Нейросеть Эндрю Ына научилась определять пневмонию лучше врачей

Специалисты из Стенфордского университета под руководством Эндрю Ына разработали алгоритм под названием CheXNet, который ставит диагнозы заболеваний легких на основе рентгеновских снимков.

CheXNet использовал для обучения открытую базу данных Национальных институтов здравоохранения США, состоящую из 112 000 снимков и соответствующих им диагнозов.

Выпускник отделения машинного обучения университета и соавтор приложенной статьи, Пранов Раджпуркар, сказал:

Интерпретация рентгеновских снимков для диагностики патологий вроде пневмонии — довольно трудоемкий процесс, и мы знаем, что в диагнозах часто бывают разночтения.Нас заинтересовала возможность создания алгоритма машинного обучения, который способен ставить точные диагнозы на основе сотен тысяч изученных снимков.

После недели обучения алгоритм был способен выявлять до 10 патологий, причем точнее, чем кто-либо раньше. Через месяц работы он научился с достоверностью ставить все 14 возможных диагнозов, а затем превзошел четырех специалистов-радиологов в точности диагностирования пневмонии.

Польза алгоритма

Как и было сказано ранее, диагностика заболеваний на основе рентгеновских снимков — очень сложный процесс. Даже лучшие врачи-радиологи способны ошибаться при постановке диагноза.

В связи с этим другой соавтор статьи, Мэттью Лунгрен, говорит:

Основной мотивацией для создания данного алгоритма является желание уменьшить влияние человеческого фактора при диагностике, а вместе с ним и величину возникающей ошибки.Мы надеемся, что данная модель сможет улучшить работу здравоохранительных органов по всему миру.

Планы на будущее

В статье также описан инструмент, который создает что-то вроде тепловой карты рентгеновских снимков, где цвета определяют наиболее вероятные места развития пневмонии. Эта технология должна уменьшить количество незамеченных случаев пневмонии, а также ускорить работу специалистов, показывая места первоочередной важности для наиболее больных пациентов.

Джереми Ирвин, который также работал над статьей, заявил:

Мы продолжим улучшать наши медицинские наработки, которые могут самостоятельно определить аномалии. Наша цель — создать анонимную общедоступную базу данных, чтобы помочь другим работать над похожими проблемами.У машинного обучения есть огромный потенциал в области медицины, мы собираемся продолжить вносить инновации в этой области.

Это не первый подобный проект университета. Летом учёные представили алгоритм, с крайне высокой точностью определяющий аритмию по кардиограмме.