Синтезирует данные пациентов как врачи новая модель искусственного интеллекта

Даже самые современные технологии искусственного интеллекта никогда не заменит врача. Тем не менее, исследователи из Тихоокеанской северо-западной национальной лаборатории Министерства энергетики сделали большой шаг к тому дню, когда ИИ может помочь врачам прогнозировать медицинские события.

Новый подход, разработанный учеными PNNL, повышает точность диагностики пациентов до 20 процентов по сравнению с другими методами, использующимися ранее.

О новом подходе

Подход PNNL заключается в создании ИИ, который будет обучаться и отрабатывать свои навыки на практике так, как это делают врачи. Цель: использовать надежные возможности искусственного интеллекта лаборатории в машинном обучении и углубленном обучении для улучшения ухода за пациентами и спасения их жизней. Ученые PNNL недавно обсудили свой новый подход в документе, представленном на семинаре «Наука о данных для здравоохранения» на конференции SIGKDD по обнаружению и интеллектуальному анализу данных.

В основе разработки лежит набор данных PNNL, созданный в сотрудничестве со Стэнфордским университетом с использованием более чем 300 000 медицинских концепций, определенных клиническими терминами SNOMED, набором стандартных медицинских терминов, кодов, синонимов и определений, используемых медицинскими исследователями и практиками. PNNL разработала метод обучения на основе графов, основанный на этих терминах, который превзошел современные модели.

Код доступен для скачивания всем желающим. «Если вы считаете, что перевод рукописного текста врачей это трудно, попробуйте перевести их медицинские знания в компьютерную речь», - отмечает Роберт Ралло, ученый-компьютерщик из PNNL, который возглавляет команду PNNL, применяющую искусственный интеллект в здравоохранении. «Сложная часть - объединение нескольких типов данных.

Данные, удобные для компьютера, такие как числа анализов крови или диагностические коды, проще, чем неструктурированные данные, такие как примечания к диаграммам или изображения рентгеновских снимков или МРТ». Ралло и остальная часть команды PNNL создают способы объединения многих различных типов медицинских данных с инструментом искусственного интеллекта, известным как граф знаний, как часть финансируемого PNNL проекта DeepCare.

Граф знаний – основа нового метода обучения

«График знаний - это то, о чем думают доктора перед тем как объявить диагноз», - сказал Ралло. «Врачи видят отношения, основанные на многолетнем обучении и опыте. Это их ментальная модель, которая создает связь между симптомами и болезнями. Мы переводим символическое представление медицинских знаний, таких как то, что мы можем использовать в алгоритмах машинного обучения вместе с данными пациентов».

Ученый из PNNL Хушбу Агарвал подчеркивает, что ИИ не заменит врачей. Вместо этого ИИ будет инструментом поддержки принятия решений. Модели будут иметь доступ к большему количеству данных и соединений, чем могло бы поместиться в мозг человека. Гораздо больше, чем база данных, модели могут даже обнаруживать связи, которые врач, наблюдающий за набором случайных симптомов, может не учитывать изначально.

Но не следует ожидать, что врачи примут результаты модели за чистую монету. Сутанай Чоудхури (Sutanay Choudhury), специалист по информатике в PNNL, сосредоточен на интерпретации этих моделей. Он работает над созданием инструмента, который может объяснить его рассуждения, прогнозы и рекомендации, используя понятные примеры, которые врачи будут интерпретировать. Такие объяснения повышают доверие к модели, которая, как предполагает команда PNNL, когда-нибудь будет развернута в медицинских клиниках.

В рамках следующего этапа исследований группа PNNL работает с новым набором данных в рамках сотрудничества между администрацией ветеранов и министерством энергетики. VA-DOE Big Data Science Initiative создала безопасную вычислительную среду для анализа медицинских данных и включает новые подходы к изучению самоубийств, сердечно-сосудистых заболеваний и рака предстательной железы.