
© Northwestern University, Reuters
Изкуственият интелект вече се справя по-добре от лекарите с диагностиката на рака на гърдата – това показва проучване, публикувано в журнала Nature и цитирано от Би Би Си.
В него алгоритъм, създаден от учени от Google Health и Imperial College London, е обучен да разчита рентгенови снимки на жени от Великобритания и САЩ. Той се е справил по-добре от всеки от един от общо шестима радиолози и е бил на същото ниво като екип от двама лекари. И за разлика от хората не се уморява.
В сегашния си вид Националната здравна служба на Великобритания използва двама радиолози, които да диагностицират рака на гърдата по мамографски снимки – ако те не постигат съгласие, се включва и трети.
За разлика от тях изкуственият интелект не е имал достъп до медицинската история на пациентите, а само до изображенията. Той дава с 1.2% по-малко фалшиви позитивни резултати и с 2.7% по-малко фалшиви негативни резултати (в които ракът бива пропускан от лекарите) в сравнение с мнението само на един лекар във Великобритания. Рентгеновите снимки на британките са били 25856, а на американките - 3097.
При вторите фалшивите позитивни резултати са намалели с 5.7% а фалшивите негативи - с 9.4%. В САЩ само един лекар разчита мамограмите.
На радиолозите са нужни повече от 10 години обучение, за да могат да разчитат мамограми. Това е жизненоважна, но времеемка работа. Засега изкуственият интелект няма да се справи сам с тази задача – необходими са хора да го обучат и човек, който да вземе крайното решение, но може да спести необходимостта от второто мнение, което е задължително сега във Великобритания. Това означава, че даването на диагнози може да се ускори.
john_3volta
Рейтинг: 865 НеутралноХа-ха-ха, кой "интелект" написа/преписа тази статия? Фалшивите позитиви и фалшивите негативи са в обратна връзка. Намалиш ли едните, увеличаваш другите. Това и БОГ, не може да го промени, камо ли ИИ.
rsk14877483
Рейтинг: 1290 НеутралноАми това е чудесно! Дано има все повече такива прецизни апарати. Но това не трябва да отменя необходимата подготовка на лекарите, за каквото и да става дума.
I ain't never crossed a man that didn't deserve it.rsk14877483
Рейтинг: 1290 НеутралноАми това е чудесно! Дано има все повече такива прецизни апарати. Но това не трябва да отменя необходимата подготовка на лекарите, за каквото и да става дума.
I ain't never crossed a man that didn't deserve it.tie_interceptor
Рейтинг: 458 НеутралноДо коментар [#1] от "john_3volta":
Помислете пак!
Позитинвите и негативните фалшиви разчитания могат да се увеличават и намаляват едновременно за сметка на правилните разчитания.
realismisthename
Рейтинг: 610 НеутралноФалшивите позитиве и фалшивите негативи НЕ са в обратна връзка.
Пример:
Ако имаш Истински Позитив - 5; Фалшив Позитив - 2; Истински негатив - 3; и Фалшив Негатив - 3;
Общо класифицирани снимки - 5 + 2 +3 + 3 = 13
Подобряваш алгоритъма и дадена снимка на рак не я определя като негатив (фалшив негатив е това), а я определя за рак т.е. Истински позитив получаваш следното:
Истински Позитив - 6; Фалшив Позитив -2; Истински Негатив -3; Фалшив Негатив - 2;
Общо класифицирани снимки - 6 + 2 + 3 + 2 = 13
Късмет и по-малко БОГ, повече наука.
john_3volta
Рейтинг: 865 ВеселоЗа форумните умници цитирам:
These two types of error rates are traded off against each other: for any given sample set, the effort to reduce one type of error generally results in increasing the other type of error.
Цитатът е от статията по-долу, дано да ви стигне акъла за нея:
https://en.wikipedia.org/wiki/Type_I_and_type_II_errors
Ако не стига акъла, сложете минуси и тук.
Dimitar Petrov
Рейтинг: 8 НеутралноЗдравите пациенти диагностицирани грешно и пациентите с рак диагностицирани грешно са единствено в зависимост чрез 'Receiver operating characteristic' (ROC) кривата, която е специфична за дадения рентгенолог (или изкуствен интелект в случая).
Здравите пациенти диагностицирани грешно и здравите пациенти диагностицирани правилно натурално се събират към 100% 'вид' пациенти, тъй като спадат от една и съща извадка - тези на здравите пациенти. Същото важи и за пациентите с рак.
Много неточности има по самата статия писана от Дневник.
гошо
Рейтинг: 1138 НеутралноСамо така за сведение ,окончателна диагноза никога не се поставя на база само едно изследване ,па било то и от където и да е интелект
гошоРоси
Рейтинг: 7938 Неутрално"В САЩ само един лекар разчита мамограмите."
Ние защо ходим тогава да ни облъчват, ако не могат правилно да разчитат снимките.
m17
Рейтинг: 2427 НеутралноДо коментар [#9] от "Роси":
Ами не ходете да ви облъчват, ходете на знахарка, пийте билки или просто гледайте в една точка. Медицината не е задължителна и никой не ви е длъжен за нищо.
xri09609626
Рейтинг: 8 НеутралноДо коментар [#6] от "john_3volta":
Това което казваш е вярно, ако сме в рамките на един и същи подход за класификация. Ако сравнявамен два различни подхода - не.
proza
Рейтинг: 820 НеутралноПравиха ми преди 3 години мамограма и така ми сплескаха гърдата, че ме боля цял месец. След това ме викаха пак, защото не могли да я разчетат, но аз не отидох. Повече няма да им дам да ме притискат с тези плочи, това не е хуманно. А аз съм си здрава и нищо ми няма, за тяхно съжаление.
john_3volta
Рейтинг: 865 НеутралноПрав си, ама подходите тук са общо взето едни и същи, защото: а) лекарят обучава ИИ, и б) лекарят взема крайното решение.
Различен подход би бил вземане на решение без ИИ и рентгенография. В миналото, когато това се е правело, минусът е бил че ракът се е откривал само визуално (едва при операция/аутопсия), но е имало и големи плюсове (изобщо са липсвали фалшивите позитиви).
В интерес на истината, имаше екзалтация и когато АйБиЕм решиха че техния Уотсън ще проработи в раковата област. Получи се пълен провал (според Уикипедия: a cautionary tale of hubris and hype).
Dimitar Petrov
Рейтинг: 8 Неутрално[quote#13:"john_3volta"][/quote]
https://www.nature.com/articles/s41586-019-1799-6.epdf
Ето я оригиналната статия, браво на авторите че е публикувана в Nature, голямо постижение! Явно не достатъчно достойно, че Дневник да пусне линк към нея...
Относно как се тренират 3-те Deep learning мрежи които взимат решение в конкретния случай, е не ги обучава радиолог в никакъв случай. Тренират се спрямо реалната хипотеза на изображенията (верифицирани чрез recall или биопсия също и follow-up от предишни/следващи години).