¿Qué precisión tiene el sistema de inteligencia artificial desarrollado en Guangzhou para diagnosticar la neumonía?
Este logro de la inteligencia artificial puede brindar a los médicos sugerencias de diagnóstico e interpretar la base del juicio basado en datos de imágenes. Experimentos comparativos muestran que la precisión del sistema en el diagnóstico de enfermedades oculares es del 96,6%. La precisión para distinguir la neumonía de las afecciones de salud es del 92,8%, comparable a la de médicos expertos con más de diez años de experiencia.
¿Qué tan grande es la habilidad?
Medicación precisa y juicio de segundo nivel
La neumonía es la principal causa de muerte por infección en niños de todo el mundo. A un médico capacitado le toma un promedio de 3 a 5 minutos detectar nódulos pulmonares a partir de una tomografía computarizada de tórax, mientras que confiar en la inteligencia artificial solo toma de 3 a 5 segundos.
Se trata de una plataforma de inteligencia artificial desarrollada por el profesor Zhang Kang del Centro Médico para Mujeres y Niños de Guangzhou y un equipo de investigación de la Universidad de California en San Diego.
No sólo debe ser rápido, sino más importante aún, debe ser preciso. El factor clave que determina el pronóstico de la neumonía es si el fármaco se puede administrar con precisión según el tipo de neumonía. Los métodos tradicionales basados en hemocultivos, cultivos de esputo y pruebas bioquímicas son difíciles de emitir juicios rápidos y precisos. La plataforma de inteligencia artificial puede determinar con precisión el tipo de causa de la neumonía infantil en unos pocos segundos basándose en la radiografía de tórax del niño.
Esto permite que el uso racional de los antibióticos esté guiado con precisión por la inteligencia artificial. Además, la plataforma puede lograr una amplia cobertura de atención médica comunitaria, médicos de familia y hospitales especializados sin estar restringida por niveles hospitalarios y regiones. Puede proporcionar planes de medicación precisos para la neumonía en las zonas más afectadas por el abuso de antibióticos, evitar el abuso de antibióticos y promover la prevención. recuperación de niños con neumonía grave.
Las plataformas de inteligencia artificial tienen una importancia clínica importante. La gente espera que la inteligencia artificial con mayor eficiencia y mayor precisión se convierta en una buena ayuda para los médicos. La inteligencia artificial marcará la diferencia en el cribado y la prevención antes del diagnóstico de enfermedades, el diagnóstico asistido por imágenes médicas durante el tratamiento, el análisis de los resultados de las pruebas, la asistencia quirúrgica, el seguimiento médico después del tratamiento, el seguimiento de enfermedades crónicas, la asistencia a la rehabilitación, la gestión de la salud, etc. Incluso traerá cambios en la asistencia a la investigación científica básica, la investigación y el desarrollo de medicamentos, el análisis de detección genética, la formación médica, etc.
“Ahora nuestra plataforma de inteligencia artificial puede permitir que más pacientes reciban detección, diagnóstico y tratamiento tempranos en cualquier parte del mundo sin restricciones de personas y regiones”. Se unió al Centro Médico para Mujeres y Niños de Guangzhou para realizar pruebas genéticas en 2016. Kang Zhang, profesor del Instituto Ocular Healey de UC San Diego en el centro.
¿Es confiable?
Alta precisión y proceso visual
¿Algunas personas dicen que la inteligencia artificial es confiable para el tratamiento médico? ¿No tienes prisa por dejarle tu vida al robot?
El equipo de investigación comenzó con la degeneración macular y el edema macular diabético, lo que permitió a este sistema de inteligencia artificial aprender continuamente imágenes de tomografía de coherencia óptica del ojo. Después de estudiar datos de imágenes de más de 200.000 casos, la precisión y sensibilidad de la plataforma en el diagnóstico de degeneración macular y edema macular alcanzaron el 96,6% y el 97,8% respectivamente. Al comparar los resultados de diagnóstico de 5 oftalmólogos, se confirmó que la plataforma puede alcanzar el nivel de oftalmólogos capacitados y decidir si el paciente debe recibir tratamiento en 30 segundos.
El periodista conoció que este sistema de inteligencia artificial tiene capacidades de aprendizaje profundo. Las aplicaciones conocidas como AlphaGo y el piloto automático se desarrollan en base a tecnología de aprendizaje profundo.
En este proceso de investigación y desarrollo, el equipo de investigación aplicó un nuevo algoritmo basado en el modelo de aprendizaje por transferencia, que no solo mejoró en gran medida la eficiencia del aprendizaje de la inteligencia artificial, sino que también ayudó a lograr el objetivo de "uno sistema para resolver múltiples enfermedades".
“Los modelos tradicionales de aprendizaje profundo generalmente requieren millones de datos etiquetados de alta calidad del mismo tipo para obtener resultados más estables y precisos, pero en realidad es casi imposible recopilar millones de datos etiquetados para cada enfermedad. "Las imágenes etiquetadas de alta calidad dificultan que la inteligencia artificial cubra una amplia gama de enfermedades en el campo de las imágenes médicas", afirmó Zhang Kang. Por lo tanto, el actual sistema de inteligencia artificial médica solo puede apuntar a una enfermedad.
En términos relativos, esta plataforma de inteligencia artificial basada en el modelo de aprendizaje por transferencia requiere muy pocos datos. Los investigadores solo necesitan unos pocos miles de copias para completar bien una transferencia entre enfermedades.
Por ejemplo, en este estudio, el equipo de investigación construyó un sistema de diagnóstico de imágenes de inteligencia artificial para la neumonía mediante el aprendizaje por transferencia basado en un sistema de inteligencia artificial entrenado con 200.000 datos de imágenes oculares, utilizando solo 5.000 imágenes de rayos X de tórax. Se logró un análisis discriminante y un juicio de segundo nivel sobre los tipos de causa de la neumonía infantil. Después de la prueba, cuando se utilizó para distinguir la neumonía del estado de salud, su precisión alcanzó el 92,8% y su sensibilidad alcanzó el 93,2%. La precisión para distinguir la neumonía bacteriana de la neumonía viral es del 90,7% y la sensibilidad es del 88,6%.
Además, en el pasado, las investigaciones y los productos que se basaban únicamente en tecnología de aprendizaje profundo solo daban resultados y no enumeraban las razones y procesos para juzgar. Incluso si la precisión de este diagnóstico de "caja negra" fuera alta, los médicos no se atreverían a utilizarlo a voluntad. Esta plataforma de inteligencia artificial ha superado esta limitación hasta cierto punto, permitiendo a las personas "saber qué está sucediendo y por qué está sucediendo".
El equipo de investigación adoptó la idea de los experimentos de oclusión. A través del aprendizaje, la práctica y la mejora repetidas, la plataforma puede mostrar de qué área de la imagen obtuvo los resultados del diagnóstico y, hasta cierto punto, justificar el juicio, haciéndose más creíble.
Hay geometría en primer plano.
Evaluación de sistemas, toma de decisiones asistida
La inteligencia artificial diagnostica enfermedades con tanta eficacia, ¿qué tan lejos están los médicos robots de nuestras vidas?
Zhang Kang dijo que actualmente, su sistema de inteligencia artificial ya se encuentra en ensayos clínicos a pequeña escala en clínicas oftalmológicas de Estados Unidos y América Latina. Además, en investigaciones posteriores, aumentarán aún más la cantidad de plantillas de aprendizaje de datos, aumentarán los tipos de enfermedades diagnosticables y optimizarán aún más el sistema.
Ya en 2015, el Centro Médico para Mujeres y Niños de Guangzhou lanzó el proyecto de investigación y desarrollo de hogares inteligentes "Mimi Bear" basado en big data médicos e integrando tecnología de inteligencia artificial de vanguardia.
“Hay cuatro osos en esta familia: el oso de la fiebre, el oso de los vídeos, el oso de la consulta y el oso de la nutrición”. Liang Huiying, director del centro de datos clínicos del hospital, dijo que “el oso de la fiebre” Bear” se centra en enfermedades comunes relacionadas con la fiebre en los niños. Basado en guías autorizadas, conocimiento experto, más de 2 millones de registros médicos masivos y otros textos de conocimiento, integra tecnología de integración de datos heterogéneos de múltiples fuentes, tecnología de procesamiento de lenguaje natural y algoritmos de aprendizaje automático. . Después de un año de formación, ha podido realizar con éxito diagnósticos auxiliares precisos de 24 enfermedades comunes relacionadas con la fiebre en niños. Al integrarse perfectamente en el sistema de registros médicos electrónicos, se ha convertido en un asistente personal para médicos ambulatorios.
Imaging Bear se basa en "grandes datos de detección de cultivos microbianos de rayos X de tórax" y utiliza algoritmos de aprendizaje profundo para identificar de forma inteligente el estado de infección microbiana de la neumonía (bacterias, virus, infecciones mixtas) y proporcionar decisiones para la aplicación precisa de antibióticos. De hecho, se ha utilizado en el diagnóstico auxiliar de los médicos. Los datos y la tecnología formados en su práctica se han convertido en una base y un componente importante de los resultados de la investigación científica de los sistemas de inteligencia artificial.
Los otros dos "osos" también están prosperando y se espera que lleguen al público en un futuro próximo.
Los resultados de la investigación sobre inteligencia artificial médica publicados en la revista "Cell" son considerados como un nuevo punto de partida por el Centro Médico para Mujeres y Niños de Guangzhou. Xia Huimin, director y decano del centro, dijo: "El objetivo final de la plataforma de inteligencia artificial es integrar datos multimedia, como datos de registros médicos basados en texto, datos de exámenes de laboratorio totalmente estructurados, datos de imágenes, señales fotoeléctricas, etc. y simular la respuesta de los médicos a La evaluación sistemática de la condición del paciente proporciona un apoyo integral para la toma de decisiones para el personal médico. No es solo una ayuda para la toma de decisiones unilateral para los médicos o técnicos médicos. "Por lo tanto, la plataforma aún se está fortaleciendo". Por ejemplo, Xia Huimin dijo que en el campo de la identificación inteligente de los tipos patógenos de neumonía infantil, el equipo está leyendo sistemáticamente películas de rayos X y aumentando la investigación sobre exámenes de laboratorio y síntomas clínicos para determinar con mayor precisión los tipos patógenos de neumonía infantil.
“Espero que en un futuro próximo, esta tecnología pueda aplicarse a la atención primaria, la atención comunitaria, los médicos de familia, los hospitales especializados, etc., para formar un sistema de clasificación automatizado a gran escala”. dicho.
Interconexión
¿Por qué este conjunto de inteligencia artificial es tan "inteligente"?
Este conjunto de inteligencia artificial utiliza un algoritmo de aprendizaje por transferencia, que transfiere los parámetros del modelo entrenado. Vaya al nuevo modelo y ayude a entrenar el nuevo modelo, es decir, utilice el conocimiento existente para aprender nuevos conocimientos y busque similitudes entre el conocimiento existente y el nuevo. En el modismo, es "sacar inferencias de un ejemplo".
Por ejemplo, si has aprendido a jugar Go, puedes compararlo con aprender ajedrez. Si puedes jugar baloncesto, puedes aprender voleibol por analogía; si ya sabes chino, puedes aprender inglés, japonés, etc. por analogía.
Cómo encontrar razonablemente la relación * * * entre diferentes modelos y luego utilizar este puente para ayudar a aprender nuevos conocimientos es el núcleo del "aprendizaje por transferencia". El aprendizaje por transferencia se considera una técnica eficaz, especialmente cuando se enfrenta a datos de entrenamiento relativamente limitados.
Tome el aprendizaje de imágenes médicas como ejemplo, el sistema identificará las características de las imágenes en el sistema anterior y los investigadores continuarán importando un sistema de red similar a los parámetros y la estructura de las imágenes de primer nivel. y finalmente construir la estructura jerárquica final.