AI-lege bruker fantasifulle prosesser for å trene seg selv
Innovativ diagnostisk plattform hjelper leger med å plukke opp ikke-smittsomme sykdommer i rask hastighet. Ved å trene i seg selv, reduserer det tiden som er nødvendig fra menneskelige leger og forbedrer nøyaktigheten over tid.
Kunstig intelligens (AI) vokser innen helsevesenet og har løftet om å transformere medisinsk praksis rundt om i verden. Så langt har AI-basert diagnostisk programvare vist seg i stand til å oppdage sykdommer og helserisiko tidlig. Dette er spesielt nyttig med ikke-smittsomme sykdommer (NCD-er) som hjerte-, øyesykdommer og luftveissykdommer. NCD-er står for rundt 60% av all død og funksjonshemning over hele verden.
Likevel kjører programvaren opp mot betydelige begrensninger, for eksempel behovet for å trene AI på enorme mengder merkede data. Dette kan resultere i uhåndterlige og ofte ufullstendige datasett, og AI kan være for spesifikk for treningsdataene og forhindre generelle diagnoser.
Det EU-finansierte MrDoc-prosjektet har skapt en ny måte: en semi-overvåket lærings AI diagnostisk plattform, som påtar seg litt opplæring ved hjelp av små merkede datasett og deretter lærer seg å forbedre. Løsningen lærer av menneskelige leger og utnytter kunnskapen til å trene seg videre på en måte som etterligner menneskets fantasi.
Det kan også forutsi potensielle variasjoner eller støy som det kan komme over i fremtiden, noe som bidrar til å gjøre diagnosene robuste i virkelige omgivelser.
”Det endelige målet er å oppdage og diagnostisere NCD-er som arytmier og hypertensjon. Dette kan gjøres gjennom biometriske parametere som blodtrykk, hjertefrekvensvariabilitet, hemoglobin og blodsukker fra «skitne» signaler som genereres av forbrukerelektronikk, som smarttelefoner og lukkede krets kameraer, ”forklarer Fabio Rebecchi, administrerende direktør, grunnlegger og sjef for vitenskapelig ansvarlig ved Mr. Doc.
Hvordan det fungerer
Doc finner de mest informative og nyttige prøvene i kliniske datasett. Den presenterer deretter disse for medisinsk fagpersonell, som merker dataene. Tilbakemeldingene hjelper til med å forbedre AI, i en interaktiv prosess som reduserer tiden som trengs fra leger og sparer opptil 90% på kostnadene.
AI kjører på en type maskinlæring kjent som Generative Adversarial Networks (GAN), som brukes i mange kreative prosesser. GANs pit to nettverk mot hverandre: den ene presenterer funnene sine og den andre dømmer dem. Denne prosessen forbedrer nøyaktigheten over tid.
”Vi bruker GAN-er i tre lag av rørledningen vår. For det første å transformere open source datasett av signaler og bilder av medisinsk karakter; for det andre å rense signaler fra bevegelsesgjenstander og andre støykilder som vanligvis finnes i forbrukerelektronikk; og for det tredje for å redusere dimensjonene i dataene. Dette gjør det lettere for Mr. Doc å håndtere de påfølgende trinnene, og minimerer tapet av informasjon, legger Rebecchi til.
Signaler om suksess
«Så langt har vi generert betydelige resultater ved å trekke ut informasjon om hjerte- og luftveissykdommer fra ‘video selfies’ av pasienter, og ved å oppdage nye biomarkører og diagnostiske tegn fra rettsskanninger fra OCT,» sier Rebecchi.
Teamet kjører også kliniske tester som bruker plattformen for å analysere lyder laget av brukere som blåser inn i mikrofonen på en smarttelefon, for å estimere sannsynligheten for tilstedeværelse av astma og kronisk obstruktiv lungesykdom.
“Horisont 2020 var et viktig skritt for oss, og ga oss tillit, et økonomisk frø og muligheten til å reflektere over prosjektets langsiktige plan og visjon. De neste trinnene våre er relatert til bredere kliniske valideringer, sertifisering av medisinsk utstyr og eventuell kommersialisering av plattformen, ”forklarer Rebecchi.
Oversetting og tilrettelegging av Frogner Data. © Europa Unionen, 2020 – Kilde: CORDIS, cordis.europa.eu.
