«Это отмечает первую демонстрацию машинного обучения в диагностической области», сказали ведущий автор Джеймс Кирби, Мэриленд, директор Клинической Лаборатории Микробиологии в BIDMC и Адъюнкт-профессоре Патологии в Медицинской школе Гарварда. «С дальнейшим развитием мы полагаем, что эта технология могла сформировать основание будущей диагностической платформы, которая увеличивает возможности клинических лабораторий, в конечном счете ускоряя доставку ухода за больным».Команда Кирби использовала автоматизированный микроскоп, разработанный, чтобы собрать данные изображения с высоким разрешением от микроскопических слайдов. В этом случае образцы крови, взятые от пациентов с подозреваемыми инфекциями кровотока, были выведены, чтобы увеличить бактериальные числа. Затем слайды были подготовлены, поместив каплю крови на стеклянном понижении и окрашенный краской, чтобы сделать бактериальные структуры клетки более видимыми.
Затем, они обучили сверточную нейронную сеть (CNN) – класс искусственного интеллекта, смоделированного на зрительной зоне коры головного мозга млекопитающих, и раньше анализировали визуальные данные – чтобы категоризировать бактерии на основе их формы и распределения. Эти особенности были отобраны, чтобы представлять бактерии, которые чаще всего вызывают инфекции кровотока; бактерии, имеющие форму прута включая E. coli; круглые группы разновидностей Staphylococcus; и пары или цепи разновидностей Streptococcus.«Как ребенок, системе было нужно обучение», сказал Кирби. «Обучение признать бактерии потребовали большого количества практики, делание ошибок и приобретение знаний из тех ошибок».
Чтобы обучить его, ученые накормили свою необученную нейронную сеть больше чем 25 000 изображений от образцов крови подготовленный во время обычного клинического workups. Подрезая эти изображения – в котором бактерии были уже определены человеческими клиническими микробиологами – исследователи произвели больше чем 100 000 учебных изображений. Машинная разведка изучила, как сортировать изображения в три категории бактерий (круглые группы, имеющие форму прута, и круглые цепи или пары), в конечном счете достигнув почти 95-процентной точности.Затем, команда бросила вызов алгоритму сортировать новые изображения от 189 слайдов без человеческого вмешательства.
В целом, алгоритм достиг больше чем 93-процентной точности во всех трех категориях. С дальнейшим развитием и обучением, Кирби и коллеги предполагают, что увеличенная AI платформа могла использоваться в качестве полностью автоматизированной системы классификации в будущем.Тем временем Кирби предполагает, что автоматизированная классификация может повысить качество нехватки человеческих технологов, помогая им работать более эффективно, «очевидно уменьшающий технолог прочитал время от минут до секунд», сказал он.
В то время как человеческие технологи обычно предоставляют очень точные диагнозы, спрос на этих высококвалифицированных рабочих превышает поставку в Соединенных Штатах. Девять процентов технологов лаборатории остаются незаполненными, и то число, как ожидают, существенно увеличится, поскольку технологи поколения Родившегося во время демографического взрыва начинают удаляться группами, согласно обзору 2014 года от американского Общества Клинической Патологии.
Кроме того, эти изображения можно послать удаленно, принеся экспертное знание высшего уровня где угодно, Интернет достигает. Это очень важно, поскольку быстрая идентификация и поставка антибиотических лекарств ключ к лечению инфекций кровотока, которые могут унести жизни до 40 процентов пациентов, которые развивают их. Каждый день пациент идет невылеченный, связан с повышенным риском смертности.
В дополнение к его клиническому использованию у нового инструмента могли также быть применения в обучении микробиологии и исследовании, отметил Кирби.«Инструмент становится живущим хранилищем данных, поскольку мы используем его», сказал он. «И мог использоваться, чтобы обучить новый штат и гарантировать компетентность.
Это может обеспечить беспрецедентный уровень детали как инструмент исследования».