Millionen-Dollar-Preis weist darauf hin, wie maschinelles Lernen eines Tages Krebs erkennen kann

Maschinelles Lernen erfordert oft riesige Datensätze, um einen effektiven Algorithmus zu entwickeln, aber für diesen Wettbewerb wurden den Teams nur 2.000 Bilder zur Verfügung gestellt.

Ein Wettbewerb zur Automatisierung der Erkennung von Lungenkrebs zeigt, wie maschinelles Lernen bereit sein könnte, die medizinische Bildgebung zu überholen.

Die Herausforderung bot Preise in Höhe von 1 Million US-Dollar für die Algorithmen, die Anzeichen von Lungenkrebs in Niedrigdosis-Computertomographiebildern am genauesten identifizierten. Die siegreichen Algorithmen werden nicht unbedingt von Klinikern übernommen, aber sie könnten algorithmische Innovationen inspirieren, die ihren Weg in die medizinische Bildgebung finden.

Low-Dose-CT-Scans haben in den letzten Jahren ein großes Potenzial zur Früherkennung von Lungenkrebs gezeigt. Sie verbrauchen weniger Strahlung und benötigen kein Kontrastmittel, das in den Körper injiziert werden muss. Die Diagnose ist jedoch sehr schwierig, was zu einer hohen Anzahl falsch positiver Ergebnisse und zu vielen unnötigen medizinischen Verfahren führt.

Eine als Deep Learning bezeichnete maschinelle Lerntechnik hat sich in den letzten Jahren als besonders effektiv erwiesen, um Muster in Bildern zu finden (siehe 10 Breakthrough Technologies 2013: Deep Learning ). Jetzt wächst die Hoffnung, dass diese und andere Methoden des maschinellen Lernens dazu beitragen können, die Diagnosestandards in der Medizin zu verbessern, indem sie automatisch Muster erkennen, die auf Krankheiten hinweisen – einschließlich solcher, die für das menschliche Auge zu subtil sind.

Deep Learning ist bereits gewohnt Hautkrebs erkennen in Bildern mit ungefähr der gleichen Anzahl von Fehlern wie von professionellen Dermatologen. Und die Technik hat sich als wirksam erwiesen, um eine häufige Ursache für Erblindung in Netzhautbildern zu erkennen. Inzwischen wächst das Interesse von Ärzten und Unternehmern, die Technik breiter einzusetzen. Wenn dies geschieht, kann jedoch mehr Aufwand erforderlich sein, um solche Algorithmen erklärbar zu machen (siehe The Dark Secret at the Heart of AI ).

Verwandte Geschichte

Verwandte Geschichte Niemand weiß wirklich, wie die fortschrittlichsten Algorithmen das tun, was sie tun. Das könnte ein Problem sein.

Keyvan Farahani, ein Programmdirektor am National Cancer Institute, der die im Wettbewerb verwendeten Bildgebungsdaten lieferte, sagt, dass die Reduzierung der Anzahl falscher Lungenkrebsdiagnosen, die durch Niedrigdosis-CT-Scans gestellt werden, einen echten Unterschied für die Patienten machen würde. Laut der American Cancer Society gibt es in den USA jedes Jahr etwa 222.500 neue Fälle von Lungenkrebs.

Laut Farahani ist die vorhandene Software zur Erkennung von Anzeichen von Lungenkrebs unzuverlässig. Vorläufige Ergebnisse deuten darauf hin, dass [die besten Algorithmen] besser sind als das, was bereits verfügbar ist, sagt er. Farahani sieht jedoch nicht vor, dass Algorithmen medizinische Experten ersetzen. Deep Learning wird helfen, große Datenmengen zu verarbeiten, sagt er. Ich glaube nicht, dass sie Ärzte oder Radiologen ersetzen werden.

Eine der größten Herausforderungen bei diesem Wettbewerb war die Tatsache, dass den Teams nur 2.000 Bilder zur Verfügung gestellt wurden. Maschinelles Lernen erfordert oft sehr große Datensätze, um einen effektiven Algorithmus zu entwickeln. Aber auch andere Daten, wie Details der verwendeten Ausrüstung, wurden aufgenommen.

Das Gewinnerteam setzte ein neuronales Netzwerk ein und investierte zusätzliche Anstrengungen in das Kommentieren von Bildern, um mehr Datenpunkte bereitzustellen. Es verwendete auch einen zusätzlichen Datensatz und teilte die Herausforderung in zwei Teile auf: Knoten identifizieren und dann Krebs diagnostizieren. Es ist noch nicht klar, wie sich der beste Algorithmus gegenüber einem Arzt messen könnte, da jeder Algorithmus eher eine Wahrscheinlichkeit als ein endgültiges Ergebnis liefert.

Wir denken, dass es entscheidend ist, dieses Problem explizit in zwei Phasen zu unterteilen, was auch menschliche Experten tun würden, sagt Zhe Li, Mitglied des Gewinnerteams und Student an der Tsinghua-Universität, einem der führenden akademischen Institute Chinas.

Der Lungenkrebs-Wettbewerb weist nicht nur auf das Potenzial für Deep Learning in der medizinischen Bildgebung hin, sondern unterstreicht auch den wachsenden Ruf chinesischer KI-Forscher.

Der Wettbewerb , der auf der Data-Science-Website Kaggle abgehalten wird, wurde von Booz Allen Hamilton organisiert, einer Unternehmensberatungsfirma, die zuvor mehrere andere große Data-Science-Wettbewerbe veranstaltet hat. Das Preisgeld in Höhe von 1 Million US-Dollar kam von der Laura-und-John-Arnold-Stiftung .

Kaggle wurde 2010 gegründet und Anfang dieses Jahres von Google übernommen. Die Website hat sich als leistungsstarkes Mittel zum Crowdsourcing der Entwicklung von maschinellen Lernalgorithmen erwiesen und ist auch eine beliebte Methode zur Identifizierung von Talenten.

Verwandte Geschichte

Lesen Sie weiter

Josh Sullivan , der das Data-Science-Team bei Booz Allen Hamilton leitet, sagt, eine Motivation für den Wettbewerb sei die Talentakquise, und stellt fest, dass sich 238 Teilnehmer auch auf Stellen bei dem Unternehmen beworben haben. Er fügt hinzu, dass das Unternehmen die siegreichen Algorithmen kostenlos zur Verfügung stellt, um den potenziellen Nutzen für die medizinische Gemeinschaft zu maximieren.

Li vom Siegerteam sagt, es sei befriedigend, etwas zu entwickeln, das Menschenleben retten könnte, aber der wahre Grund für die Teilnahme war etwas weniger altruistisch. Ehrlich gesagt sei die Hauptmotivation, das Preisgeld zu gewinnen, sagt er.

verbergen