Machine learning ofte kræver store datamængder til at udvikle en effektiv algoritme, men for denne konkurrence, hold blev leveret med kun 2.000 billeder.
En konkurrence med henblik på at automatisere påvisning af lungekræft viser, hvordan machine learning kan være klar til revision af medicinsk billedbehandling.
Udfordringen tilbudt $1 millioner i præmier for de algoritmer, der mest præcist identificeret tegn på lungekræft i lav-dosis computertomografi billeder. Den vindende algoritmer vil ikke nødvendigvis være vedtaget af klinikere, men de kunne inspirere algoritmisk innovationer, der finder deres vej ind i medicinsk billedbehandling.
Lav-dosis CT-scanninger, har vist stort potentiale i de seneste år for at afsløre lungekræft tidligere. De bruger mindre stråling og ikke kræver en kontrast farve, der skal sprøjtes ind i kroppen. Men diagnosen er meget vanskeligt, hvilket betyder, at et stort antal falske positiver og alt for mange unødvendige medicinske procedurer.
En maskine-learning teknik kendt som deep learning har vist sig særlig effektiv til at finde mønstre på billeder, der i de seneste år (se “10 Banebrydende Teknologier 2013: Deep Learning”). Der er nu en stigende håber, at denne og andre machine-learning metoder, der kan hjælpe med at forbedre standarder for diagnosticering i medicin ved automatisk genkendelse af mønstre, der indikerer sygdom—herunder dem, der er for subtile for det menneskelige øje at fange.
Bør algoritmer hjælpe med at diagnosticere sygdommen?
Del dine tanker.
Dyb læring er allerede blevet brugt til at opdage hudkræft i billeder med nogenlunde samme antal fejl, som er lavet af professionelle dermatologer. Og den teknik har vist sig at være effektiv til påvisning af en fælles årsag til blindhed i retinale billeder. Der er nu en stigende interesse blandt læger og iværksættere, i udbygningen af den teknik, der er mere bredt. Da dette sker, men mere indsats kan være nødvendig for at gøre disse algoritmer kan forklares (se “Den Mørke Hemmelighed i Hjertet af AI”).
Keyvan Farahani, et program, direktør i National Cancer Institute, som har leveret imaging data, der anvendes i konkurrencen, siger reducere antallet af falske lunge cancer diagnoser lavet af lav-dosis CT-scanninger vil gøre en reel forskel for patienterne. Der er omkring 222,500 nye tilfælde af lungekræft i USA hvert år, i henhold til American Cancer Society.
Farahani, siger eksisterende software til identifikation af tegn på lungekræft er upålidelige. “De foreløbige resultater tyder på [top algoritmer] er bedre, end hvad der er til rådighed allerede,” siger han. Farahani ikke forudse algoritmer sted af medicinske eksperter, selv om. “Dyb læring vil hjælpe med at fordøje store mængder af data,” siger han. “Jeg tror ikke, de kommer til at erstatte læger eller radiologer.”
Abonnere på Weekend Læser
Vores guide til historier i arkiverne for at sætte teknologien i perspektiv.
Tilmeld
Tak — tjek venligst din e-mail for at bekræfte dit abonnement.
Forkert e-mail-format
Administrer dine indstillinger for nyhedsbrev
En af de væsentligste udfordringer i denne konkurrence var, at der kun er 2.000 billeder, der blev stillet til rådighed for holdene. Machine learning ofte kræver meget store datasæt med henblik på at udvikle en effektiv algoritme. Men også andre data som oplysninger om det udstyr, der anvendes, blev inkluderet.
Det vindende hold ansat en neurale netværk og sætte en ekstra indsats ind anmærkning af billeder til at give mere data punkter. Det er også anvendes et supplerende datasæt, og brød udfordring i to dele: identifikation af knuder og derefter at diagnosticere kræft. Det er endnu ikke klart, hvordan den bedste algoritme, der kan måle op til en læge, fordi hver algoritme giver en sandsynlighed snarere end en endelig resultat.
“Vi tror, at eksplicit opdeling af problemet i to faser er afgørende, og der synes også at være, hvad den menneskelige eksperter ville gøre,” siger Zhe Li, et medlem af de vindende hold og studerende på Tsinghua University, der er én af Kinas højeste akademiske institutter.
Udover at antyde mulighederne for dyb læring i medicinsk billedbehandling, lungekræft konkurrencen fremhæver den voksende ry for Kinesiske AI forskere.
Konkurrencen, som blev afholdt på de data, videnskab site Kaggle, var arrangeret af Booz Allen Hamilton, et management konsulentfirma, der har arrangeret flere andre store data videnskab konkurrencer før. $1 million i præmiepenge kom fra en række forskellige sponsorer, herunder Laura og John Arnold Foundation, the American College of Radiology, Nvidia, og Amazon.
Kaggle blev grundlagt i 2010, og som er erhvervet tidligere i år af Google. Stedet har vist sig at være en effektiv måde crowdsourcing udvikling af machine-learning algoritmer, og er også en populær måde at identificere talent.
Josh Sullivan, der fører data science team på Booz Allen Hamilton, siger en motivation for konkurrencen er talent erhvervelse, der konstaterer, at 238 deltagere har også anvendt til et job i virksomheden. Han tilføjer, at selskabet gør den vindende algoritmer til rådighed for gratis at maksimere de potentielle fordele for det medicinske fællesskab.
Li, for det vindende hold, siger at udvikle noget, der kan redde menneskeliv, er glædeligt, men den virkelige grund til at tage del var en smule mindre altruistisk. “For at være ærlig, den vigtigste motivation er at vinde præmie penge,” siger han.