Изследователи от Станфорд са разработили алгоритъм, който предлага диагнози, базирани на рентгенови изображения на гръдния кош.

Той може да диагностицира до  14 вида заболявания като е способен да диагностицира пневмония и ателектаза много по-добре от рентгенолозите, които работят самостоятелно и определят диагнозата само на база на собствения си опит.

Тълкуването на рентгенови снимки за диагностициране на патологии като пневмония е огромно предизвикателно и както знаем има много вариации в поставените диагнози, до които  достигат рентгенолозите.

Ето защо е от жизненоважно значение разработването на алгоритми за машинно обучение, които могат да се учат от стотиците хиляди  рентгенови снимки на гръдния кош получавани всяка година и така да поставят точните диагнози без отклонения.

Това ще доведе до спасяването на много хора, избягването на погрешни диагнози
и намаляване на болничния престой.

Например за тази разработка са били използвани данни от Националния институт по здравеопазване на САЩ.

Този набор от данни е съдържал 112 120 фронтални рентгенови изображения  на гръдния кош, обозначени с до 14 възможни патологични състояния. Чрез тях е бил изграден алгоритъм, който е могъл да диагностицира много от тези 14  патологии със значителен успех.

Дизайн

От едната страна е имало четирима рентгенолози от Станфорд, които самостоятелно са разгледали 420 от изображенията на ретгеновите снимки  за възможни признаци на пневмония. Изследователите са решили да се съсредоточат върху това заболяване, защото ежегодно води повече от 1 милион американци в болницата,  според Центровете за контрол и превенция на заболяванията и е особено трудно да се забележи на ретген.

Междувременно екипът на Machine
Learning Group от Станфорд е разработил алгоритъм, който е можел автоматично да диагностицира патологиите. Спестявайки време и пари.

В рамките на една седмица изследователите са имали алгоритъм, който е можел да диагностицира 10 от патологиите, отбелязани при рентгеновите изследвания и по-точно от предишните най-добри  резултати. Само за един месец техният алгоритъм вече е можел да победи ремтгенолозите в предположенията им във всичките 14 задачи за идентификация на патологията.
В този кратък период от време, CheXNet превъзхождал четиримата рентгенолози от Станфорд в точността си за диагностициране на пневмония.

Защо да използваме алгоритъм

Често леченията на обикновени и често срещани, но тежки заболявания, които се появяват в гръдния кош, като пневмония например, разчитат в голяма степен на това как лекарите
интерпретират рентгеновото изображение.

Но дори и най-добрите рентгенолози са склонни, често към погрешни диагнози поради предизвикателства при разграничаването на  болести, базирани на рентгеновите изследвания.

Мотивацията зад тази работа е била да имаме дълбок модел на обучение, който да ни помогне в интерпретациите, като преодолее присъщите ограничения  на човешкото възприятие и пристрастия, и така да намали грешките.

По-общо казано: един дълбок модел на обучение за тази цел може да подобри изключително много поставянето на точната и правилна диагноза.

След около месец непрекъснато повторение, алгоритъмът вече надминавал четиримата индивидуални рентгенолози от Станфорд при диагностицирането на пневмония.

Алгоритъмът сега има най-висока производителност на всяка работа, която е излязла досега, свързана с рентгеновия набор от данни на NIH.

Много нови възможности за бъдещето

Освен това е бил разработен и компютърно-базиран инструмент, който произвеждал това, което прилича на топлинна  карта на рентгеновите снимки на гръдния кош – но вместо да представлява температурата, цветовете на тези карти представляват области, които алгоритъмът определя
с най-голяма вероятно местоположението на пневмонията.

Този инструмент може да спомогне за намаляване на броя на пропуснатите случаи на пневмония и значително  да ускори работния цикъл на рентгенолозите, като им покаже къде да търсят първо, което води до по-бърза и точна диагноза за болните пациенти.

Успоредно с това изследователите се надяват, че CheXNet може да помогне на много хора в някой райони на света, където те нямат лесен достъп до рентгенолог.

Екипът смята да продължи да изгражда и подобрява медицинските алгоритми, които могат автоматично да откриват аномалии и се надяват да направят  висококачествени, анонимните медицински бази данни публично достъпни за другите, които искат да работят по подобни проблеми.

Това изследване доказа, че съществува огромен потенциал за машинно обучение, което да подобри сегашната система на здравеопазване.

Източници на информация:

1.CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning

   Send article as PDF