Politik

Stanforduniversitetet: CheXNet, maskininlärningsalgoritm bättre på att diagnostisera lunginflammation än röntgenläkare

Maskininlärning är en del av AI som använder neuronnät för att utveckla allmänt användbara algoritmer från existerande data. Som i fallet med Stanforduniversitetets CheXNet som har tränats på data från the National Institutes of Health Clinical Center som offentliggjordes så sent som den 26/9 i år. NIHs data består av 112,120 röntgenbilder tagna rakt framifrån och märkta med 14 möjliga former av lunginflammation.

Man har utvecklat en algoritm som går under namnet CheXnet som på egen hand kan klassificera nya röntgenbilder som alltså inte ingår i ursprungsmaterialet, och på det sättet på egen hand hitta nya fall av lunginflammation utan inblandning av någon röntgenläkare. Och algoritmen gör det alltså bättre än röntgenläkare.

Taylor Kubota skriver: Algorithm better at diagnosing pneumonia than radiologists. Stanford researchers have developed a deep-learning algorithm that evaluates chest X-rays for signs of disease.

The researchers, working with Matthew Lungren, MD, MPH, assistant professor of radiology at the School of Medicine, had four Stanford radiologists independently annotate 420 of the images for possible indications of pneumonia. The researchers said they chose to focus on this disease, which brings 1 million Americans to the hospital each year, according to the Centers for Disease Control and Prevention, and is especially difficult to spot on X-rays. In the meantime, the Machine Learning Group team got to work developing an algorithm that could automatically diagnose the pathologies.

Within a week, the researchers had an algorithm that diagnosed 10 of the pathologies labeled in the X-rays more accurately than previous state-of-the-art results. In just over a month, their algorithm could beat these standards in all 14 identification tasks. In that short time span, CheXNet also outperformed the four Stanford radiologists in diagnosing pneumonia accurately.

En klassisk tillämpning av maskininlärning och AI.