In einer neuen Studie, die diese Woche veröffentlicht wurde, konnte Googles KI zur Erkennung von Lungenkrebs Lungenkrebs sowie einen ausgebildeten Radiologen erkennen, wenn nicht sogar besser.
Googles neuronales Netzwerk kann jetzt Krebs erkennen
Google verbunden mit medizinischen Forschern, die ihre tief lernende KI trainieren, um Lungenkrebs in CT-Scans zu erkennen, die genauso gut oder besser als ausgebildete Radiologen sind und eine Genauigkeit von etwas mehr als 94% erreichen.
„Wir haben einige der größten Computer der Welt“ sagte Dr. Daniel Tse, Projektmanager bei Google und Mitautor von zwei Studien veröffentlicht Montag im Tagebuch Naturmedizin . „Wir wollten die Grenzen der Grundlagenforschung erweitern, um interessante und coole Anwendungen zu finden, an denen wir arbeiten können.“
Lungenkrebs tötet jedes Jahr fast 2 Millionen Menschen auf der ganzen Welt, wobei 160.000 dieser Todesfälle im letzten Jahr in den USA auftraten. Wie bei allen Krebsarten beruht die beste Chance für eine erfolgreiche Behandlung auf der Früherkennung durch Screening von Menschen mit hohem Risiko für dieKrankheiten wie Raucher. Diese Untersuchungen sind nicht perfekt, und der subtile Unterschied zwischen einem bösartigen Tumor und einer gutartigen Anomalie kann schwierig von einem CT-Scan zu unterscheiden sein.
Google hat gehofft, dass sein tiefes Lernen Algorithmen kann einer KI beibringen, wie Krebs aussieht, sodass sie Ärzten und Krankenhäusern helfen kann, Patienten früh genug zu diagnostizieren, um ihre Behandlungsergebnisse zu verbessern. Die Mustererkennung ist etwas, das neuronale Netze sind außergewöhnlich gut darin und mit genügend Daten, um eine KI ausreichend zu trainieren, hoffte Google, dass es erkennen könnte, wie Krebs aussieht, während es sich in den frühesten Stadien befindet, in denen eine Intervention am erfolgreichsten sein könnte.
In den beiden Studien wurde die KI auf CT-Scans von Menschen mit Lungenkrebs, Menschen ohne Lungenkrebs und Menschen, deren CT-Scans Knötchen zeigten, die sich später zu Krebs entwickeln würden, trainiert. In einer Studie untersuchten die KI undDie erfahrenen Radiologen erhielten zwei verschiedene Scans von einem Patienten und einen früheren und einen späteren Scan, während in der zweiten Studie nur ein Scan verfügbar war.
Als ein früherer Scan verfügbar war, zeigten die KI und die Radiologen bei der Erkennung von Krebserkrankungen gleich gute Ergebnisse. In der zweiten Studie übertraf die KI die menschlichen Ärzte mit weniger falsch positiven und weniger falsch negativen Ergebnissen. Insgesamt betrug die Genauigkeit der KI 94,4% bei der Erkennung von Lungenkrebs anhand der CT-Scans, eine erstaunlich hohe Erkennungsrate.
„Der gesamte Experimentierprozess ist wie bei einem Schüler in der Schule“, sagte Tse. „Wir verwenden einen großen Datensatz für das Training, geben ihm Unterricht und Pop-Quiz, damit er selbst lernen kann, was Krebs ist und waswird oder wird nicht Krebs in der Zukunft sein. Wir haben ihm eine Abschlussprüfung zu Daten gegeben, die nach viel Zeit des Trainings nie gesehen wurden, und das Ergebnis, das wir bei der Abschlussprüfung gesehen haben - es hat ein A erhalten. ”
Diese Abschlussprüfung belief sich auf 6.716 Fälle, in denen die Diagnose bekannt war, was das Ergebnis der Studie umso bedeutender macht. Es wird jedoch lange dauern, bis ein solches System in einem klinischen Umfeld eingeführt werden kann. Zum einenEs mag weniger falsch positive und falsch negative Ergebnisse gehabt haben, aber es war nicht völlig fehlerfrei und Fehler in Computersystemen können weitreichende Konsequenzen haben, insbesondere in ein medizinischer Kontext . Medizinische Geräte, bei denen Fehlfunktionen auftreten können und hat getötet Patienten in der Vergangenheit und während Ärzte Fehler machen können - und vielleicht sogar mehr als - jede KI, ist es nicht ohne Risiko, sich darauf zu verlassen, dass eine KI der endgültige Schiedsrichter einer medizinischen Diagnose ist.
„Wir arbeiten mit Institutionen auf der ganzen Welt zusammen, um ein Gefühl dafür zu bekommen, wie die Technologie auf produktive Weise in die klinische Praxis implementiert werden kann“, sagte Tse. „Wir wollen uns nicht übertreffen.“