Wie Deep Learning das Gesundheitswesen verändert Teil 1: Diagnose

KI ist bereit, einen tiefgreifenden und dauerhaften Einfluss auf das Gesundheitswesen zu nehmen, angetrieben von drei starken Trends:

1. Grafikprozessoren (GPUs) werden immer schneller und energieeffizienter.

Bis vor kurzem war die Ausführung von KI-Algorithmen selten kosteneffektiv.

2. Algorithmen werden immer ausgefeilter.

Da wir jetzt Deep-Learning-Modelle zu einem Bruchteil der bisherigen Kosten nutzen können, explodiert die Innovation.

3. Gesundheitsdaten gibt es im Überfluss.

Dank EHRs und anderen Digitalisierungsbemühungen können wir mehr Gesundheitsdaten als je zuvor zum Trainieren von Algorithmen verwenden.

Vor einigen Jahren konzentrierten sich laut CB Insights weniger als zwei Dutzend KI-Startups auf das Gesundheitswesen. Heute gibt es mehr als 100 KI-Startups im Gesundheitsbereich.

Dies hat viele Ärzte dazu gebracht, sich am Kopf zu kratzen, wie sie sich heute auf das vorbereiten können, was morgen kommt. Hier erfahren Sie, wie Deep Learning das Gesundheitswesen gerade jetzt verändert, und ein Tipp zum Kauf der richtigen Hardware, um sich auf die kommende KI-Revolution vorzubereiten.

Terminologieübersicht

Glossar der KI-Begriffe (über Fortune)

Schnellere und genauere Diagnostik durch Deep Learning

Wenn man darüber nachdenkt, ist die Diagnose von Krankheiten die perfekte Aufgabe für künstliche Intelligenz. Beim Deep Learning geht es darum, Muster zu erkennen, indem man die Punkte verbindet.

Betrachten Sie einen Hund. Bestandteile: behaart, zwei Augen, vier Beine, ein Schwanz. Kleiner als ein Mensch, größer als eine Katze. Ein Deep-Learning-Algorithmus „lernt“ – über viele Zyklen der Dateneingabe, Analyse und Prüfung – was jeder einzelne ist und kann dann einen Hund anhand seiner Bestandteile identifizieren.

Bei Krankheiten sind die Punkte die Symptome und damit zusammenhängende Störungen. Husten, Niesen, Halsschmerzen: muss eine Erkältung sein.

Deep-Learning-Algorithmen werden bei der Diagnose genauso gut wie Ärzte: mit Übung. Wie ein Arzt macht der Algorithmus eine Vermutung und lernt, ob es richtig war oder nicht, basierend darauf, ob der Patient auf die Behandlung anspricht oder neue Symptome entwickelt, die darauf hindeuten, dass die ursprüngliche Diagnose falsch war. Diese Informationen werden über EHR-Daten in den Algorithmus eingespeist.

Wie ein tiefes neuronales Netzwerk lernt (via Fortune)

Ein wichtiger Unterschied zwischen einem Arzt und einem Deep-Learning-Algorithmus besteht darin, dass ein Arzt schlafen muss. Sobald Sie einen Algorithmus trainieren, kann er kontinuierlich funktionieren (und sich verbessern).

Ein Arzt wird in seinem Leben Tausende von MRT-Bildern sehen und daraus lernen. Ein Algorithmus könnte Billionen sehen. Wie alle Menschen sind auch Ärzte fehleranfällig. Mit KI besteht kein Risiko von Krankheit, Ermüdung oder Beschäftigung. Es wird keine defensive Medizin praktizieren oder in seinen Wegen stecken bleiben.

Wie sieht das in der Praxis aus?

Maschinelles Lernen kann bereits so genau bestimmen, ob Hautläsionen krebsartig sind wie ein staatlich geprüfter Dermatologe, wie Wissenschaftler der Stanford University Anfang dieses Jahres gezeigt haben.

Als bei Hossam Haicks College-Mitbewohner Leukämie diagnostiziert wurde, fühlte er sich inspiriert, einen Sensor zur Behandlung von Krebs zu entwickeln. „Aber dann wurde mir klar, dass eine frühzeitige Diagnose genauso wichtig sein könnte wie die Behandlung selbst“, sagte Haick der New York Times. Also baute er eine Maschine, die mithilfe künstlicher Intelligenz lernt, wie verschiedene Krankheiten riechen. Mit jedem Schnüffeln wird der Algorithmus genauer. Bis letzten Dezember war es in der Lage, 17 verschiedene Krankheiten mit einer Genauigkeit von bis zu 86 % zu identifizieren.

Enlitic verwendet Deep Learning, um Lungenknötchen in Röntgenbildern sowie CT- und MRT-Scans zu erkennen und festzustellen, ob sie gutartig oder bösartig sind. CEO Igor Barani, ein ehemaliger Professor für Radioonkologie an der University of California in San Francisco, behauptet, dass die Algorithmen von Enlitic in Tests vier Radiologen übertroffen haben. Barani sagte gegenüber Medical Futurist:

„Bis vor kurzem wurden diagnostische Computerprogramme unter Verwendung einer Reihe vordefinierter Annahmen über krankheitsspezifische Merkmale geschrieben. Für jeden Körperteil musste ein spezielles Programm entwickelt werden, und es konnte nur eine begrenzte Anzahl von Krankheiten identifiziert werden, was ihre Flexibilität und Skalierbarkeit verhinderte. Die Programme vereinfachten die Realität oft zu stark, was zu einer schlechten diagnostischen Leistung führte, und erreichten daher nie eine breite klinische Akzeptanz. Im Gegensatz dazu kann Deep Learning problemlos ein breites Spektrum von Krankheiten im gesamten Körper und alle bildgebenden Verfahren (Röntgen, CT-Scans usw.) handhaben.“

Freenome verwendet Deep Learning, um Krebs in Blutproben oder genauer gesagt in DNA-Fragmenten zu finden, die Blutzellen beim Absterben abgeben. Die Risikokapitalgesellschaft Andreessen Horowitz schickte dem Unternehmen fünf Blutproben zur Analyse als Test vor der Investition. Das Unternehmen setzte seine Investition fort, nachdem Freenome alle fünf – zwei normale und drei krebsartige – korrekt identifiziert hatte. Gründer Gabriel Otte sagte Fortune, dass sein Deep-Learning-Algorithmus Krebssignaturen erkennt, die Krebsbiologen noch charakterisieren müssen.

Im Mai sagte der Gründer und CEO von Babylon Health, Ali Parsa, gegenüber der Online-Tech-Show „Hot Topics“, dass sein Team kürzlich das weltweit erste KI-gestützte klinische Triage-System akademischen Tests unterzogen habe, bei denen sich sein System als 13 % genauer als ein Arzt erwiesen habe und 17 % genauer als eine Krankenschwester.

Wie realistisch ist die Umsetzung?

Während sich maschinelles Lernen schnell zu einer besseren Methode zur Diagnose von Krankheiten entwickelt, ist es erst seit kurzem für den universellen Einsatz geeigneter. Bisher war es einfach zu teuer, um es auf breiter Basis zu implementieren.

Dank neuerer Prozessoren, die schneller als je zuvor laufen und gleichzeitig weniger Energie verbrauchen, schreitet maschinelles Lernen in einem schnellen und erschwinglicheren Tempo voran.

Wie Para im obigen Video feststellt, kostete es vor zehn Jahren eine Million Dollar, jeden Teil Ihres Körpers zu untersuchen, um Krankheiten zu finden und zu diagnostizieren. Heute sind diese Kosten auf 10.000 US-Dollar gesunken und umfassen die Gensequenzierung.

Ein Unternehmen für medizinische Bildgebung hat die FDA-Zulassung für den Verkauf von KI-gestützter Software an Ärzte erhalten. Im Januar erhielt Arterys grünes Licht für seinen „DeepVentricle“, einen Deep-Learning-Algorithmus, der die Herzkapazität eines Patienten so genau wie ein Arzt in weniger als 30 Sekunden berechnen kann. Im Gegensatz dazu dauert die Analyse von MRT-Bildern, um die Berechnungen von Hand abzuschließen, etwa eine Stunde.

Die biomedizinische Ingenieurin und Professorin Cristina Davis prognostiziert, dass Kliniker innerhalb von drei bis fünf Jahren Zugang zu Deep-Learning-Algorithmen haben werden, um die Diagnose zu unterstützen.

Bereiten Sie sich mit der richtigen Hardware auf Deep Learning vor

Ein großer Teil der Steigerung der Rechenleistung seit den späten 2000er Jahren ist auf Chips zurückzuführen, die von Nvidia entwickelt wurden, um den visuellen Realismus von Videospielen zu erhöhen. Die Verwendung von Grafikprozessoren (GPUs) für Deep Learning erwies sich als 20- bis 50-mal effizienter als die Verwendung von Zentraleinheiten (CPUs).

Im August 2016 gab Nvidia bekannt, dass sich der Quartalsumsatz für sein Rechenzentrumssegment im Jahresvergleich mehr als verdoppelt hat und 151 Millionen US-Dollar erreicht hat. CFO Colette Kress sagte den Investoren, dass „der überwiegende Teil des Wachstums bei weitem auf Deep Learning zurückzuführen ist“.

Im Jahr 2016 kaufte Intel die Deep-Learning-Startups Nervana Systems und Movidius, während Google Tensor Processing Units (TPUs) vorstellte, die speziell zur Erleichterung des Deep Learning entwickelt wurden.

Heute zielt Nvidia auf die medizinische Industrie. Die Geschäftsentwicklungsmanagerin des Unternehmens, Kimberley Powell, möchte, dass die Prozessoren von Nvidia verwendet werden, um den Bedarf an Deep-Learning-Analysen der medizinischen Bildgebung zu decken.

Futurism berichtet, dass „Nvidias Hardware ihre stille, aber herausragende Rolle in der Verbindung von Deep Learning und Medizin etabliert hat“. Das Unternehmen baut leistungsstarke Computer, die darauf ausgelegt sind, Berechnungen schnell und effizient auszuführen, die Diagnosen schneller und genauer machen können. Powell hofft, Nvidias DGX-1 in Krankenhäusern und medizinischen Forschungszentren auf der ganzen Welt installieren zu können.

Einige Krankenhäuser – wie das neue Clinical Data Science Center des Massachusetts General Hospital – verwenden diese neue Hardware bereits für die Bevölkerungsgesundheit und vergleichen die Testergebnisse der Patienten mit der Krankengeschichte, um Korrelationen in den Daten zu identifizieren.

Fazit

Deep Neural Networks verändern die Art und Weise, wie Ärzte Krankheiten diagnostizieren, und machen die Diagnose schneller, billiger und genauer als je zuvor. Um diese Vorteile nutzen zu können, sind bestimmte vorbereitende Schritte erforderlich, z. B. das Aufrüsten Ihrer Hardware.

Wenn Sie für ein Upgrade bereit sind, sollten Sie unbedingt in Systeme investieren, die die Rechenanforderungen von Deep Learning und Bevölkerungsgesundheit bewältigen können.

Nächste Woche besprechen wir eine weitere Art und Weise, wie Deep Learning das Gesundheitswesen verändert: Krankheitsprävention. Wir werden auch über das medizinische Praxismanagement und die EHR-Software sprechen, die Sie benötigen, um Deep Learning in Ihrer Praxis einzusetzen.

Um mehr über KI und das Gesundheitswesen zu erfahren, lesen Sie diese Beiträge:

• Was ist Präzisionsmedizin? Eine einfache Einführung für verwirrte Ärzte
• 5 KI-Startups im Gesundheitswesen, die KMU kennen sollten
• 5 Möglichkeiten, wie künstliche Intelligenz die Telemedizin beeinflusst