Большинство открытий в медицине названы в честь людей, которые ее открыли. Их называют эпонимами, и они до смешного усложняют изучение медицины. Просто взгляните на этот список всех болезней, названных в честь людей, и вы поймете, что борьба настоящая.
Взгляните, например, на электронно-микроскопическую структуру этой органеллы.
Если бы он назвал его тот же парень, который назвал Walky Talky, он бы назвал его Jiggly Wiggly или что-то в этом роде. Но его открыл профессор Камилло Гольджи и назвал его Аппаратом Гольджи.
Не то чтобы я жалуюсь.
Но одна фундаментальная вещь, которую выражает эта тенденция, заключается в том, что если вы достаточно умны, чтобы наблюдать что-то, чего другие люди еще не наблюдали, ваше имя должно быть выгравировано на органелле, синдроме или болезни.
Когда у кого-то диагностируется рак, берут образец опухоли, и гистологи в основном полагаются на то, что они читают из учебников, чтобы обнаружить определенные индикаторы в образцах, которые они наблюдают под микроскопом, чтобы определить, что это за рак. Эти индикаторы и особенности обычно обнаруживаются «действительно наблюдательными» учеными.
Мы можем добиться большего, чем просто ждать, пока действительно наблюдательный ученый сообщит о следующем по важности индикаторе для обнаружения таких заболеваний. От этого зависит чья-то жизнь.
Войдите в глубокое обучение!
Глубокое обучение для диагностики
Оба моих родителя - офтальмологи. Я видел много лагерей и кампаний по скринингу людей с диабетом на предмет заболевания глаз, называемого диабетической ретинопатией.
В одном из наших исследовательских проектов мы скармливали моделям глубокого обучения фотографии сетчатки, сделанные с помощью специальной камеры, и обучили ее определять, на какой стадии диабетической ретинопатии она находится.
Это проделало довольно изящную работу. Google провел несколько новаторских исследований в том же направлении и даже получил сверхчеловеческую точность обнаружения.
Мы обучили сверточную нейронную сеть с помеченным набором данных, полученным в ходе конкурса Обнаружение диабетической ретинопатии.
В нашей сетевой архитектуре не было ничего необычного. Просто скопируйте и вставьте код из обученной Google сети Inception Network, а затем переобучите последний уровень сети на нашем наборе данных, чтобы точно настроить его для выявления стадий диабетической ретинопатии вместо кошек и собак.
Сеть очень хорошо справилась с задачей классификации. Но здесь все стало интересно. Мы хотели увидеть, что на самом деле сеть узнала для этого.
Глубокое обучение для открытий
Глубокие сверточные нейронные сети всегда ощущали привязанность к «черному ящику». Они делают то, что делают хорошо, но никто толком не понимает, как они это делают. Похоже, мы знаем, что люди могут придумывать новые идеи, но не совсем понимаем нейронные механизмы того, как это сделать.
Чтобы получить представление о том, что изучил алгоритм глубокого обучения, ранее предпринимались различные попытки. Один из самых популярных, который также печально известен жутковатостью, - это алгоритм Deep Dream.
Например, возьмем сеть, обученную изображениям индийских кобр и стетоскопу. Мы можем узнать, что сеть считает коброй или стетоскопом, попросив ее создать их изображение с нуля. Во-первых, мы начинаем со случайно сгенерированных пикселей, которые выглядят как статические телевизионные снимки. Затем мы медленно меняем пиксели, пока нейронная сеть не решит, что это действительно что-то.
Мы можем видеть, что он узнал некоторые особенности индийской кобры, поскольку наш мозг обманут, думая, что на картинке выше также есть кобра. На самом деле нет. Это изображение, созданное полностью с нуля, чтобы заставить нейронную сеть сойти с ума от активации нейрона индийской кобры.
С той же техникой оптимизации пикселей, если мы загружаем существующее изображение вместо случайных пикселей и просим нейронную сеть оптимизировать пиксели для чего-то, это дает действительно странные результаты.
Если вы дадите изображение дерева и попросите нейронную сеть оптимизировать его для зданий, она «увидит» «здание в дереве» и улучшит эти характеристики, пока не станет зданием.
Мы видим, что все признаки, которые делают «здание», в здании присутствуют.
А теперь вернемся к нашей проблеме диабетической ретинопатии.
Мы дали нормальное изображение сетчатки и попросили нашу нейронную сеть оптимизировать ее для лечения пролиферативной диабетической ретинопатии (ПДР), наихудшей формы заболевания.
Давайте посмотрим поближе. Мы видим, что наша визуализация очень хорошо передает такие хрестоматийные черты диабетической ретинопатии, как экссудаты, кровотечения и венозные отложения.
Возникают даже такие тонкие черты, как микроаневризмы и неоваскуляризация.
Это сеть, которая обучила всего 1000 изображений сетчатки (то, что можно было бы создать примерно за неделю тяжелой офтальмологической практики или скрининга на диабет) на разных стадиях заболевания.
По сравнению с 20 годами, которые потребовались всему человечеству, чтобы выявить все индикаторы диабетической ретинопатии, которые мы используем сейчас, и учитывая тот факт, что для обучения этой сети на экземпляре GPU потребовалось всего около 1 часа, это не так уж и плохо. на самом деле.
Заключение
Итак, теперь возвращаюсь к нашей тете, больной раком. Если бы в больнице просто собрали и сохранили все микроскопические изображения пациентов, просто упомянув, какие пациенты в конечном итоге умерли от рака, а какие - нет, и мы запустили бы этот алгоритм глубокого обучения, чтобы делать выводы о показателях, мы бы не стали нужен «очень наблюдательный» ученый. Алгоритм визуализации будет кричать вам в лицо со всеми чертами. Если мы обнаружим что-то, о чем раньше не знали, мы будем знать, что что-то не так.
Подумайте обо всех этих данных, хранящихся в хранилищах данных в отделении EMR больниц! Если бы мы могли просто использовать Deep Learn…
Хорошо, давайте сосредоточимся на отрицательных аспектах этого алгоритма и возможностях улучшения в будущем.
Недостаток №1: слишком много артефактов.
Мы уже знаем обо всех особенностях, которые мы «заново открыли» в этом случае. Что, если бы мы поняли смысл визуализации только потому, что знали об этом. Все остальные «новые возможности», которые нам показывала сеть, могли быть нами сочтены артефактами.
Недостаток 2: плохая цветопередача.
Большая часть визуализации была визуализирована в цветах, не связанных с исходным цветом. Форма прекрасна, но цветопередача должна быть точной, чтобы можно было с уверенностью использовать для выявления новых признаков болезней.
Это то, над чем мы работаем. У глубокого обучения в медицине светлое будущее. Мы только поцарапали поверхность.
Если вам понравилась статья, обязательно ознакомьтесь с нашей статьей, в которой более подробно упоминается техническая архитектура. Свяжитесь со мной для предложений, комментариев или критики.
