Stanford araştırmacıları, göğüs röntgen görüntülerini temel alan tanılar sunan ve hastalığın bulguları için göğüs radyografisini değerlendiren derin öğrenme algoritması geliştirdi. Geliştirilen bu algoritma 14 tıbbi duruma kadar teşhis koyabiliyor ve pnömoniyi uzman radyologlardan daha iyi teşhis edebiliyor.
CheXNet adı verilen algoritma ile ilgili açıklamaları kapsayan bir yazı 14 Kasım’da açık erişimli, bilimsel önizleme web sitesi arXiv‘de yayınlandı.
Stanford Makine Bölümü Yüksek Lisans öğrencisi Pranav Rajpurkar “Zatürre gibi patolojileri teşhis etmek için X-ray görüntülerini yorumlamak çok zor ve radyologların ulaştığı teşhislerde bir çok değişkenlik olduğunu biliyoruz. Yüz binlerce göğüs radyografisi tanılarından veri elde edebilen ve doğru teşhis koyabilen makine öğrenme algoritmalarını geliştirmekle ilgilendik.” dedi.
Çalışma, başlangıçta 26 Şubat tarihinde Ulusal Sağlık Enstitüleri Klinik Merkezi tarafından yayınlanan genel bir veri kümesini kullanıyordu. Bu veri kümesi, mümkün olan en fazla patolojiyle etiketlenen 112.120 frontal-görünümü göğüs radyografisi görüntüleri içeriyordu.
Matthew Lungren, MD, MPH, Tıp Fakültesi’ndeki radyoloji yardımcı doçent olan araştırmacılar, olası dört görüntüleme metni için 420 Stanford radyolog tarafından bağımsız olarak açıklama yapmıştı.
Araştırmacılar, Hastalık Kontrol ve Önleme Merkezleri’ne göre, her yıl 1 milyon Amerikalıyı hastaneye getiren bu hastalığa odaklanmayı seçtiklerini ve özellikle röntgen ışınlarına maruz kalmanın zor olduğunu belirttiler. Makine Öğrenme Grubu ekibi ise, patolojileri otomatik olarak teşhis edebilecek bir algoritma geliştirmeye çalıştılar.
Bir hafta gibi kısa bir sürede araştırmacılar, X-ışınlarında önceki patolojik sonuçlardan daha doğru şekilde etiketlenmiş patolojilerin 10 tanesini teşhis eden bir algoritma elde ettiler. Bir aydan daha uzun bir sürede ise, algoritma 14 tanımlama görevinin tamamında standartları aşabiliyordu. Bu kısa sürede, CheXNet, zatürre teşhis konusundaki dört Stanford radyologundan da daha iyi performans gösterdi.
Neden bir algoritma kullanmalı?
Göğüste görülen, zatürre gibi yaygın ama yıkıcı hastalıklara yönelik tedaviler genellikle doktorların radyolojik görüntülemeyi nasıl yorumladığına bağlıdır. Ancak en iyi radyologlar bile, X ışınlarına dayalı hastalıkları ayırt etmede karşılaşılan zorluklar nedeniyle yanlış tanılama eğilimi gösterirler.
Yazının ortak yazarı Lungren, “Bu çalışmanın arkasındaki motivasyon, yorumlama görevine yardımcı olan ve insan algılamasındaki ve yanlılıktaki esas sınırlamaların üstesinden gelebilecek ve hataları azaltabilecek derin öğrenme modeline sahip olmaktır. Daha kapsamlı olarak, bu amaç için derin öğrenme modelinin geniş kapsamlı bir ortamda sağlık hizmeti sunumunu geliştireceğine inanıyoruz.”dedi.
Yaklaşık bir aylık sürekli iterasyon sonrasında, algoritma zatürre teşhisinde dört Stanford radyologundan daha başarılı oldu. Bu, CheXNet tarafından sağlanan teşhislerin radyologların oy çoğunluğu ile bireysel radyologlarınkilerden daha sık olduğu anlamına gelir. Algoritma, şu anda NIH göğüs röntgen verileri setiyle ilişkili olan herhangi bir çalışmanın en yüksek performansına sahip.
Gelecek için birçok seçenek
ArXiv bildirisinde de detaya giren araştırmacılar, göğüs radyografilerinin bir ısı haritasına benzeyen görüntü üreten bilgisayar tabanlı bir araç geliştirdiler. Ancak bu haritaların renkleri sıcaklıkları temsil etmek yerine, algoritmanın en çok belirlediği alanları yani pnömonileri temsil ediyor.
Bu araç, kaçırılmış zatürre vakalarını azaltmaya yardımcı olur. Radyologların iş akışını önemli ölçüde hızlandırır. Bunlara önce bakmaları gereken yerleri göstererek en ağır hastalar için daha hızlı teşhisler sağlar.
Grubun düzensiz kalp atışı tanısı ve elektronik tıbbi kayıt verileri ile yaptığı diğer çalışmalara paralel olarak, araştırmacılar CheXNet‘in insanların bir radyologa kolay erişemeyecekleri yerlerde dünyadaki insanlara yardım edebileceğini ümit ediyorlar.
Araştırmanın yazarlarından, Jeremy Irvin, “Anormallikleri otomatik olarak tespit edebilen tıbbi algoritmalar üzerine inşa etmeye ve iyileştirmeyi planlıyoruz. Diğerleri için benzer sorunlar üzerinde çalışmak için yüksek kaliteli anonimleştirilmiş tıbbi veri kümelerini halka açmayı umuyoruz. Makinenin mevcut sağlık sistemini iyileştirme yönünde büyük bir potansiyeli var. Bu alanda yeniliğin ön planında olmaya devam etmek istiyoruz” dedi.
