Ny AI-model forsøger at syntetisere patientdata, som læger gør

Kunstig intelligens vil aldrig erstatte en læge. Imidlertid, forskere ved Department of Energy's Pacific Northwest National Laboratory har taget et stort skridt mod den dag, hvor AI kan hjælpe læger med at forudsige medicinske hændelser. En ny tilgang udviklet af PNNL-forskere forbedrer nøjagtigheden af ​​patientdiagnose med op til 20 procent sammenlignet med andre indlejringsmetoder.

PNNL-tilgangen søger at fange og genskabe de typer forbindelser, læger gør naturligt, når de anvender et helt livs læring og viden til patienten, der står foran dem i undersøgelseslokalet. Målet:Brug laboratoriets robuste AI-kapaciteter i maskinlæring og dyb læring til at forbedre patientpleje og redde liv.

PNNL-forskere diskuterede for nylig deres nye tilgang i et papir præsenteret på Data Science for Healthcare-workshoppen på SIGKDD-konferencen om videnopdagelse og datamining.

Kernen i udviklingen er et datasæt PNNL skabt i samarbejde med Stanford University på over 300, 000 medicinske begreber defineret af SNOMED Clinical Terms, en samling af standard medicinske termer, koder, synonymer og definitioner brugt af medicinske forskere og praktikere. PNNL udviklede en graf-baseret læringsmetode baseret på disse vilkår, som overgik de nuværende modeller. Koden er tilgængelig som en open source download.

"Hvis du synes, det er svært at oversætte lægers håndskrift, prøv at oversætte deres medicinske viden til computertale, " bemærker Robert Rallo, en datalog hos PNNL, der leder PNNL-teamet, der anvender kunstig intelligens i sundhedsvæsenet. "Den svære del er at kombinere flere typer data. Computervenlige data som blodprøvetal eller diagnosekoder er nemmere end ustrukturerede data som diagramnoter eller billeder fra røntgenbilleder eller MRI."

Rallo og resten af ​​PNNL-teamet skaber måder at fusionere de mange forskellige typer sundhedsdata med et AI-værktøj kendt som en vidensgraf som en del af det PNNL-finansierede projekt Deep Care.

"En vidensgraf er, hvad læger har i deres sind, når de diagnosticerer dig, " sagde Rallo. "Læger ser relationer baseret på mange års træning og erfaring. Dette er deres mentale model, der skaber forbindelser mellem symptomer og sygdomme. Vi oversætter en symbolsk repræsentation af medicinsk viden som den til noget, vi kan tilføre maskinlæringsalgoritmer sammen med patientdata."

PNNL datalog Khushbu Agarwal understreger, at AI ikke vil erstatte læger. I stedet, AI vil være et beslutningsstøtteværktøj. Modellerne vil have adgang til flere data og flere forbindelser, end der kan lagres i nogen menneskelig hjerne. Langt mere end en database, modellerne kan endda opdage forbindelser, som en læge, der observerer et sæt tilfældige symptomer, måske ikke overvejer i starten. Men læger bør ikke forventes at tage output fra en model for pålydende. Sutanay Choudhury, en datalog ved PNNL, er fokuseret på fortolkningen af ​​disse modeller. Han arbejder på at bygge et værktøj, der kan forklare dets ræsonnement, forudsigelser og anbefalinger ved hjælp af forståelige eksempler, som læger vil fortolke. Sådanne forklaringer øger tilliden til modellen, som PNNL-teamet forestiller sig en dag vil blive indsat på medicinske klinikker.

Som en del af den næste fase af sin forskning, PNNL-teamet arbejder med et nyt datasæt som en del af et samarbejde mellem Veterans Administration og Department of Energy. VA-DOE Big Data Science Initiative skabte et sikkert computermiljø til analyser af medicinske data og inkluderer nye tilgange til at studere selvmord, hjertekarsygdomme og prostatakræft.