscher trainierten einen Deep-Learning-Algorithmus, um verschiedene Arten von unregelmäßigen Herzschlägen aus den EKG-Daten zu identifizieren.
Die Forscher kooperierten mit iRhythm , ein Unternehmen, das tragbare EKG-Geräte herstellt. Sie sammelten 30.000 30-Sekunden-Clips von Patienten mit verschiedenen Formen von Arrhythmie. Um die Genauigkeit ihres Algorithmus zu beurteilen, verglich das Team seine Leistung mit der von fünf verschiedenen Kardiologen auf 300 nicht diagnostizierten Clips. Sie ließen ein Gremium aus drei erfahrenen Kardiologen ein Ground-Truth-Urteil abgeben.
Deep Learning beinhaltet das Einspeisen großer Datenmengen in ein großes simuliertes neuronales Netzwerk und die Feinabstimmung seiner Parameter, bis es problematische EKG-Signale genau erkennt. Der Ansatz hat sich als geeignet erwiesen, komplexe Muster in Bild und Ton zu identifizieren, und er hat zur Entwicklung besserer als menschlicher Bilderkennungs- und Spracherkennungssysteme geführt.
Erich Horvitz , Geschäftsführer von Microsoft Research und sowohl Arzt als auch Experte für maschinelles Lernen, sagt andere, darunter zwei verschiedene Gruppen vom MIT und der University of Michigan wenden maschinelles Lernen auf die Erkennung von Herzrhythmusstörungen an.
Mit Blick auf die Zukunft besteht jedoch das Potenzial für maschinelles Lernen, Krankheitsspuren zu finden, indem große Mengen unterschiedlicher Daten durchkämmt werden.
Eine zentrale Herausforderung wird jedoch darin bestehen, Ärzte und Patienten davon zu überzeugen, Algorithmen zu vertrauen, die oft so komplex sind, dass ihre Argumentation nicht nachvollzogen werden kann (siehe The Dark Secret at the Heart of AI ). Deep Learning ist eine besonders undurchsichtige Form des maschinellen Lernens, und es wird wichtig sein, Wege zu finden, es besser erklärbar zu machen, sowohl um Vertrauen aufzubauen als auch um die Behandlung zu verfeinern.
Dennoch hat Ng keinen Zweifel daran, dass eine Revolution bevorsteht. Wir haben noch Arbeit vor uns, um diese Algorithmen in den Arbeitsablauf des Gesundheitssystems zu integrieren, sagt er. Aber ich denke, dass das Gesundheitswesen in 10 Jahren viel mehr KI einsetzen und ganz anders aussehen wird als heute.