DeepMind-forskere tackler black box-problem i algoritme til øjenlæger

Illustration: 4 PM production/Bigstock
Model kan aflæse øjen-skanninger og spotte akutte sager med samme præcision som en trænet specialist.

Googles DeepMind-afdeling for sundhed har skabt en model, der kan aflæse øjen-skanninger og spotte akutte sager med samme præcision som en trænet specialist.

Systemet vil i fremtiden gøre det muligt at redde synet for flere patienter, mener man på det specialiserede Moorfields Eye Hospital i England, der har samarbejdet med DeepMind-forskerne om projektet.

Med løsningerne mener AI-specialisterne at have lavet et værktøj, som kan overkomme en af de store udfordringer ved brug af deep learning i sundhedssektoren – nemlig at algoritmen bliver en sort boks, som lægerne ikke kan se ind i.

Dataanalysen foregår i to stadier med to forskellige neurale net, forklarer DeepMind-forsker Nenad Tomasev på konferencen Nordic.ai Health Summit, der i sidste uge fandt sted i København.

Det ene netværk – kaldets segmenteringsnetværket – giver en vurdering af øjets fysiske tilstand ved analysere såkaldte OCT-scanninger for at spotte relevante ting som læsioner eller blødninger. Det andet netværk – et klassificeringsnetværk – forsøger at give en diagnose og en anbefaling på den baggrund – f.eks. om patienten skal behandles med det samme.

Illustration: DeepMind Health

»En af grundene til, at det er en to-trins tilgang, er, at doktorerne kan hjælpe med fortolkningen,« siger Nenad Tomasev.

Det er fuldt ud muligt at træne en deep learning-model til at løse problemet fra start til slut, understreger forskeren. Men ved at adskille den kan øjenlægen til enhver tid se på den grundlæggende analyse, algoritmens diagnose er baseret på.

På højde med eksperter

Udfordringen for de højt specialiserede øjenlæger på Moorfield er, at mængden af diagnostiske billeder bliver flere og flere. Det gør det svært og tidskrævende at analysere hele materialet – og det giver igen forsinkelser, hvor akutte sager sidder i kø.

Siden 2016 har DeepMind-forskerne arbejdet på en løsning, der skulle gøre det muligt at finde de mest alvorlige sager hurtigt, og dermed undgå at patienter i værste fald mister synet.

Segmenteringsnetværket er trænet på 8.778 manuelt segmenterede træningsbilleder, mens klassificeringsnetværket er trænet på over 14.000 skanninger fra sager med en kendt diagnose. Tilsammen kan løsningen altså identificere rifter, væsker og andet i øjet og efterfølgende komme med et bud på en diagnose.

Resultatet er bemærkelsesværdigt.

»Selv med ekstra metadata, som modellen ikke har adgang til, leverer eksperter cirka den samme præcision som modellen,« fortæller Nenad Tomasev.

Nærmere bestemt klarer modellen sig lige så godt eller bedre end 8 øjenspecialister på et valideringsdatasæt med over 900 patienter, fremgår det af forskningsartiklen, der udkom i Nature i sidste måned.

DeepMind-modellens resultater sammenlignet med to specialister. Illustration: DeepMind Health

For en mand med en hammer ...

En af de generelle lektier fra dette og andre DeepMind Health-projekter er ifølge Nenad Tomasev, at god kommunikation er kritisk.

»Ingen af os ved som individer nok til at løse opgaven selv. Læger og ML-eksperter skal arbejde meget tæt sammen, for der er mange ting, der skal falde på plads, før de her teknologier bliver bredt anvendelige.«

Tomasev sammenligner samarbejdet med metaforen om en gruppe blinde mænd, der prøver at blive enige om, hvordan en elefant ser ud, ved at røre forskellige dele af dyret.

»Folk tager ofte fejl, og det skal man undgå ved at indse, at et vigtigt skridt for at have succes med det her er en fundamental evne til at samarbejde.«

Derudover skal man passe på med at blive forhippet på at løse ethvert problem med state-of-the-art machine learning.

»AI er ikke svaret på alle spørgsmål,« siger Nenad Tomasev.

»Det, vi har fundet frem til, er, at når man optimerer kliniske processer, så er der dele af en organisation, hvor der hverken er brug for software eller hardware. Du skal altid løse dit problem så simpelt som muligt.«

Fokus på processen

Hvis data science-produktet skal ende med at fungere i praksis, skal man ikke tage udgangspunkt i data eller teknologi, siger Nenad Tomasev.

»Ofte starter folk med at se på den data, de har, lave en hypotese og teste den. Men de ting, du finder ud af på den måde, har tendens til at være svær at bruge i praksis.«

Hos DeepMind Health tager man hellere udgangspunkt i en del af lægernes arbejdsgange og går baglæns derfra.

»Jeg siger ikke, det er umuligt at gå den anden vej. Men jeg mener, dette er den nemmeste måde at forbinde punkterne på,« siger Nenad Tomasev.

»Så start med den kliniske proces, formuler et spørgsmål, og find den data, der kan besvare det spørgsmål.«

Artiklen stammer fra Ingeniørens PRO-medie DataTech, som er målrettet professionelle i såvel private virksomheder som offentlige organisationer, der arbejder med data og analytics.

DataTech sætter fokus på anvendelse af data i en stadigt mere digitaliseret verden. Udgivelsen følger danske virksomheder, kommuner og institutioners arbejde og strategier med at skabe mere værdi ud af data.

Du får inspiration, råd og erfaringer om, hvordan du analyserer og udnytter data, hvordan du navigerer ansvarligt og effektivt i junglen af love og regler på området, samt hvordan du udbreder værdien af dataanalyse til alle hjørner af organisationen.

DataTech giver dig viden om de nyeste teknologiske løsninger på tværs af fagområder, markeder og landegrænser. Og er medspiller i en fælles mission om at fostre etisk og sikker brug af data fordel for virksomheder og borgere.

Tips og korrekturforslag til denne historie sendes til tip@version2.dk
Kommentarer (0)
sortSortér kommentarer
  • Ældste først
  • Nyeste først
  • Bedste først
Log ind eller Opret konto for at kommentere
Brugerundersøgelse Version2
maximize minimize