Accelerating Machine Learning in Healthcare: Addressing the Labelling Bottleneck
Diese Studie zeigt, dass eine gestufte, selbst-bootstrapende Labeling-Pipeline, die Experten-annotierte Seed-Sets und Active Learning nutzt, seltene Fälle der pädiatrischen junctionalen ektoppen Tachykardie um etwa das 15-fache im Vergleich zur Zufallsstichprobe anreichern kann, wodurch die Nutzung knapper klinischer Annotationsressourcen für maschinelles Lernen im Gesundheitswesen signifikant optimiert wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Hochrisikoumgebung einer pädiatrischen Intensivstation, auf der Kinder sich von komplexen Herzoperationen erholen, ist Zeit die kritischste Ressource. Der Rhythmus des Herzens kann plötzlich umschlagen, und wenn dies geschieht, können die Folgen schwerwiegend sein. Ärzte verlassen sich auf eine kontinuierliche Überwachung, um diese gefährlichen Veränderungen frühzeitig zu erkennen, aber das schiere Volumen der Daten, die von den Patientenmonitoren am Krankenbett erzeugt werden, ist überwältigend. Seit Jahrzehnten versuchen Forscher, Computern beizubringen, diese unregelmäßigen Herzschläge automatisch zu erkennen, in der Hoffnung, den Klinikern ein zweites Paar Augen zu geben, das niemals blinzelt. Ein großes Hindernis stand jedoch immer im Weg: Um einen Computer zu lehren, muss man ihm zuerst Beispiele zeigen, und das Finden dieser Beispiele ist unglaublich schwierig. Die meisten bestehenden Computerprogramme wurden mit Daten von Erwachsenen trainiert, die nicht mit den einzigartigen Herzrhythmen von Kindern übereinstimmen, und sie stützen sich auf komplexe Zwölf-Kanal-EKG-Aufzeichnungen, die bei der kontinuierlichen Echtzeitüberwachung eines kranken Kindes selten verwendet werden. Die gefährlichsten Herzrhythmen sind auch die seltensten, was bedeutet, dass ein Arzt, wenn er zufällig tausende Stunden an Herzmonitor-Aufzeichnungen durchsucht, vielleicht Tage damit verbringt, nur nach wenigen Minuten des spezifischen Problems zu suchen, das er untersuchen muss.
Ein Team von Forschern am The Hospital for Sick Children in Toronto, das mit Kollegen aus Seattle, Michigan und Israel zusammenarbeitete, setzte sich zum Ziel, dieses Problem des Suchens der Nadel im Heuhaufen zu lösen. Sie haben nicht einfach mehr Daten gesammelt; stattdessen haben sie einen intelligenteren Weg entwickelt, um die spezifischen Herzrhythmen zu finden, die sie untersuchen wollten. Sie begannen mit einem massiven digitalen Archiv, das über 1,6 Millionen Stunden an Herzmonitor-Aufzeichnungen von mehr als 9.000 Kindern enthielt. Dieses Archiv, bekannt als AtriumDB, war eine Schatzkammer an Informationen, aber fast alles davon war unbeschriftet, was bedeutet, dass noch niemand dem Computer gesagt hatte, was jeder Herzschlag repräsentierte. Die Forscher standen vor einer Wahl: Sie konnten vielbeschäftigte Ärzte bitten, diese Daten zufällig zu scannen, ein langsamer und ineffizienter Prozess, oder sie konnten ein System entwickeln, das den Ärzten hilft, die seltenen, gefährlichen Rhythmen viel schneller zu finden. Sie entschieden sich für Letzteres und entwickelten einen schrittweisen Prozess, der mit menschlichen Experten begann und nach und nach einen Computerassistenten einführte, um die Suche zu leiten.
Der Prozess begann mit der traditionellsten Methode: dem Rückblick auf alte medizinische Unterlagen. Das Team fand Fälle, in denen ein Kind einen formalen Zwölf-Kanal-Herztest in einem Krankenhauslabor erhalten hatte, der eine bestätigte Diagnose lieferte. Sie verknüpften diese bekannten Diagnosen mit den kontinuierlichen Herzmonitor-Aufzeichnungen aus derselben Zeit. Dies lieferte ihnen einen kleinen, zuverlässigen ersten Satz an Beispielen. Diese Methode hatte jedoch einen Fehler; die Krankenhausunterlagen waren oft von normalen, gesunden Herzschlägen dominiert, und der zeitliche Abstand zwischen dem Labortest und dem kontinuierlichen Monitor war nicht immer perfekt, was die Ärzte zwang, viel Zeit mit der Verifizierung oder Korrektur der Beschriftungen zu verbringen. Um dies zu verbessern, fügte das Team einen zweiten Schritt hinzu, bei dem Ärzte und Pflegekräfte auf der Intensivstation Herzrhythmusstörungen melden konnten, sobald sie diese in Echtzeit beobachteten. Dies lieferte frische, relevante Beispiele, war aber immer noch dadurch begrenzt, wie oft ein Arzt ein Problem bemerkte und meldete.
Sobaco das Team genug Beispiele aus diesen ersten beiden Schritten hatte, um ein grundlegendes Computermodell zu trainieren, führten sie den dritten und vierten Schritt ein, die darauf basierten, dass der Computer die Schwerstarbeit übernimmt. Sie brachten dem Computer bei, die unbeschrifteten Daten zu betrachten und die Teile zu identifizieren, bei denen er sich unsicher war. Dies ist als Uncertainty Sampling (Unsicherheitssampling) bekannt. Anstatt zu raten, markierte der Computer die Herzschläge, die ihn verwirrten, und leitete diese spezifischen Segmente zur Überprüfung an die Ärzte weiter. Dies war weitaus effizienter als eine Zufallssuche, da der Computer im Grunde sagte: „Ich weiß nicht, was das ist, bitte sag es mir.“ Während die Ärzte diese verwirrenden Beispiele beschrifteten, wurde der Computer immer klüger. Schließlich nutzte das Team eine Technik namens Embedding Search. Dies ermöglichte es dem Computer, nach Herzschlägen zu suchen, die morphologisch ähnlich zu den seltenen, gefährlichen Rhythmen waren, die er bereits gelernt hatte, selbst wenn sie von verschiedenen Kindern stammten. Es war, als würde man den Computer bitten, alle Herzschläge zu finden, die so „aussahen“ wie die gefährlichen, die er gerade erst gelernt hatte, wobei er das gesamte Archiv nach neuen Variationen desselben Problems durchsuchte.
Die Ergebnisse dieses gestuften Ansatzes waren beeindruckend. Als die Forscher testeten, wie viele seltene, gefährliche Herzschläge sie finden könnten, wenn sie einfach zufällige Segmente aus dem Archiv auswählen würden, fanden sie nur zwei Fälle in jeweils 200 Segmenten, eine Rate von nur einem Prozent. Im Gegensatz dazu fand ihre neue, mehrstufige Pipeline die seltenen Herzschläge in 14,7 Prozent der gesamten Zeit, die sie beschrifteten, und in 24,7 Prozent der überprüften, einzigartigen Patienten. Das bedeutet, dass die Pipeline etwa fünfzehnmal effizienter beim Finden der seltenen Herzschläge pro Stunde war und fünfundzwanzigmal effizienter pro Anzahl der Patienten im Vergleich zur Zufallssuche. Die Effizienz wuchs mit jedem Schritt des Prozesses. Die anfänglichen, manuellen Schritte bildeten das Fundament, aber die computergesteuerten Schritte, insbesondere die abschließende Suche nach ähnlich aussehenden Herzschlägen, brachten die höchsten Erträge. In der letzten Phase, als der Computer nach Herzschlägen suchte, die dem seltenen Rhythmus ähnelten, wurden mehr als sechzig Prozent der von ihm ausgewählten Segmente nach der Überprüfung durch einen Arzt als das Ziel-Rhythmus bestätigt.
Die Studie behauptete nicht, dass das Computermodell bereit sei, Patienten eigenständig zu diagnostizieren; das ist eine separate Herausforderung. Stattdessen bewies die Arbeit, dass ein intelligenter, kollaborativer Arbeitsablauf den Engpass bei der Beschriftung von Daten überwinden kann. Indem das Team den Computer anleitete, die Ärzte zu den interessantesten und seltenen Teilen der Daten zu führen, schufen sie einen hochwertigen Datensatz von fast 190 Stunden expertenbeschriftter Herzrhythmen von 1.447 Kindern. Dieser Datensatz ist nun reich an den seltenen, gefährlichen Rhythmen, die für das Training zukünftiger medizinischer Werkzeuge essenziell sind. Die Forscher fanden heraus, dass diese Methode es ihnen ermöglichte, eine vielfältige Sammlung von Herzschlägen aus Kindern aller Altersgruppen, von Neugeborenen bis hin zu Teenagern, aufzubauen, ohne eine unmögliche Menge an Zeit vom beschäftigten medizinischen Personal zu fordern. Der Ansatz zeigt, dass im Bereich der medizinischen künstlichen Intelligenz der Schlüssel zum Fortschritt nicht nur darin besteht, mehr Daten zu haben, sondern einen besseren Weg, die richtigen Daten darin zu finden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.