Come il deep learning sta cambiando l'assistenza sanitaria Parte 1: Diagnosi

L'IA è pronta ad avere un impatto profondo e duraturo sull'assistenza sanitaria, guidata da tre potenti tendenze:

1. Le unità di elaborazione grafica (GPU) stanno diventando più veloci e più efficienti dal punto di vista energetico.

Fino a poco tempo, l'esecuzione di algoritmi di intelligenza artificiale era raramente conveniente.

2. Gli algoritmi stanno diventando più sofisticati.

Poiché ora possiamo utilizzare modelli di deep learning a una frazione dei costi passati, l'innovazione sta esplodendo.

3. I dati sanitari abbondano.

Grazie alle cartelle cliniche elettroniche e ad altri sforzi di digitalizzazione, abbiamo più dati sanitari da utilizzare per addestrare algoritmi che mai.

Alcuni anni fa, secondo CB Insights, meno di due dozzine di startup di intelligenza artificiale erano focalizzate sull'assistenza sanitaria. Oggi ci sono più di 100 startup di intelligenza artificiale legate all'assistenza sanitaria.

Questo ha lasciato molti medici a grattarsi la testa su come possono prepararsi per ciò che verrà domani, oggi. Ecco i modi in cui il deep learning sta cambiando l'assistenza sanitaria in questo momento e un consiglio sull'acquisto dell'hardware giusto per prepararsi all'imminente rivoluzione dell'IA.

Panoramica terminologica

Glossario dei termini dell'IA (tramite Fortune)

Diagnostica più rapida e accurata grazie al deep learning

Quando ci pensi, diagnosticare le malattie è il compito perfetto per l'intelligenza artificiale. Il deep learning consiste nell'identificare i modelli collegando i punti.

Considera un cane. Componenti: peloso, due occhi, quattro zampe, una coda. Più piccolo di un essere umano, più grande di un gatto. Un algoritmo di deep learning "impara" - attraverso molti cicli di input, analisi e test di dati - cosa è ciascuno e può quindi identificare un cane dalle sue parti costituenti.

In caso di malattia, i puntini sono i sintomi e i disturbi correlati. Tosse, starnuti, mal di gola: deve essere un raffreddore.

Gli algoritmi di deep learning migliorano la diagnosi allo stesso modo dei medici: con la pratica. Come un medico, l'algoritmo fa un'ipotesi e apprende se era corretto o meno in base al fatto che il paziente risponda al trattamento o sviluppi nuovi sintomi indicando che la diagnosi iniziale era sbagliata. Queste informazioni vengono immesse nell'algoritmo tramite i dati EHR.

Come apprende una rete neurale profonda (tramite Fortune)

Una differenza importante tra un medico e un algoritmo di deep learning è che un medico deve dormire. Una volta addestrato un algoritmo, può funzionare (e migliorare) continuamente.

Un medico vedrà e imparerà da migliaia di immagini MRI nel corso della sua vita. Un algoritmo potrebbe vederne trilioni. Come tutti gli esseri umani, i medici sono inclini all'errore. Con l'IA, non c'è rischio di malattia, stanchezza o preoccupazione. Non eserciterà la medicina difensiva né si bloccherà nei suoi modi.

Che aspetto ha in pratica?

L'apprendimento automatico può già determinare se le lesioni cutanee sono cancerose con la stessa precisione di un dermatologo certificato, come dimostrato dagli scienziati della Stanford University all'inizio di quest'anno.

Quando al compagno di stanza del college di Hossam Haick è stata diagnosticata la leucemia, è stato ispirato a creare un sensore per curare il cancro. "Ma poi ho capito che la diagnosi precoce poteva essere importante quanto il trattamento stesso", ha detto Haick al New York Times. Così ha costruito una macchina che usa l'intelligenza artificiale per imparare che odorano le diverse malattie. Ad ogni annusata, l'algoritmo diventa più accurato. A dicembre scorso, è stato in grado di identificare 17 diverse malattie con una precisione fino all'86%.

Enlitic utilizza il deep learning per rilevare i noduli polmonari nelle radiografie e nelle scansioni TC e MRI e determinare se sono benigni o maligni. Il CEO Igor Barani, un ex professore di oncologia delle radiazioni all'Università della California a San Francisco, afferma che gli algoritmi di Enlitic hanno superato quattro radiologi nei test. Barani ha detto a Medical Futurist:

“Fino a poco tempo, i programmi diagnostici per computer venivano scritti utilizzando una serie di presupposti predefiniti sulle caratteristiche specifiche della malattia. È stato necessario progettare un programma specializzato per ciascuna parte del corpo e si è potuto identificare solo un insieme limitato di malattie, impedendone la flessibilità e la scalabilità. I programmi spesso semplificavano eccessivamente la realtà, determinando scarse prestazioni diagnostiche e quindi non hanno mai raggiunto un'adozione clinica diffusa. Al contrario, l'apprendimento profondo può gestire prontamente un ampio spettro di malattie in tutto il corpo e tutte le modalità di imaging (raggi X, scansioni TC, ecc.)."

Freenome utilizza il deep learning per trovare il cancro nei campioni di sangue o, più specificamente, nei frammenti di DNA che i globuli emettono quando muoiono. La società di venture capital Andreessen Horowitz ha inviato alla società cinque campioni di sangue da analizzare come test pre-investimento. L'azienda è andata avanti con il suo investimento dopo che Freenome li ha identificati tutti e cinque, due normali e tre cancerosi, correttamente. Il fondatore Gabriel Otte ha detto a Fortune che il suo algoritmo di deep learning sta rilevando le firme del cancro che i biologi del cancro devono ancora caratterizzare.

A maggio, il fondatore e CEO di Babylon Health, Ali Parsa, ha dichiarato al programma tecnologico online "Hot Topics" che il suo team aveva recentemente sottoposto a test accademici il primo sistema di triage clinico basato sull'intelligenza artificiale al mondo, durante i quali il suo sistema si è dimostrato il 13% più accurato di un medico e il 17% più accurato di un'infermiera.

Quanto è realistica l'attuazione?

Sebbene l'apprendimento automatico stia rapidamente diventando un modo migliore per diagnosticare le malattie, è diventato più fattibile per l'uso universale solo molto recentemente. Prima d'ora, era semplicemente troppo costoso da implementare in modo diffuso.

Grazie ai nuovi processori che funzionano più velocemente che mai e richiedono meno energia, l'apprendimento automatico sta avanzando a un ritmo rapido e più conveniente.

Come osserva Para nel video sopra, dieci anni fa guardare ogni parte del tuo corpo per trovare e diagnosticare una malattia costava un milione di dollari. Oggi, quel costo è sceso a $ 10.000 e include il sequenziamento genico.

Una società di imaging medico ha ottenuto l'approvazione della FDA per la vendita di software basato sull'intelligenza artificiale ai medici. A gennaio, Arterys ha ottenuto il via libera per il suo "DeepVentricle", un algoritmo di apprendimento profondo in grado di calcolare la capacità cardiaca di un paziente con la stessa precisione di un medico in meno di 30 secondi. Al contrario, l'analisi manuale delle immagini MRI per completare i calcoli richiede circa un'ora.

L'ingegnere biomedico e professoressa Cristina Davis prevede che entro tre o cinque anni i medici avranno accesso ad algoritmi di deep learning per aiutare la diagnosi.

Preparati per il deep learning con l'hardware giusto

Gran parte dell'aumento della potenza di calcolo dalla fine degli anni 2000 è dovuto ai chip progettati da Nvidia per aumentare il realismo visivo dei videogiochi. L'utilizzo delle unità di elaborazione grafica (GPU) per il deep learning si è rivelato da 20 a 50 volte più efficiente rispetto all'utilizzo delle unità di elaborazione centrale (CPU).

Nell'agosto 2016, Nvidia ha annunciato che le sue entrate trimestrali sono più che raddoppiate anno dopo anno per il suo segmento di data center, raggiungendo $ 151 milioni. Il CFO Colette Kress ha detto agli investitori che "La stragrande maggioranza della crescita deriva di gran lunga dal deep learning".

Nel 2016 Intel ha acquistato le startup di deep learning Nervana Systems e Movidius mentre Google ha presentato le unità di elaborazione tensoriale (TPU) progettate specificamente per facilitare il deep learning.

Oggi, Nvidia sta prendendo di mira l'industria medica. Kimberley Powell, responsabile dello sviluppo aziendale dell'azienda, desidera che i processori di Nvidia vengano utilizzati per soddisfare l'esigenza di analisi di apprendimento approfondito dell'imaging medico.

Il futurismo riporta che "l'hardware di Nvidia ha stabilito il suo ruolo silenzioso ma di primo piano nel matrimonio dell'apprendimento profondo con la medicina". L'azienda sta costruendo potenti computer progettati per eseguire in modo rapido ed efficiente i calcoli che possono rendere la diagnosi più rapida e accurata. Powell spera di installare il DGX-1 di Nvidia negli ospedali e nei centri di ricerca medica di tutto il mondo.

Alcuni ospedali, come il nuovo centro di scienza dei dati clinici del Massachusetts General Hospital, stanno già utilizzando questo nuovo hardware per la salute della popolazione, confrontando i risultati dei test dei pazienti e la storia medica per identificare le correlazioni nei dati.

Conclusione

Le reti neurali profonde stanno cambiando il modo in cui i medici diagnosticano le malattie, rendendo la diagnostica più veloce, più economica e più accurata che mai. Sfruttare questi progressi richiede alcuni passaggi preparatori, come l'aggiornamento dell'hardware.

Quando sei pronto per l'aggiornamento, assicurati di investire in sistemi in grado di gestire i requisiti computazionali del deep learning e della salute della popolazione.

La prossima settimana parleremo di un altro modo in cui il deep learning sta cambiando l'assistenza sanitaria: la prevenzione delle malattie. Parleremo anche della gestione dello studio medico e del software EHR di cui avrai bisogno per iniziare a utilizzare il deep learning nella tua pratica.

Per saperne di più su AI e assistenza sanitaria, dai un'occhiata a questi post:

• Cos'è la medicina di precisione? Una semplice introduzione per medici confusi
• 5 Startup di IA nel settore sanitario che le PMI devono conoscere
• 5 modi in cui l'intelligenza artificiale sta influenzando la telemedicina