The Utility of Machine Learning in Diagnostic Healthcare – Towards AI

The Utility of Machine Learning in Diagnostic Healthcare – Towards AI

Pengarang: Ina Hanninger

Awalnya diterbitkan di Towards AI the World’s Leading AI and Technology News and Media Company. Jika Anda sedang membangun produk atau layanan terkait AI, kami mengundang Anda untuk mempertimbangkan untuk menjadi sponsor AI. Di Towards AI, kami membantu menskalakan AI dan startup teknologi. Biarkan kami membantu Anda melepaskan teknologi Anda kepada massa.

[Image source]

Dekade terakhir telah melihat peningkatan yang signifikan dalam penerapan AI dan pembelajaran mesin di bidang kedokteran. Namun, etika, keandalan, dan kesesuaian alat ini harus dipertimbangkan dengan hati-hati jika ingin menggantikan pendekatan tradisional saat ini. Di sini saya akan mempertimbangkan 3 cara di mana pembelajaran mesin berpotensi bermanfaat bagi perawatan kesehatan:

1. Mendefinisikan ulang dan membenarkan ambang batas risiko untuk penyakit dan gangguan

Saat ini, dalam diagnosis, banyak ambang risiko untuk gangguan seperti penyakit jantung cenderung ditentukan hanya dengan pertimbangan variabel tunggal daripada dalam arti multi-variabel. Misalnya, ketika mendiagnosis gagal jantung atau kardiomiopati, bukti fraksi ejeksi di bawah 40 persen, untuk waktu yang lama, merupakan standar emas. Namun, penelitian telah menemukan bahwa sekitar setengah dari semua kasus gagal jantung terjadi dengan fraksi ejeksi yang diawetkan, menghadirkan tantangan diagnostik dan terapeutik yang berat – terutama dalam membedakannya dari penyebab lain dari gejala yang dilaporkan seperti kesulitan bernapas (dispnea). [1]. Ketika datang ke pasien pra-gejala, berisiko, atau awal penyakit seperti itu, bahkan jika banyak variabel digunakan, mereka cenderung digabungkan secara sewenang-wenang oleh dokter dalam arti independen dan asosiatif. [2].

Agaknya, akurasi diagnosis akan meningkat jika dilakukan berdasarkan kasus per kasus menggunakan ambang batas bersyarat di beberapa variabel — artinya ambang batas untuk satu variabel mungkin bergantung pada nilai variabel lain. Sebagai contoh, seorang pasien berusia 40 tahun, berjenis kelamin laki-laki, memiliki tekanan darah sistolik 120 mmHg dan kolesterol total 4 mmol/L, di atas ambang batas massa ventrikel kiri berapa yang mengindikasikan serangan awal gagal jantung? Atau, dengan kombinasi nilai parameter ini, berapa probabilitas pasien untuk onset di masa depan? Saat ini, bahkan dukungan keputusan berbasis aturan AI canggih yang digunakan oleh NHS dalam sistem Electronic Health Record (EHR) mereka saat ini tidak memiliki presisi seperti ini. [4]

Gambar 1: Contoh diagram pohon keputusan yang digunakan untuk mendiagnosis penyakit jantung (sumber)

Salah satu cara untuk mencapai tujuan ini adalah melalui penggunaan algoritma klasifikasi berbasis pohon. Mari kita berteori bahwa mekanisme yang mendasari beberapa gangguan – stenosis aorta, misalnya – tergantung pada serangkaian kompleks keterkaitan kondisional dan aturan logis yang berlaku dalam beberapa kasus dan bukan yang lain. Sebagai contoh, kami telah mengamati bahwa massa ventrikel kiri yang tinggi (hipertrofi) hanya menjadi masalah jika pasien di atas usia tertentu dan dengan massa lemak visceral di atas nilai tertentu dan beberapa kondisi lainnya. Algoritma berbasis pohon, seperti Pohon keputusan dan Hutan Acak, secara eksplisit mempelajari dan memodelkan subkelompok ini, menggunakan aturan keputusan bersyarat yang bervariasi di antara cabang-cabang pohonnya, memberikan rangkaian logika yang berbeda untuk pasien yang berbeda. Secara bersamaan, memfasilitasi interpretasi dalam bentuk kepentingan fitur dan diagram pohon (seperti Gambar 1).

Perlu dicatat bahwa tidak semua algoritma klasifikasi pembelajaran mesin memungkinkan jenis logika dasar yang sama untuk disimpulkan. Dengan pendekatan penyesuaian kurva tunggal, algoritma diskriminan lainnya seperti SVM, tetangga terdekat K, atau regresi logistik tidak dapat mempelajari jenis logika kondisional ini kecuali diprogram sebelumnya.

Selama beberapa dekade, kami telah melihat berbagai pendekatan untuk sistem berbasis aturan untuk diagnosa medis. Mulai dari MYCIN pada awal 1970-an, yang digunakan untuk mendiagnosis infeksi bakteri yang ditularkan melalui darah dari berbagai variabel menggunakan basis pengetahuan ~600 aturan yang dimasukkan oleh para ahli dan mesin inferensi, hingga IBM Watson untuk diagnosis kanker, hingga NHS EHR yang digunakan saat ini ; tantangan terbesar adalah perdebatan tentang cara terbaik untuk mewakili ketidakpastian, terutama estimasi sejumlah besar probabilitas bersyarat, dan bagaimana menangani terjadinya logika yang saling bertentangan atau melingkar dalam aturan terprogram ini. [4].

Dan bahkan di mana sistem aturan tersebut, seperti MYCIN, telah mencapai prediksi yang setara dengan para ahli medis, kami belum melihat keberhasilan luas atau adopsi sistem tersebut untuk menetapkan standar penilaian diagnostik — juga karena integrasi yang buruk dengan sistem klinis yang ada dan kekhawatiran tentang tanggung jawab hukum atas kesalahan prediksi.

2. Mengembangkan sistem diagnostik otomatis dengan akurasi yang unggul dibandingkan dokter

Dengan akses ke jumlah data yang lebih besar dan pengujian ketahanan lebih lanjut, pengklasifikasi pembelajaran mesin mungkin dapat menentukan risiko dan timbulnya gangguan jantung lebih cepat dan lebih akurat daripada yang dapat dilakukan sendiri oleh dokter. Sementara (1) melihat bagaimana ambang batas risiko dan diagnosis penyakit dapat didefinisikan dengan lebih baik menggunakan pembelajaran mesin dan digunakan sebagai pendukung keputusan untuk dokter, kasus penggunaan lain dapat berupa tugas tunggal di mana kemampuan untuk menjelaskan kurang penting atau tidak relevan.

[Image source]

Untuk diagnosis pencitraan sederhana dan spesifik, seperti mendeteksi keganasan lesi kulit berpigmen, Tschandl et al. (2019) menemukan bahwa pengklasifikasi mengungguli penilaian 27 ahli manusia dengan pengalaman lebih dari satu dekade, mencapai jumlah rata-rata diagnosis yang benar 25,43 vs 18,78 (P<0,0001). Demikian pula, dengan melatih AI pada pemindaian retina, DeepMind mampu mengidentifikasi beberapa penyakit retina dengan tepat hingga akurasi 94%, melampaui para ahli manusia terkemuka. [5]. Namun, di area lain, data yang terbatas dan kompleksitas yang lebih besar di balik faktor-faktor pengaruh saat ini menghambat keakuratan dan keandalan pembelajaran mesin dibandingkan dengan manusia. Demikian pula, karena pertanyaan tentang kesalahan hukum atas kesalahan prediksi, kepercayaan pada metode otomatis ini akan membutuhkan waktu lebih lama untuk dibangun. Untuk saat ini, tampaknya paling bijaksana untuk mendekati aplikasi pembelajaran mesin apa pun dengan filosofi bahwa itu harus berkolaborasi dengan dan melengkapi pengambilan keputusan manusia daripada menggantinya sama sekali.

3. Menemukan wawasan dan teori baru untuk penelitian medis

Sering ada dikotomi yang ditempatkan antara pembelajaran mesin dan statistik tradisional dalam hal kinerja prediktif vs. trade-off yang dapat dijelaskan — bahwa pembelajaran mesin dirancang dengan penekanan yang lebih besar pada prediksi akurasi tinggi sementara statistik terutama dirancang untuk menyimpulkan hubungan antar variabel [6].

Namun, dengan perkembangan alat interpretasi dan kemampuan penjelasan pembelajaran mesin (misalnya, fitur penting, SHAP, dan jaringan Bayesian), masuk akal bahwa pembelajaran mesin memiliki potensi untuk mencapai akurasi prediksi tinggi dan penjelasan mendalam. Diterapkan pada konteks penelitian medis, seseorang dapat membayangkan masa depan akademisi di mana volume massa data pasien digunakan oleh algoritma untuk menghasilkan model kausal yang mengusulkan teori dan asosiasi baru antara variabel diagnostik. Pada awalnya, kesimpulan ini akan menjadi yang berfungsi sebagai validasi untuk teori medis yang sudah ada sebelumnya dan mapan, tetapi karena kepercayaan tumbuh dalam akurasi dan kebijaksanaan algoritma ini, mereka mungkin mulai digunakan sebagai sumber teori baru yang akan dikembangkan. dipelajari dan dilengkapi dengan studi pasien lebih lanjut atau percobaan in-vitro.

Sementara upaya untuk penggalian data dan penemuan pengetahuan dalam kedokteran telah ada sejak tahun 90-an, ada keterbatasan dalam metodologi di balik menyimpulkan dan membuktikan kausalitas dari data, di samping tantangan umum tentang bagaimana informasi harus diturunkan, ditafsirkan, dan disajikan. Mengutip penulis ulasan baru-baru ini, sayangnya demikian, “Penelitian biomedis tenggelam dalam data, namun kelaparan akan pengetahuan.” [7]

Referensi:

[1] “Gagal jantung dengan fraksi ejeksi yang diawetkan: konsep terbaru dalam diagnosis, mekanisme, dan manajemen”

[2] Jonathan G. Richens, Ciarán M. Lee & Saurabh Johri. “Meningkatkan akurasi diagnosis medis dengan pembelajaran mesin kausal”

[3] C. Hughes “Representasi ketidakpastian dalam sistem pakar medis”

[4]Thomas Davenport dan Ravi Kalakota “Potensi kecerdasan buatan dalam perawatan kesehatan”

[5] https://www.moorfields.nhs.uk/content/breakthrough-ai-technology-improve-care-patients

[6] Danilo Bzdok, Naomi Altman & Martin Krzywinski. “Statistik versus pembelajaran mesin”

[7] Andreas Holzinger & Igor Jurisica. “Penemuan Pengetahuan dan Penambangan Data dalam Informatika Biomedis: Masa Depan Ada Dalam Solusi Pembelajaran Mesin Interaktif dan Interaktif”

The Utility of Machine Learning in Diagnostic Healthcare awalnya diterbitkan di Towards AI on Medium, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.

Diterbitkan melalui Menuju AI

Author: Jonathan Kelly