Artificiell intelligens kommer aldrig att ersätta en läkare. Dock, forskare vid Department of Energy's Pacific Northwest National Laboratory har tagit ett stort steg mot den dag då AI kan hjälpa läkare att förutsäga medicinska händelser. Ett nytt tillvägagångssätt utvecklat av PNNL-forskare förbättrar noggrannheten för patientdiagnostik upp till 20 procent jämfört med andra inbäddningsmetoder.

PNNL-metoden strävar efter att fånga och återskapa de typer av anslutningar läkare gör naturligt när de tillämpar ett helt liv av lärande och kunskap till patienten som står framför dem i undersökningsrummet. Målet:Använd laboratoriets robusta AI-kapacitet inom maskininlärning och djupinlärning för att förbättra patientvården och rädda liv.

PNNL-forskare diskuterade nyligen deras nya tillvägagångssätt i ett dokument som presenterades vid Data Science for Healthcare-workshopen vid SIGKDD-konferensen om kunskapsupptäckt och datautvinning.

I hjärtat av utvecklingen är en datamängd PNNL skapad i samarbete med Stanford University på över 300, 000 medicinska begrepp definierade av SNOMED Clinical Terms, en samling av vanliga medicinska termer, koder, synonymer och definitioner som används av medicinska forskare och praktiker. PNNL utvecklade en grafbaserad inlärningsmetod baserad på dessa termer som överträffade nuvarande modeller. Koden är tillgänglig som en nedladdning med öppen källkod.

"Om du tycker att det är svårt att översätta läkares handstil, försök att översätta deras medicinska kunskap till datortalande, " konstaterar Robert Rallo, en datavetare på PNNL som leder PNNL-teamet som tillämpar artificiell intelligens på hälso- och sjukvården. "Den svåra delen är att kombinera flera typer av data. Datorvänliga data som blodprovsnummer eller diagnoskoder är lättare än ostrukturerade data som diagramnoteringar eller bilder från röntgen eller MRI."

Rallo och resten av PNNL-teamet skapar sätt att smälta samman de många olika typerna av hälsovårdsdata med ett AI-verktyg som kallas en kunskapsgraf som en del av det PNNL-finansierade projektet Deep Care.

"En kunskapsgraf är vad läkare har i sina sinnen när de diagnostiserar dig, ", sade Rallo. "Läkare ser relationer baserade på år av träning och erfarenhet. Detta är deras mentala modell som skapar kopplingar mellan symtom och sjukdomar. Vi översätter en symbolisk representation av medicinsk kunskap som den till något vi kan mata till maskininlärningsalgoritmer tillsammans med patientdata."

PNNL datavetare Khushbu Agarwal betonar att AI inte kommer att ersätta läkare. Istället, AI kommer att vara ett beslutsstödsverktyg. Modellerna kommer att ha tillgång till mer data och fler kopplingar än vad som kan lagras i någon mänsklig hjärna. Mycket mer än en databas, modellerna kan till och med upptäcka samband som en läkare som observerar en uppsättning slumpmässiga symtom kanske inte överväger från början. Men läkare bör inte förväntas ta resultatet av en modell till nominellt värde. Sutanay Choudhury, en datavetare på PNNL, är fokuserad på tolkningsbarheten av dessa modeller. Han arbetar med att bygga ett verktyg som kan förklara dess resonemang, förutsägelser och rekommendationer med hjälp av förståeliga exempel som läkare kommer att tolka. Sådana förklaringar ökar förtroendet för modellen, som PNNL-teamet föreställer sig kommer att en dag distribueras på medicinska kliniker.

Som en del av nästa fas av sin forskning, PNNL-teamet arbetar med en ny datamängd som en del av ett samarbete mellan Veterans Administration och Department of Energy. VA-DOE Big Data Science Initiative skapade en säker datormiljö för analyser av medicinsk data och inkluderar nya metoder för att studera självmord, hjärt- och kärlsjukdomar och prostatacancer.