דלקת ריאות מכניסה מיליון מבוגרים אמריקאים לבית החולים מדי שנה והורג 50, 000. אם רופא חושד שחולה סובל מדלקת ריאות, הוא או היא בדרך כלל יזמינו צילום רנטגן בחזה. רנטגן צריך כמובן להתפרש על ידי רופא. אולם כעת, חוקרי סטנפורד פיתחו אלגוריתם שלדבריהם יכול לאבחן דלקת ריאות בצילומי רנטגן טוב יותר מאשר רדיולוגים מנוסים.
"היתרון שיש לאלגוריתם הוא בכך שהוא יכול ללמוד ממאות אלפי קרני רנטגן בחזה ומהאבחנות התואמות שלהן ממומחים אחרים, " אומר פראנאב רג'קורקר, סטודנט לתארים מתקדמים בקבוצת למידת מכונות סטנפורד, שהנהיגה יחד את המחקר. "מתי רדיולוגים אי פעם מקבלים סיכוי ללמוד ממאות אלפי אבחנות הרדיולוגים האחרים ולמצוא דפוסים בתמונות המובילים לאבחנות האלה?"
האלגוריתם, הנקרא CheXNet, יכול גם לאבחן 13 מצבים רפואיים נוספים, כולל אמפיזמה ודלקת ריאות (אוויר שנלכד בין דופן הריאה לקיר החזה). הצוות בנה את האלגוריתם באמצעות מערך נתונים ציבורי של מכון הבריאות הלאומי (NIH), שהכיל יותר מ 100, 000 תמונות רנטגן בחזה עם תווית של 14 תנאים אפשריים. מערך הנתונים שוחרר יחד עם אלגוריתם אבחנה ראשוני, אותו NIH עודד חוקרים אחרים להתקדם.
רג'פורקר וחבריו בקבוצת למידת מכונות החליטו לקחת על עצמם את האתגר. לחוקרים ארבעה רדיולוגים של סטנפורד מסמנים אינדיקציות אפשריות לדלקת ריאות על 420 מהתמונות. בעזרת נתונים אלה יצרו תוך שבוע אלגוריתם שיכול לאבחן במדויק 10 מצבים. בתוך חודש האלגוריתם יכול היה לעלות על אלגוריתמים קודמים באבחון כל 14 המצבים. בשלב זה, אבחנות CheXNet הסכימו עם דעת הרוב של הרדיולוגים לעתים קרובות יותר מאשר חוות דעת אינדיבידואלית של אף רדיולוג.
המחקר התפרסם החודש באתר ההדפס המדעי arXiv .
אלגוריתמים אחרים לאבחון הפכו את החדשות לאחרונה. צוותים קנדיים ואיטלקיים פיתחו שניהם אלגוריתמים לאבחון מחלת אלצהיימר מסריקות מוח. התפלגות הלוחיות במוח המאפיינות את המחלה עדינות מדי לעין בלתי מזוינת, אך החוקרים טוענים כי טכנולוגיית ה- AI יכולה לאתר דפוסים לא תקינים. רג'פורקר וחבריו החוקרים מקבוצת למידת המכונות של סטנפורד פיתחו גם הם אלגוריתם לאבחון הפרעות בקצב הלב, תוך ניתוח שעות של נתונים ממוניטורים לבישים לבישים. אלגוריתמים אחרים של דלקת ריאות פותחו מנתוני NIH, אך האלקטרוני של סטנפורד הוא עד כה המדויק ביותר.
CheXNet יכול להועיל במיוחד במקומות בהם אין לאנשים גישה קלה לרדיולוגים מנוסים, אומר הצוות. זה יכול להיות שימושי גם כמעין משולש, לזהות אילו מקרים ככל הנראה זקוקים לטיפול חירום ואילו לא. הצוות גם פיתח כלי שמייצר מפה של אינדיקטורים לדלקת ריאות פוטנציאלית על קרני רנטגן, ונותן מדריך ויזואלי שימושי לרופאים.
בעוד הצוות אופטימי ביחס ליכולות האבחון של CheXNet, הם זהירים לגבי גבולותיו.
"AI הוא כלי רב עוצמה, אך דרוש ניסיון של שנים ושעות קשות רבות לאינטואיטיב כיצד להפעיל אותו, וקשה לא פחות לקבוע היכן נוכל להשתמש בו להשפעה חיובית ביותר", אומר רג'פורקר.
אמנם ישנם מספר אלגוריתמי למידה עמוקים בפיתוח, אך איש מהם טרם עבר את תהליך הבדיקה והאישור הקפדני הנדרש לשימוש בחולים אמיתיים.
פול צ'אנג, פרופסור לרדיולוגיה וסגן יו"ר המחלקה לרדיולוגיה באוניברסיטת שיקגו, נשמע הערה ספקנית לגבי CheXNet ותוכניות למידה עמוקה דומות. רופאים כבר משתמשים באלגוריתמים כדי לסייע באבחון של מספר מצבים כלשהו, אומר צ'אנג. אלגוריתמים אלה מסתמכים על מודל מעוצב מראש של איך נראה המצב: סרטן גדול יותר וקוצני יותר מאשר המונים שפירים, למשל. לעומת זאת, תוכניות למידה עמוקה נועדו להבין אילו תכונות הן משמעותיות בפני עצמן, על ידי פריצת כמויות אדירות של נתונים. אבל זה אומר גם שהם יכולים לנקוט ברמזים הלא נכונים. צ'אנג נותן דוגמא לאלגוריתם למידה עמוק שלמד את ההבדל בין סוגים שונים של צילומי רנטגן: ידיים, רגליים, ממוגרפיה. אולם החוקרים גילו שהתוכנית פשוט למדה להכיר ממוגרפיה על ידי העובדה שהתמונה הראשית הייתה בצד הסרט ולא במרכז (מכיוון ששדיים מחוברים לדופן החזה הם מופיעים בשולי הסרט בתוך לעומת זאת, ידיים או רגליים יופיעו במרכז הרנטגן). האלגוריתם לא למד דבר משמעותי לגבי השדיים, אלא רק על מיקומם על המסך.
"זו תקופות מאוד מוקדמות", אומר צ'אנג, שמציין כי תוצאות CheXNet לא נבדקו על ידי עמיתים. "למידה עמוקה יש פוטנציאל גדול, אך אנו ברפואה וברדיולוגיה נוטים להיות מוקדם במחזור ההייפ, אך לוקח לנו יותר זמן לאמץ. נלמד כיצד לצרוך אותו כראוי. "
