Duke universiteto mokslininkai sukūrė pagalbinį mašininio mokymosi modelį, kuris labai pagerina medicinos specialistų gebėjimą skaityti intensyviosios terapijos pacientų elektroencefalografijos (EEG) diagramas.
Kadangi EEG rodmenys yra vienintelis būdas sužinoti, kada nesąmoningiems pacientams gresia traukuliai arba jie patiria į priepuolius panašius reiškinius, skaičiavimo įrankis kasmet gali padėti išgelbėti tūkstančius gyvybių. Rezultatai rodomi internete gegužės 23 d NEJM AI.
EEG naudojami maži jutikliai, pritvirtinti prie galvos odos, kad išmatuotų smegenų elektrinius signalus ir sukuria ilgą virpėjimo aukštyn ir žemyn eilutę. Kai pacientą ištinka traukuliai, šios linijos smarkiai šokinėja aukštyn ir žemyn, kaip seismografas žemės drebėjimo metu – tai signalas, kurį lengva atpažinti. Tačiau kitas medicininiu požiūriu svarbias anomalijas, vadinamas į priepuolius panašiais įvykiais, yra daug sunkiau pastebėti.
„Smegenų veikla, į kurią mes žiūrime, egzistuoja išilgai kontinuumo, kai priepuoliai yra viename gale, tačiau viduryje vis dar yra daug įvykių, kurie taip pat gali pakenkti ir reikalauti vaistų“, – sakė mokslų daktaras Brandonas Westoveris. neurologija Masačusetso bendrojoje ligoninėje ir Harvardo medicinos mokykloje.
„Tų įvykių sukeltus EEG modelius sunkiau atpažinti ir patikimai suskirstyti į kategorijas, net ir aukštos kvalifikacijos neurologai, kuriuos turi ne visos medicinos įstaigos. Tačiau tai yra labai svarbu šių pacientų sveikatos rezultatams.”
Norėdami sukurti įrankį, kuris padėtų padaryti šiuos sprendimus, gydytojai kreipėsi į Cynthia Rudin, grafo D. McLean jaunesniojo, Duke kompiuterių mokslo ir elektros bei kompiuterių inžinerijos profesoriaus, laboratoriją. Rudin ir jos kolegos specializuojasi kuriant „interpretuojamus“ mašininio mokymosi algoritmus. Nors dauguma mašininio mokymosi modelių yra „juodoji dėžė“, dėl kurios žmogus negali žinoti, kaip jis daro išvadas, interpretuojami mašininio mokymosi modeliai iš esmės turi parodyti savo darbą.
Tyrimo grupė pradėjo rinkdama EEG mėginius iš daugiau nei 2700 pacientų ir turėdama daugiau nei 120 ekspertų, kurie atrinko atitinkamas diagramų ypatybes, suskirstydami jas į traukulius, vieną iš keturių į priepuolius panašių įvykių tipų arba „kitus“. Kiekvienas įvykių tipas rodomas EEG diagramose kaip tam tikros formos arba pasikartojimai banguotose linijose. Tačiau kadangi šios diagramos retai būna tvirtos savo išvaizda, signalinius signalus gali pertraukti netinkami duomenys arba jie gali susimaišyti, kad susidarytų paini diagrama.
„Yra pagrindinė tiesa, bet ją sunku perskaityti“, – sakė mokslų daktaras Starkas Guo. studentas, dirbantis Rudino laboratorijoje. „Daugeliui šių diagramų būdingas dviprasmiškumas reiškia, kad turėjome išmokyti modelį, kad jo sprendimai būtų išdėstyti kontinuume, o ne aiškiai apibrėžtose atskirose šiukšliadėžėse.
Vizualiai rodomas kontinuumas atrodo kaip įvairiaspalvė jūrų žvaigždė, nuplaukianti nuo plėšrūno. Kiekviena skirtingos spalvos ranka reiškia vieną į priepuolį panašų įvykį, kurį gali reikšti EEG. Kuo arčiau algoritmas nukreipia konkrečią diagramą prie rankos galo, tuo patikimesnis yra jo sprendimas, o tie, kurie yra arčiau centrinio kūno, yra mažiau tikri.
Be šios vizualinės klasifikacijos, algoritmas taip pat nurodo smegenų bangų modelius, kuriuos naudojo nustatydamas, ir pateikia tris profesionaliai diagnozuotų diagramų pavyzdžius, kurie, jo nuomone, yra panašūs.
„Tai leidžia medicinos specialistui greitai pažvelgti į svarbius skyrius ir arba sutikti, kad modeliai yra, arba nuspręsti, kad algoritmas netinkamas“, – sakė Alina Barnett, Rudino laboratorijos mokslinė bendradarbė. „Net jei jie nėra gerai išmokyti skaityti EEG, jie gali priimti daug labiau išsilavinusį sprendimą.”
Išbandžius algoritmą, bendradarbiaujanti komanda turėjo aštuonis medicinos specialistus, turinčius atitinkamos patirties, suskirstę 100 EEG mėginių į šešias kategorijas, vieną kartą su dirbtinio intelekto pagalba, o kitą be. Visų dalyvių rezultatai labai pagerėjo, bendras jų tikslumas išaugo nuo 47% iki 71%. Jų našumas taip pat išaugo virš tų, kurie ankstesniame tyrime naudojo panašų „juodosios dėžės“ algoritmą.
„Paprastai žmonės mano, kad juodosios dėžės mašininio mokymosi modeliai yra tikslesni, tačiau daugeliui svarbių programų, tokių kaip ši, tai tiesiog netiesa“, – sakė Rudinas. „Daug lengviau šalinti modelių triktis, kai jie yra interpretuojami. Ir šiuo atveju interpretuojamas modelis iš tikrųjų buvo tikslesnis. Jis taip pat suteikia smegenyse atsirandančių anomalių elektrinių signalų tipų vaizdą iš paukščio skrydžio, o tai tikrai naudinga sunkiai sergančių pacientų priežiūra“.