Первый системный обзор и мета-анализ на тему машинного обучения в диагностике

В The Lancet, раздел Digital Health, опубликована работа, где сравнивается эффективность диагностики машинного обучения и человека


Авторы проанализировали более 20500 работ, но в системный обзор включили менее 1% этих данных, т.к. только они удовлетворяли строгим критериям отбора по выборке и типу тестирования.

В целом в этих высококачественных исследованиях делается вывод, что машинное обучение может обнаруживать патологию от онкологии до глазных заболеваний с такой же точностью, как и профессионалы своей специальности. Но важно отметить, что искусственный интеллект (ИИ) не превосходит человека в постановке именно окончательного диагноза.

С помощью машинного обучения компьютеры могут исследовать тысячи медицинских изображений для распознавания патологических паттернов. Это предоставляет огромный потенциал для улучшения точности и скорости диагностики. Результаты исследований, в которых машина определяет патологию лучше человека, вызывают большой резонанс в обществе, а более 30 алгоритмов ИИ уже одобрено организацией FDA для здравоохранения.

Многие специалисты считают, что авторы подобных исследований зачастую предвзяты и хотят увидеть результаты, где побеждает компьютер.

Для объективизации данной дискуссии авторы решили провести системный обзор и мета-анализ наиболее качественных исследований на тему машинного обучения и профессионалов здравоохранения в определении патологии. В общем в обзор было включено 82 статьи с 2012 по 2019 год. В 14 из них, где сравнивалась эффективность обнаружения болезни, алгоритмы машинного обучения правильно определяли болезнь в 87% случаев, а врачи-специалисты в 86%. Оценка способности исключать пациентов, у которых нет заболевания, была оценена в 93% точности для машинного обучения и 91% для человека.

Также следует принимать во внимание, что дизайн большинства исследований оторван от реальной клинической практики, когда врачам для постановки диагноза предоставляли меньшее количество результатов различных обследований. И, в отличие от структурированной информации, используемой в исследованиях, в реальном мире она может быть куда более разрозненой и плохо организованной. Тем не менее, технологии машинного обучения выглядят весьма обещающими и в ближайшее время наверняка начнут свою интеграцию в практическое здравоохранение.

 

Источник: http://dx.doi.org/10.1016/S2589-7500(19)30123-2

Все новости и обзоры - в нашем канале на «Яндекс.Дзене». Подписывайтесь




Актуальные проблемы

Специализации




Календарь событий: