Mély tanulás és digitális diagnózis
Az elektronikus orvosi feljegyzések és a gépi tanulás használata forradalmasítja az egészséggel és betegségekkel kapcsolatos kutatásokat. A digitális diagnózis egyes esetekben már ma is pontosabb, mint amit a humán orvos képes nyújtani.
Az American Medical Informatics Association folyóiratának áttekintő közleménye (Ford és munkatársai: Extracting information from the text of electronic medical records to improve case detection: a systematic review) szerint ma még az elektronikus orvosi feljegyzéseken végzett kutatómunka zöme az Egyesült Államokban, az USA kórházaiban ápolt betegekkel kapcsolatos adatokon folyik. Az elektronikus orvosi feljegyzésekből kinyert információ számtalan célra felhasználható; az idézett tanulmány a különböző események, betegségek detektálásának pontosságával foglalkozva kifejti: a különböző eset-detektáló algoritmusok használhatók pl. arra, hogy azonosítsák azokat a betegeket, akik alkalmasak klinikai vizsgálatokra vagy segítsenek a különböző szolgáltatásokkal kapcsolatos igények megbecslésében.
Az áttekintő közlemény megállapítja: ha a betegségkódokon kívül a szöveges orvosi feljegyzéseket is felhasználjuk, szignifikánsan javítható a különböző események, betegségek detektálása (78% vs. 62%), még akkor is, ha a gépi tanulást is alkalmazó detektáló rendszereknek nincs könnyű dolga, mivel az orvosi feljegyzések (pl. kórszövettani leletek) távirati stílusban, különböző rövidítéseket használva, a nyelvtan szabályait figyelmen kívül hagyva íródnak. A standard nyelvtani struktúrákat alkalmazó zárójelentések elemzése egyszerűbb, ebből a célból a nem-orvosi szövegekre kifejlesztett algoritmusok is használhatók.
Gunnar Rätsch és munkatársai (Memorial Sloan Kettering Cancer Center) egy olyan mesterséges intelligenciát fejlesztettek, ami 200.000 rákos beteg anonimizált elektronikus orvosi feljegyzései és klinikai, valamint genetikai leletei alapján rejtett összefüggéseket keres, amelyek elkerülhették az orvosok figyelmét, és amelyek alapján előrejelezhető, hogyan fog a betegség progrediálni. Mint Rätsch kifejti: a feltárt összefüggések révén új hipotézisek állíthatók fel, amelyek a továbbiakban tesztelhetők.
A gépi tanulás (a mesterséges intelligencia egy ága, olyan rendszerekkel foglalkozik, amelyek képesek tanulni, azaz tapasztalatokból tudást generálni, példa-adatok, minták alapján képesek önállóan vagy emberi segítséggel szabályszerűségeket felismerni) számos orvosi felhasználásban bizonyított már, írja a New Scientistben a témáról beszámoló cikkében Aviva Rutkin, így számítógépeket megtanítottak röntgenfelvételek és MRI-képek alapján diagnosztizálni vagy előrejelezni, melyik betegnél valószínű a közeljövőben szívinfarktus kialakulása. Ez utóbbi feladatban olyan jó a gépi tanulás révén kiképzett mesterséges intelligencia, hogy az orvosokhoz képest esetenként négy órával hamarabb képes felhívni rá a figyelmet, hogy egy adott betegnél szívroham várható (Sriram Somanchi és munkatársai, a Carnegie Mellon University kutatói 133.000 beteg adatait felhasználva, betegenként 72 paramétert értékelve tanították meg a gépet a szívroham-előrejelzésre). Azért van még hova fejlődni: az előrejelzés csak az esetek kétharmadában pontos.
A gépi tanulás következő lépcsője a magas szintű absztrakciók modellezésére képes deep learning (gépi mély tanulás), ami alapjaiban fogja megváltoztatni az orvoslást, írja szintén a New Scientistben Hal Hodson, mivel a segítségével orvosok nélkül is diagnosztizálhatók lesznek a betegségek. A gépi mély tanulást alkalmazó szoftverek automatikusan megtalálják a különböző adatforrások információtartalma közötti összefüggéseket, képesek akkor is következtetéseket levonni, ha az adatforrások különböző koncepciók alapján épülnek fel. Ezen rendszerek használata azonban problémát is jelenthet az emberek számára, mivel következtetéseiket indoklás nélkül tárják elénk, azaz olyanok, mint egy fekete doboz. Mindenestre a személyre szabott orvoslás, a genetikai tesztelés és a gyógyszerfejlesztés már a közeljövőben át fog alakulni a deep learning révén, mivel az ilyen rendszerek képesek összekötni az adatokat a betegségkimenetellel.