Google-მა ფილტვის კიბოს ადრეული დიაგნოსტიკისთვის ღრმა სწავლაზე დაფუძნებული ხელოვნური ინტელექტი შექმნა
დაბალდოზიანი კომპიუტერული ტომოგრაფია ფილტვის კიბოს სკრინინგისთვის ცნობილია, რომ მნიშვნელოვნად ამცირებს სიკვდილიანობას (სიკვდილის მაჩვენებელს) ინტენსიური მოწევის გამო მაღალი რისკის მქონე ადამიანებში. თუმცა ფილტვის დაბალდოზიან კომპიუტერულ ტომოგრაფიას გარკვეული ნაკლოვანებებიც აქვს: ყოველწლიური რადიაციული ზემოქმედება, თუნდაც დაბალი დოზით, ზედმეტი დიაგნოსტიკა და ცრუ დადებითი შედეგები (არასიმსივნური წარმონაქმნების კიბოდ მიჩნევა და ბიოფსიების ჩატარება), აგრეთვე ოპერაციები.
ხელოვნური ინტელექტის ქვეჯგუფი ღრმა სწავლა (deep learning), Nature-ში გამოქვეყნებული კვლევის თანახმად, ამ რისკების შემცირებას შეიძლება დაეხმაროს.
ღრმა სწავლის სისტემებში ადამიანის მიერ შექმნილი ალგორითმები დიდი მოცულობის მონაცემების შეგროვებაზე, დალაგებასა და გაანალიზებაზეა პასუხისმგებელი. დიდი მოცულობის მონაცემები (big data) ხელოვნურ ნერვულ ქსელს (ადამიანის ტვინის მოდელზე შექმნილ ალგორითმების ერთობლიობას) კვებავს და შემდეგ მათი ინტერპრეტაცია ხდება. პროგრამისტები მანქანას არ ეუბნებიან, რა უნდა გააკეთოს მონაცემებით; სანაცვლოდ, მანქანა მონაცემებს აანალიზებს და ნასწავლის საფუძველზე გადაწყვეტილებებს იღებს. უმეტეს შემთხვევაში, რაც მეტ მონაცემს იღებს, მით უფრო ზუსტია მისი გადაწყვეტილებები.
Google-ის მკვლევრებმა შექმნეს ხელოვნური ნერვული ქსელი, რომელიც დამუშავების რამდენიმე შრეს შეიცავს. ამ მრავალშრიან ხელოვნურ ნერვულ ქსელს ადამიანების ფილტვის კომპიუტერული ტომოგრაფიის (BT) სკრინინგის მონაცემები მიაწოდეს: ზოგ მათგანს ფილტვის კიბო ჰქონდა, ზოგს არა, ზოგს კი კიბოდ გარდაქმნილი კვანძები ჰქონდა.
ტექნოლოგიამ ფილტვის კიბოს გამოვლენის განსაკუთრებული უნარი აჩვენა. 6 რადიოლოგთან შედარებისას სისტემამ ცრუ დადებით შედეგებში (როდესაც კიბო არ არის, მაგრამ კიბოდ ფასდება) % 11, ცრუ უარყოფით შედეგებში (როდესაც კიბო არსებობს, მაგრამ კეთილთვისებიანად ფასდება) % 5 შემცირებით ძალიან კარგი შედეგი აჩვენა. როდესაც წინა BT სკანების ნახვის უფლება მიეცა, ალგორითმმა სპეციალისტი რადიოლოგების ტოლი შედეგი მიიღო. მთლიანობაში ხელოვნური ინტელექტის ეს მოდელი % 94.4 სიზუსტით მუშაობდა.
მიუხედავად იმისა, რომ Google-ის ღრმა სწავლის სისტემა ფართო გამოყენებისთვის მზად არ არის, შედეგები მედიცინაში ხელოვნური ინტელექტის შესაძლო როლის შესახებ წარმოდგენას გვიქმნის. საბოლოოდ, ეს გამოყენება შესაძლებლობას ქმნის, კომპიუტერული დახმარებითა და ავტომატიზაციით ოპტიმიზდეს ფილტვის კიბოს ადრეული დიაგნოსტიკისთვის BT სკრინინგი. მანქანების მიერ სამედიცინო ტესტებში ყოველდღიურად უკეთესი შედეგების მიღება და კლინიკური გადაწყვეტილებების მხარდაჭერა ძალიან დადებითი განვითარებაა, თუმცა ცალკე პრობლემად რჩება მწეველთა უმრავლესობის სუსტი ინფორმირებულობა ფილტვის კიბოს სკრინინგისა და დაცვის შესახებ. Google-ის ღრმა სწავლის მოდელის მსგავსი კლინიკური გადაწყვეტილების მხარდაჭერის სისტემებით სკრინინგის ავტომატიზაციას ფილტვის კიბოს სკრინინგის სიზუსტის, თანმიმდევრულობისა და მიღების გაზრდის პოტენციალი აქვს.
წყაროები
Google Develops Deep Learning AI System to Detect Lung Cancer.
cancertherapyadvisor.com - 7 June 2019.
2. Ostrowski M, Marjanski T, Rzyman W. Low-dose computed tomography screening reduces lung cancer mortality. Adv Med Sci. 2018.
3. Pinsky PF. Assessing the benefits and harms of low-dose computed tomography screening for lung cancer. Lung Cancer Manag. 2014.
4. Ardila D, Kiraly AP, Bharadwaj S, et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography (published online May 20, 2019]. Nat Med. 2019.
5. Marr B. What is deep learning AI? A simple guide with 8 practical examples. Forbes. October 1, 2018. Accessed June 5, 2019.
ეს სტატია სასარგებლო იყო თქვენთვის?
თქვენი გამოხმაურება გვეხმარება შინაარსის გაუმჯობესებაში.
მკითხველთა კომენტარები
გაგვიზიარეთ თქვენი კომენტარი
თქვენი სახელი და კომენტარი მხოლოდ ადმინისტრატორის დამტკიცების შემდეგ გამოქვეყნდება. ელფოსტის მისამართი ვიზიტორებს არასოდეს ეჩვენებათ.
პირველმა დაწერეთ კომენტარი.