Pneumonia menempatkan satu juta orang dewasa Amerika di rumah sakit setiap tahun dan membunuh 50.000. Jika seorang dokter mencurigai seorang pasien menderita pneumonia, ia biasanya akan melakukan rontgen dada. Sinar-X ini harus ditafsirkan oleh dokter, tentu saja. Tetapi sekarang, para peneliti Stanford telah mengembangkan suatu algoritma yang mereka katakan dapat mendiagnosis pneumonia pada sinar-X lebih baik daripada ahli radiologi yang berpengalaman.
“Keuntungan yang dimiliki algoritma adalah dapat belajar dari ratusan ribu sinar-X dada dan diagnosa yang sesuai dari para ahli lainnya, ” kata Pranav Rajpurkar, seorang mahasiswa pascasarjana di Stanford Machine Learning Group, yang ikut memimpin penelitian ini. "Kapan ahli radiologi mendapat kesempatan untuk belajar dari ratusan ribu diagnosa ahli radiologi lain dan menemukan pola dalam gambar yang mengarah ke diagnosis tersebut?"
Algoritma, yang disebut CheXNet, juga dapat mendiagnosis 13 kondisi medis lainnya, termasuk emfisema dan pneumotoraks (udara terperangkap di antara paru-paru dan dinding dada). Tim membangun algoritma menggunakan dataset publik dari National Institutes of Health (NIH), yang berisi lebih dari 100.000 gambar sinar-X dada berlabel 14 kondisi yang memungkinkan. Dataset dirilis bersama dengan algoritma diagnosis awal, yang NIH mendorong peneliti lain untuk maju.
Rajpurkar dan rekan-rekannya anggota Machine Learning Group memutuskan untuk menerima tantangan tersebut. Para peneliti memiliki empat ahli radiologi Stanford menandai kemungkinan indikasi pneumonia pada 420 gambar. Dengan menggunakan data ini, dalam waktu seminggu mereka membuat algoritma yang dapat secara akurat mendiagnosis 10 kondisi. Dalam sebulan, algoritma ini dapat mengungguli algoritma sebelumnya dalam mendiagnosis semua 14 kondisi. Pada titik ini, diagnosis CheXNet setuju dengan pendapat mayoritas ahli radiologi lebih sering daripada pendapat individu dari seorang ahli radiologi.
Penelitian ini diterbitkan bulan ini di situs web preprint ilmiah arXiv .
Algoritma diagnostik lain telah membuat berita baru-baru ini. Tim Kanada dan Italia telah mengembangkan algoritma untuk mendiagnosis penyakit Alzheimer dari pemindaian otak. Distribusi plak di otak yang menjadi ciri penyakit ini terlalu halus untuk mata telanjang, tetapi para peneliti mengatakan teknologi AI dapat mendeteksi pola abnormal. Rajpurkar dan rekan-rekan peneliti di Machine Learning Group Stanford juga telah mengembangkan algoritma untuk mendiagnosis aritmia jantung, menganalisis jam data dari monitor jantung yang dapat dipakai. Algoritma pneumonia lainnya telah dikembangkan dari data NIH, tetapi yang Stanford sejauh ini paling akurat.
CheXNet bisa sangat membantu di tempat-tempat di mana orang tidak memiliki akses mudah ke ahli radiologi yang berpengalaman, kata tim. Ini juga bisa berguna sebagai semacam triase, mengidentifikasi kasus mana yang mungkin memerlukan perhatian darurat dan mana yang tidak. Tim juga mengembangkan alat yang menghasilkan peta indikator pneumonia potensial pada sinar-X, memberikan panduan visual yang praktis untuk dokter.
Sementara tim optimis tentang kemampuan diagnostik CheXNet, mereka berhati-hati tentang batasannya.
“AI adalah alat yang ampuh, tetapi butuh pengalaman bertahun-tahun dan banyak waktu yang sulit untuk intuisi cara menggunakannya, dan sama sulitnya untuk menentukan di mana kita dapat menggunakannya untuk dampak paling positif, ” kata Rajpurkar.
Sementara ada sejumlah algoritma pembelajaran yang mendalam dalam pengembangan, belum ada yang melalui pengujian ketat dan proses persetujuan yang diperlukan untuk digunakan pada pasien nyata.
Paul Chang, seorang profesor radiologi dan wakil ketua departemen radiologi di University of Chicago, terdengar nada skeptis tentang CheXNet dan program pembelajaran mendalam serupa. Dokter sudah menggunakan algoritma untuk membantu dalam mendiagnosis sejumlah kondisi, kata Chang. Algoritme ini bergantung pada model yang sudah dibentuk seperti apa kondisinya: kanker lebih besar dan lebih runcing daripada massa jinak, misalnya. Program pembelajaran mendalam, sebaliknya, dimaksudkan untuk mengetahui fitur apa yang signifikan pada mereka sendiri, dengan mengumpulkan data dalam jumlah besar. Tetapi ini juga berarti bahwa mereka dapat mengambil isyarat yang salah. Chang memberikan contoh algoritma pembelajaran mendalam yang mempelajari perbedaan antara berbagai jenis sinar-X: tangan, kaki, mammogram. Tetapi para peneliti menemukan bahwa program itu hanya belajar mengenali mammogram dengan fakta bahwa gambar utama ada di sisi film daripada di tengah (karena payudara melekat pada dinding dada mereka muncul di tepi film di gambar mammogram. Sebaliknya, tangan atau kaki akan muncul di tengah rontgen). Algoritma tidak mempelajari sesuatu yang signifikan tentang payudara, hanya tentang posisi mereka di layar.
"Ini adalah masa yang sangat awal, " kata Chang, yang menunjukkan bahwa hasil CheXNet belum ditinjau oleh rekan sejawat. “Pembelajaran mendalam memiliki potensi besar, tetapi kita dalam kedokteran dan radiologi cenderung lebih awal dalam siklus hype, tetapi kita perlu waktu lebih lama untuk mengadopsi. Kami akan belajar bagaimana mengkonsumsinya dengan tepat. ”
