Kendi kendini denetleyen öğrenme, tıbbi AI ilerlemesini nasıl artırabilir?

Araştırmacılar, daha iyi makine öğrenimi modelleri geliştirmek için büyük ölçekli açıklamasız verilerden yararlanmaya çalıştıkça, kendi kendini denetleyen öğrenme, son birkaç yılda yapay zekada (AI) hızla yükselen bir eğilim olmuştur.

2020’de Meta’nın baş yapay zeka bilimcisi Yann Lecun, etiketli bir veri seti üzerinde bir yapay zeka modelinin eğitimini gerektiren denetimli öğrenmenin, denetimli öğrenme daha geniş bir kullanıma girdikçe azalan bir rol oynayacağını söyledi.

Uluslararası Öğrenme Temsil Konferansı (ICLR) 2020 sırasında sanal bir oturum izleyicisine, “İnsanlar olarak öğrendiklerimizin çoğu ve hayvanların öğrendiklerinin çoğu, bir pekiştirme modunda değil, kendi kendini denetleyen bir moddadır” dedi. Ve 2021’de Meta blog gönderisinde LeCun, kendi kendini denetleyen öğrenmenin “verilerin kendisinden denetim sinyalleri aldığını ve genellikle verilerdeki temel yapıdan yararlandığını” açıkladı. Bu nedenle, “birlikte ortaya çıkan modaliteler (örneğin, video ve ses) genelinde ve büyük veri kümeleri genelinde çeşitli denetim sinyallerini – hepsi etiketlere dayanmadan” kullanabilir.

Tıpta kendi kendini denetleyen öğrenmenin artan kullanımı

Bu avantajlar, elektronik sağlık kayıtları ve tıbbi görüntülerin veri kümeleri, biyoelektrik sinyaller ve sekanslar ve yapılar dahil olmak üzere, bu endüstride mevcut olan büyük miktarda yapılandırılmamış veri sayesinde, sağlık ve tıpta kendi kendini denetleyen öğrenmenin dikkate değer artan kullanımına yol açmıştır. genler ve proteinler. Önceden, makine öğreniminin tıbbi uygulamalarının geliştirilmesi, verilerin genellikle tıp uzmanları tarafından manuel olarak açıklanmasını gerektiriyordu.

Harvard Tıp Okulu’nda biyomedikal bilişim yardımcı doçenti Pranav Rajpurkar, bunun ilerleme için bir darboğaz olduğunu söyledi. Rajpurkar, etiket açısından verimli tıbbi görüntü yorumlama, klinisyen-AI işbirliği tasarımı ve açık karşılaştırmalı değerlendirme için derin öğrenmeye odaklanan bir araştırma laboratuvarına liderlik ediyor.

VentureBeat’e “Kararlı veri setlerimizle birçok heyecan verici gelişme gördük” dedi.

Ancak zahmetli, yoğun bir sürece girmeden çok özel tıbbi görevleri yapan 100 algoritmadan ihtiyaç duyulan binlerce algoritmaya geçmek için bir “paradigma kayması” gerekiyordu. İşte bu noktada, bir girdinin gözlemlenmemiş veya gizlenmiş herhangi bir bölümünü, bir girdinin gözlemlenen veya görünmeyen herhangi bir kısmından tahmin etme yeteneği ile kendi kendini denetleyen öğrenme, oyunun kurallarını değiştirmiştir.

Kendi kendini denetleyen öğrenmeyi vurgulama

Yakın tarihli bir inceleme makalesinde Doğa Biyomedikal MühendisliğiRajpurkar, kardiyolog, bilim adamı ve yazar Eric Topol ve öğrenci araştırmacı Rayan Krishnan ile birlikte, tıp ve sağlık hizmetlerinde kullanılan kendi kendini denetleyen yöntem ve modellerin yanı sıra, çok modlu veri kümelerinden yararlanan modellerin geliştirilmesi için kendi kendine denetimli öğrenmenin umut verici uygulamalarını vurguladı. ve eğitimleri için tarafsız veri toplamanın zorlukları.

Rajpurkar, makalenin “önümüzdeki yıllarda kesinlikle tıp da dahil olmak üzere birçok AI uygulamasında göreceğimiz paradigma değişikliğinin altında yatan fırsatları ve zorlukları iletmeyi” hedeflediğini söyledi.

Kendi kendini denetleyen öğrenme ile Rajpurkar, “… ister tıbbi bir görüntü ister sinyal olsun, belirli bir veri kaynağı hakkında etiketlenmemiş verileri kullanarak bilgi edinebileceğini açıkladı. Bu, tıpta ve ötesinde önemsediğim herhangi bir görevi gerçekten büyük ve istikrarlı veri kümeleri toplamadan yapmak için harika bir başlangıç ​​noktası sağlıyor.”

Büyük başarılar açıldı

2019 ve 2020’de Rajpurkar’ın laboratuvarı, göğüs röntgenleri de dahil olmak üzere tıbbi görüntüleri yorumlamak için kendi kendini denetleyen öğrenmenin ortaya çıkardığı ilk büyük başarılardan bazılarını gördü.

“Doğal görüntüleri anlamamıza yardımcı olan algoritmalarda birkaç değişiklikle, belirli bir hastalıkta görülmesi gereken göğüs röntgeni sayısını, o hastalığı tanımlamada başarılı olmaya başlamadan önce azalttık” dedi.

Rajpurkar ve meslektaşları benzer prensipleri elektrokardiyogramlara uyguladılar.

“Algoritmadaki biraz fizyolojik içgörü ile birlikte kendi kendini denetleyen öğrenmeyi uygulamanın bazı yollarıyla, çok sayıda etiketlenmemiş veriden yararlanabileceğimizi gösterdik” dedi.

O zamandan beri, kendi kendine denetimli öğrenmeyi akciğer ve kalp sesi verilerine de uyguladı.

Rajpurkar, “Bir bütün olarak derin öğrenme hakkında çok heyecan verici olan şey, özellikle son bir veya iki yılda, yöntemlerimizi modaliteler arasında gerçekten iyi bir şekilde aktarabilmemizdir” dedi.

Modaliteler arasında kendi kendini denetleyen öğrenme

Örneğin, yakında yayınlanacak olan bir başka makale, göğüs röntgenlerinde sıfır açıklamalı hastalık örnekleriyle bile, Rajpurkar’ın ekibinin aslında göğüs röntgenlerinde hastalıkları tespit edebildiğini ve bunları neredeyse radyolog düzeyinde sınıflandırabildiğini gösterdi. çeşitli patolojilerde.

“Temel olarak, yorumlanmaları sırasında dikte edilen radyoloji raporlarıyla eşleştirilen görüntülerden öğrendik ve sıfır atışla uygulanabilecek bir model oluşturmak için bu iki modaliteyi birleştirdik – yani etiketli numuneler, bunları yapabilmek için gerekli değildi. Farklı hastalıkları sınıflandırın” dedi.

İster proteinlerle, ister resimlerle veya metinlerle çalışıyor olun, süreç aynı tür çerçeveler, yöntemler ve terminolojilerden iki veya üç yıl öncesine göre daha birleşik bir şekilde ödünç alıyor.

“Bu, alan için heyecan verici, çünkü genel bir araç setindeki bir dizi ilerlemenin, bu çok özel modaliteler üzerinde ve üzerinde çalışan herkese yardımcı olduğu anlamına geliyor” dedi.

Rajpurkar’ın uzun yıllardır araştırma odağı olan tıbbi görüntü yorumlamada, bunun “kesinlikle devrim niteliğinde” olduğunu söyledi. “Problemleri teker teker çözmeyi ve yinelemeyi düşünmek yerine[ing] Bu işlemi 1000 kez yaparsam, çok daha büyük bir problem setini bir kerede çözebilirim.”

Yöntemleri uygulamak için momentum

Rajpurkar, bu olasılıkların tıp ve sağlık hizmetlerinde kendi kendini denetleyen öğrenme yöntemlerini geliştirmeye ve uygulamaya yönelik bir ivme yarattığını ve muhtemelen aynı zamanda ölçekte veri toplama yeteneğine sahip diğer endüstriler için, özellikle de ilgili duyarlılığa sahip olmayan endüstriler için ivme yarattığını söyledi. tıbbi veriler.

İleriye dönük olarak, bir tıp uzmanının yaptığı tüm potansiyel görevleri çözmeye yaklaşmakla ilgilendiğini de ekliyor.

“Hedef her zaman geniş bir kitleye tıp ve sağlık hizmetlerinin erişilebilirliğini artırabilecek akıllı sistemler sağlamak olmuştur” diyerek kendisini heyecanlandıran şeyin yalnızca dar bir sorunu çözmeyen çözümler üretmek olduğunu da sözlerine ekledi: Doktorların veya hastaların teşhis ve tedaviler hakkında akıllı kararlar alabilmeleri için farklı sinyalleri birleştiren modellerle bir dünyaya doğru çalışmak.”