Volgens nieuw onderzoek door een team van computerwetenschappers van de Universiteit van Alberta en het U of A-spin-offbedrijf MEDO kan een nieuw deep-learningmodel ziekten sneller en nauwkeuriger leren identificeren op basis van medische scans. Het baanbrekende model is het werk van een team van onderzoekers van de Faculteit Wetenschappen, inclusief de bijdragen van Pouneh Gorji, een afgestudeerde student die verloren is gegaan in Flight PS752.
Deep learning is een vorm van machine learning - een deelgebied van kunstmatige intelligentie; deep learning-technieken zijn computeralgoritmen die patronen vinden in grote datasets en modellen produceren die vervolgens kunnen worden gebruikt om voorspellingen te doen. Deze modellen werken het beste als ze leren van honderdduizenden of zelfs miljoenen voorbeelden. Maar het gebied van medische diagnostiek vormt een unieke uitdaging, waar onderzoekers om privacyredenen doorgaans slechts toegang hebben tot een paar honderd medische scanbeelden.
"Wanneer een deep-learningmodel met zo weinig instanties wordt getraind, zijn de prestaties meestal slecht", zegt Roberto Vega, hoofdauteur van de studie en afgestudeerde student bij de afdeling Informatica.
"In onze studie hebben we het probleem aangepakt van het leren van effectieve deep-learningmodellen voor medische taken met weinig trainingsinstanties. Het belangrijkste idee is dat we de kennis uit de medische literatuur kunnen gebruiken om het leerproces beter te begeleiden.”
De prestatieverbeteringen komen voort uit het trainen van het algoritme op medische beelden en de bijbehorende "probabilistische" diagnose, indirect geleverd door medische experts. Door deze benadering kan het algoritme de patronen leren die kenmerkend zijn voor elke ziekte in scans, waardoor het kan voorspellen welke ziekte wordt getoond in de scan van een nieuwe patiënt of dat de scan er gezond uitziet.
"Onze aanpak verbeterde zowel de classificatienauwkeurigheid van het model als een zinvol vertrouwen in de voorspelling ervan, waardoor een schatting werd gegeven van de waarschijnlijkheid dat een ziekte in een scan aanwezig is", zei Vega.
“Met dit onderzoek willen we radiologen voorzien van betere tools die hun werk makkelijker, sneller en effectiever maken. We hebben ook het probleem van schaars medisch personeel, een probleem dat nog erger wordt in ontwikkelingslanden. We hopen dat we modellen kunnen ontwikkelen waarmee onze medische experts betere beslissingen kunnen nemen.”
Het werk van velen
Het onderzoek omvat belangrijke bijdragen van Pouneh Gorji, een postuum afgestudeerde van het Department of Computing Science en een slachtoffer van de vlucht PS752 tragedie. In januari 2020 reisden Gorji en Arash Pourzarabi naar Iran om te trouwen en waren twee van de vier leden van de faculteit Bètawetenschappen onder de 176 mensen die omkwamen bij vlucht PS752.
Voor het team is het onderzoek ook een kans om Gorji's nalatenschap en haar kritische bijdragen aan het project te eren. Toen de onderzoekers aan het project begonnen, was het algoritme uitsluitend gericht op heupdysplasie, legt Vega uit. Gorji werkte aan het ontwikkelen van machine learning-modellen voor het identificeren van leververvetting, en het was haar toetreding tot het team dat uiteindelijk leidde tot een herontwerp van het algoritme en de doorbraak in prestaties.
"Het origineel algoritme werkte niet voor leververvetting, dus Pouneh en ik begonnen samen te werken om het probleem op te lossen. Na enkele weken ontdekten we een belangrijke fout in de oorspronkelijke aanpak en konden we een oplossing voorstellen - een die een nieuwe wiskundige manier omvatte om een deel van het model aan te pakken", aldus Vega.