Союз ИИ и радиолога избавит от ненужных обследований на РМЖ
Сейчас часто звучат мнения, что машинный интеллект в нынешнем виде не столько помогает, сколько мешает врачу, удлиняя и усложняя процесс диагностики. Однако исследование, проведенное недавно учеными Швеции и США, продемонстрировало преимущества совместной работы радиологов и алгоритмов машинного обучения при скрининге рака молочной железы.
Исследование было организовано в рамках конкурса Dream Challenge в популярном формате – в виде соревнования между алгоритмами ИИ и специалистами-радиологами. Человеческий разум и машинный интеллект соревновались в точности и эффективности расшифровки результатов цифровой маммографии. К чести человечества. По-прежнему ни один из участвовавших в конкурсе алгоритмов не смог превзойти человека. Однако есть и новый результат: исследователи обнаружили, что совместная работа людей и машин повышает точность скрининга и, по мнению ученых, в будущем сможет избавить врачей и пациентов США от 500 тысяч необязательных обследований ежегодно.
«Мы использовали алгоритм, который, анализируя набор скрининговых снимков пациентов, использует результаты работы восьми лучших алгоритмов глубокого обучения и заключения радиологов о необходимости повторного вызова на обследование. Обработав эту информацию, алгоритм выдал вероятностный прогноз наличия рака у обследуемых женщин, – сказал Густаво Столовицкий, директор IBM Translational Systems Biology . – Этот алгоритм был обучен с помощью обучающего массива данных и испытан на двух массивах оценочных данных».
Цифровая маммография широко применяется для скрининга рака молочной железы, но результаты обследований анализируются и интерпретируются рентгенологом, который выявляет признаки рака на основании своего визуального восприятия. По некоторым оценкам, человеческий фактор приводит к ложно-положительным результатам приблизительно в 10 процентах случаев от общего числа обследований 40 миллионов женщин, проходящих регулярный ежегодный скрининг рака молочной железы в США. Это ведет к ненужным дополнительным обследованиям, зачастую болезненным (биопсии).
Исследование включало анализ сотен тысяч обезличенных маммографических снимков и клинических данных исследовательского института Kaiser Permanente Washington Health и Каролинского института в Швеции. Оно было проведено институтом Kaiser Permanente Washington совместно с IBM Research, Sage Bionetworks и медицинской школой Университета штата Вашингтон.
Участникам было предложено представить свои алгоритмы организаторам исследования, разработавшим систему, которая автоматически тестировала эти модели в работе с данными. Столовицкий говорит, что самый главный вывод подтверждает, что совместная работа ИИ и радиологов в перспективе может уменьшить количество излишних диагностических обследований, сократив число ложно-положительных заключений, как минимум, на полмиллиона случаев в год.
Исследование финансировалось Национальным институтом рака и Американским онкологическим обществом. Результаты были опубликованы в JAMA Network Open.
Оригинал новости можно прочитать здесь
