Pro lékařskou profesi je charakteristický zásadní význam zkušeností. Patolog s větší zkušeností viděl o stovky preparátů více než jeho méně zkušený kolega, a lze tedy předpokládat, že jeho diagnóza bude přesnější. Obdobnou situaci lze pozorovat u radiologů, internistů a samozřejmě také v chirurgických profesích. V posledních letech ovšem zároveň došlo k mohutnému rozvoji strojového učení a snahám o aplikaci tohoto principu v medicíně, zejména v diagnostických oborech. Má tedy strojové učení potenciál dramaticky transformovat současnou roli lékaře?
První snahy vytvořit software, který bude mít schopnost učit se řešit nové problémy bez nutnosti toto řešení předem explicitně naprogramovat (tedy proces velmi podobný způsobu, jakým funguje učení u lidského mozku), se datují do 60. let 20. století. Teprve od roku 2010 však v důsledku výkonnějšího hardwarového vybavení a možnosti skladovat velké množství dat došlo k rychlému rozvoji strojového učení (machine learning) a k jeho komerčnímu využití.
Ještě bližší analogii k fungování lidského mozku představuje tzv. hluboké učení (deep learning) − oblast strojového učení vycházející z umělých neuronových sítí. Jedná se o vícevrstevné sítě uzlů vytvářející struktury podobné biologickým sítím neuronů. Takovéto síti je předloženo velké množství dat ve formě příkladů, na kterých se síť následně učí a zlepšuje svůj výkon.
V lednu 2017 byla publikována studie srovnávající přesnost umělé neuronové sítě a panelu 21 dermatologů v diagnostice nádorů kůže. Tréninkový dataset zahrnoval 129 450 fotografií klinických nálezů maligních nádorů kůže a benigních lézí (spinocelulární karcinom vs. benigní seboroická keratóza a maligní melanom vs. benigní névus) potvrzených biopsií. V přesnosti diagnózy se umělá neuronová síť vyrovnala všem 21 dermatologům.
V červenci 2017 byla publikována studie, která se snažila aplikovat princip strojového učení na rozeznávání diabetické retinopatie z obrazu očního fundu. Diabetická retinopatie je častou příčinou ztráty zraku, které je při časné diagnóze možno zabránit. Na základě 75 137 veřejně dostupných obrazů očního pozadí diabetických pacientů s retinopatií a bez ní byla neuronová síť trénována k rozeznání retinopatie u diabetických pacientů. V následných testech dosáhla tato metoda 94% senzitivity a 98% specificity. Tento systém by mohl být v budoucnu použit k automatizaci diabetologického screeningu: popsaný algoritmus by identifikoval pacienty se suspektní retinopatií, kteří by následně byli detailně vyšetřeni oftalmologem.
Objem dostupných medicínských dat – od anamnestických údajů po výsledky celogenomového sekvenování – neustále narůstá. Strojové učení přináší možnost potenciálního využití těchto dat způsobem, který by jinak vzhledem k jejich množství a komplexnosti nebyl možný. Na druhé straně je tento optimistický pohled doprovázen také mnoha otazníky, například ohledně ochrany osobních údajů a možnosti supervize automatických metod. Snahou lékařů by v současnosti mělo být porozumění hlavním principům strojového učení a neuronových sítí. Právě oni jsou těmi, kdo bude rozhodovat o tom, v jaké podobě bude strojové učení dále integrováno do klinické praxe.
(alz)
Zdroje:
1. Artificial intelligence in health care: within touching distance. Lancet 2017 Dec 23; 390 (10114): 2739, doi: 10.1016/S0140-6736(17)31540-4.
2. Esteva A., Kuprel B., Novoa R. A. et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017 Feb 2; 542 (7639): 115−118, doi: 10.1038/nature21056.
3. Gargeya R., Leng T. Automated identification of diabetic retinopathy using deep learning. Ophthalmology 2017 Jul; 124 (7): 962−969, doi: 10.1016/j.ophtha.2017.02.008.
