El algoritmo de aprendizaje profundo diagnostica el cáncer de piel no peor que un dermatólogo calificado

El aprendizaje profundo es una metodología prometedora para la enseñanza de algoritmos, que está involucrada en una gran cantidad de áreas (seguridad de la información, análisis de resultados de investigación, reconocimiento de imágenes). En cuanto al reconocimiento de imágenes, no se trata solo del hecho de que la máquina puede distinguir un gato de un perro, como fue el caso de la red neuronal de Google. No, una tecnología similar puede ser útil en medicina, en particular en oncología.

Científicos de Stanford crearon un sistemaque puede diagnosticar analizando una fotografía de la piel del paciente. Pruebas recientes han mostrado resultados impresionantes: el algoritmo diagnosticado con tanta precisión como los dermatólogos con amplia experiencia y calificaciones serias. Para comparar las capacidades de la tecnología, los autores del proyecto pidieron hacer un diagnóstico por imagen de áreas de la piel de varias personas por dermatólogos profesionales (con el diagnóstico verificado), y luego estas imágenes se mostraron a la máquina.

"Hemos creado un algoritmo de aprendizaje profundo muy poderoso que puede aprender usando datos", dijo Andre Esteva, uno de los autores del estudio. "En lugar de programar un sistema de este tipo, lo dejamos tomar decisiones por nosotros mismos".

El algoritmo se llama "red neuronal convolucional profunda". Sus capacidades se basan en Google Brain., un proyecto de Google diseñado para explorar el poder del aprendizaje automático. La potencia informática del sistema Google Brain permite a los desarrolladores externos crear varios proyectos de aprendizaje automático. Cuando los científicos comenzaron a trabajar, la red neuronal podía identificar más de 1.28 millones de objetos en imágenes, divididos en varios miles de categorías diferentes. Pero los investigadores tenían un objetivo claro: necesitaban entrenar la red neuronal para identificar correctamente el carcinoma y la queratosis seborreica, y también enseñar al sistema a distinguir estas dos enfermedades entre sí de acuerdo con imágenes con áreas de piel humana afectada.

Además, la computadora necesitaba distinguir estos elementos de las manchas de edad normal, erupciones y otros posibles cambios en la estructura de la piel. Un médico con mucho conocimiento y experiencia puede hacer esto casi sin errores. Y los científicos se propusieron la tarea de "educar" a un profesional de la red neuronal.



El problema también era que los especialistas no tenían una muestra suficientemente grandeimágenes para entrenar el sistema. Por lo tanto, tuvieron que crear una base de datos de imágenes por su cuenta. "Recolectamos fotos de Internet y pedimos a los médicos que nos ayuden a clasificar las imágenes", dice uno de los autores del estudio. Los autores tomaron algunas fotos de sitios extranjeros, por lo que a veces era simplemente imposible entender lo que estaba escrito en la descripción, ya que los textos que lo acompañaban estaban en árabe, alemán, latín y otros idiomas.



Para estudiar la condición del área de la piel del paciente, los dermatólogos a menudo usan una herramienta médica llamada dermatoscopio. Da un cierto nivel de aumento, para que el médico pueda ver la piel en detalle. El dispositivo proporciona aproximadamente la misma "imagen", de modo que una fotografía de un área de la piel tomada con esta herramienta es comprensible para cualquier dermatólogo de cualquier país del mundo. Desafortunadamente para los participantes del estudio, no todas las fotos de Internet se tomaron con un dermatoscopio. El ángulo de disparo, la iluminación, el grado de aumento: todo esto fue diferente.

Como resultado, los científicos, analizando 130,000 imágenes, identificaron alrededor de 2,000 tipos diferentes de enfermedades de la piel. Crearon un conjunto de datos para una biblioteca de imágenes y luego "alimentaron" todas estas redes neuronales. Cada imagen se presentó en un bloque separado, un "píxel", con una breve descripción de la enfermedad. Luego se le "pidió" al algoritmo que mostrara las etapas de desarrollo de la misma enfermedad, habiendo identificado previamente patrones de agrandamiento focal.


Diferentes categorías de imágenes en las que el algoritmo rompió la base de datos original de fotos

Una vez que todo estuvo listo, los autores del proyecto compararon los resultados del diagnóstico realizado con el sistema con los resultados conocidos del diagnóstico de enfermedades de la piel de pacientes realizados por dos docenas de dermatólogos de la Facultad de Medicina de Stanford. Para probar el algoritmo, los científicos utilizaron solo imágenes de alta calidad hechas por profesionales. La precisión diagnóstica fue del 91%, tanto para el algoritmo como para los médicos.

Los autores planean desarrollar gradualmente su desarrollo. En particular, los investigadores desean crear una aplicación que trabaje directamente con fotografías de áreas de la piel con áreas problemáticas que los propios pacientes descarguen. Esto, según los investigadores, simplificará el acceso a los servicios médicos para una gran cantidad de pacientes. Y los teléfonos inteligentes aquí pueden ser invaluables. "Mi punto principal de Eureka fue cuando me di cuenta de lo ubicuos que serán los teléfonos inteligentes", dice uno de los iniciadores del proyecto, describiendo el proceso de implementación del trabajo desde una idea hasta un servicio en funcionamiento. “Cualquier persona ahora tiene una computadora poderosa con muchos sensores, incluida una cámara. ¿Qué pasa si puede usarlo para tomar fotos de cáncer de piel u otro tipo de enfermedades?

En cualquier caso, los investigadores necesitan realizar más pruebas antes de finalizar su tecnología a las masas para finalizar el algoritmo. En este caso, es extremadamente importante saber cómo la máquina clasifica las imágenes.

“Las posibilidades de clasificación de imágenes asistida por computadora son una excelente ayuda para los dermatólogos que pueden hacer diagnósticos más precisos. Pero en el futuro, es necesario confirmar la eficacia del algoritmo, esto debe hacerse antes de introducir esta práctica en los hospitales ", dijo Susan Svetter, profesora de dermatología en Stanford.

Source: https://habr.com/ru/post/es400967/