Ein anderes neuronales Netzwerk wurde gelehrt, um das Problem durch Röntgen zu diagnostizieren

Google, IBM und andere haben lange daran gearbeitet, KI (ihre schwache Form) zu erstellen, mit der Röntgenbilder analysiert werden können. Warum? Das Problem ist, dass Radiologen und nicht nur sie viel Zeit damit verbringen müssen, medizinische Bilder zu analysieren. Es gibt viele solcher Bilder, aber Sie müssen sie für eine bestimmte Zeit anzeigen und für jedes eine Antwort geben.

Der Spezialist hat sehr wenig Zeit, um das gleiche Röntgenbild zu analysieren. Und es ist gut, wenn der Arzt beim Betrachten des Bildes frisch und aufmerksam ist. Aber was ist, wenn es bereits am Ende des Arbeitstages funktioniert, nachdem einige Hundert derselben Bilder angezeigt wurden? Der menschliche Faktor ist hier sehr stark und die Fehlerwahrscheinlichkeit steigt um ein Vielfaches. Um die Aufgabe des Spezialisten zu erleichtern, versuchen Wissenschaftler auch, die Fähigkeiten der künstlichen Intelligenz zu nutzen.

Ein weiteres Problem für Ärzte, die regelmäßig medizinische Bilder (nicht unbedingt Röntgenbilder) betrachten, ist der Fehler „Suchzufriedenheit“. Es liegt in der Tatsache, dass der Arzt, der das Bild betrachtet, nachdem er das Problem entdeckt hat, möglicherweise nicht nach den anderen sucht, entscheidet, dass seine Annahme richtig ist, und sofort eine Diagnose stellt. Die Folgen können für den Patienten sehr schwerwiegend sein, da das identifizierte Problem nicht immer eine Manifestation der Grunderkrankung ist.

Nun wurde die Entwicklung eines neuronalen Netzwerks, das eine Suche nach Manifestationen verschiedener Krankheiten in medizinischen Bildern durchführen würde , von einem Team von Wissenschaftlern unter der Leitung von Andrew Un durchgeführt. Spezialisten erstellten ein neuronales Netzwerk, das am Beispiel einer Datenbank trainiert wurde, die aus mehreren Zehntausenden von Bildern (fast 50.000) bestand, die von mehr als 14.000 medizinischen Einrichtungen stammen. Gleichzeitig wurde jedes der Bilder zuvor von Ärzten analysiert, die das Röntgenbild diagnostizierten und als normal oder pathologisch markierten.


Die Ergebnisse des neuronalen Netzes und drei Radiologen-Ärzte

Die Wirksamkeit des neuronalen Netzes nach dem Training wurde mit der Arbeit von drei Radiologen und Ärzten verglichen. Wie sich herausstellte, blieb das neuronale Netz in zwei Fällen fast nicht hinter einer Person zurück, und in einem Fall übertraf es es. Im Allgemeinen hat der Computer in 74,9% der Fälle Schäden korrekt erkannt. Es ist erwähnenswert, dass Wissenschaftler die Ergebnisse und Materialien ihrer Forschung für die Welt entdeckt haben. Die Datenbank, in der das neuronale Netzwerk trainiert wurde, ist öffentlich zugänglich und auf der Stanford-Website verfügbar. Es kann zum Trainieren anderer neuronaler Netze verwendet werden.

Neuronale Netze funktionieren auch mit anderen Arten von medizinischen Bildern. Beispielsweise lernt ein tiefes neuronales Netzwerk, Spuren der Krankheit in Bildern der Positronenemissionstomographie des Gehirns (PET) zu erkennen. Wir sprechen über die Alzheimer-Krankheit, die durch das Auftreten von Amyloid-Plaques mit einer Verlangsamung des Hirnstoffwechsels gekennzeichnet ist.

Zuvor fanden Wissenschaftler heraus, dass einige Arten von PET-Scans Anzeichen dieser negativen Zustände erkennen können. Daher kann die Technologie dazu dienen, leichte kognitive Beeinträchtigungen beim Menschen zu erkennen, die anschließend zur Alzheimer-Krankheit führen.

Es ist wahr, dass es für menschliche Wissenschaftler ziemlich schwierig ist, die resultierenden Bilder zu interpretieren. Aber das neuronale Netzwerk kann dies dank ein oder zwei Markern durchaus bewältigen. Um das Computersystem zu trainieren, verwendeten Spezialisten Gehirnbilder von 182 Menschen im Alter von 70 Jahren mit einem gesunden Gehirn und 139 Gehirnbilder von Menschen im gleichen Alter mit einer Alzheimer-Diagnose. Infolgedessen konnte die KI den Unterschied zwischen einem gesunden und einem erkrankten Gehirn mit hoher Genauigkeit erkennen - über 90%.



Andrew Un und sein Team versuchen, die Fähigkeiten des neuronalen Netzwerks und für ein anderes Projekt zu nutzen. Wir sprechen über Patienten mit sehr schweren Krankheiten, Patienten und Palliativtherapie. Das neuronale Netzwerk versucht vorherzusagen, wie ernst der Zustand des Patienten ist (meistens handelt es sich um sehr ältere Menschen). Wenn es sich um eine fortschreitende Krankheit handelt, die dem Patienten nicht mehr als ein Lebensjahr gibt, dann kommt ein Team von Palliativtherapeuten zur Arbeit, die versuchen, die negativen Manifestationen der Krankheit (Schmerzen, psychischer Zustand usw.) in gewissem Maße zu beseitigen. Das Problem ist, dass das Team zu einem bestimmten Zeitpunkt zur Arbeit kommen muss, um den Effekt zu maximieren. Und auch hier zeigt das neuronale Netz einen deutlichen Erfolg.

Im Allgemeinen wird KI (seine schwache Form) von Wissenschaftlern jetzt als Assistenzarzt betrachtet und nicht als Alternative, wenn ich so sagen darf. Neuronale Netze helfen einem Spezialisten, verschiedene Arten von Problemen zu identifizieren, und bereits ein menschlicher Arzt stellt mithilfe seiner digitalen Assistenten eine genaue Diagnose. Dadurch wird Zeit gespart und die Diagnosegenauigkeit erhöht. Mit der Zeit werden neuronale Netze zu zuverlässigen Arzthelfern - heute ist diese Praxis experimenteller Natur, aber die erzielten Ergebnisse wecken einen gesunden Optimismus hinsichtlich der Fähigkeiten der Computertechnologie in einem Bereich wie dem Gesundheitswesen.