Gli scienziati del PNNL che lavorano con i ricercatori di Stanford hanno presentato un nuovo approccio per incorporare le conoscenze mediche nei sistemi di intelligenza artificiale, migliorando notevolmente l'accuratezza della diagnosi del paziente. Attestazione:PNNL 
L'approccio PNNL cerca di catturare e ricreare i tipi di connessioni che i medici fanno naturalmente quando applicano una vita di apprendimento e conoscenza al paziente che sta di fronte a loro nella sala d'esame. L'obiettivo:utilizzare le solide capacità di intelligenza artificiale del laboratorio nell'apprendimento automatico e nel deep learning per migliorare l'assistenza ai pazienti e salvare vite umane.
Gli scienziati del PNNL hanno recentemente discusso il loro nuovo approccio in un documento presentato al workshop Data Science for Healthcare alla SIGKDD Conference on Knowledge Discovery and Data Mining.
Al centro dello sviluppo c'è un set di dati PNNL creato in collaborazione con la Stanford University di oltre 300, 000 concetti medici definiti da SNOMED Clinical Terms, una raccolta di termini medici standard, codici, sinonimi e definizioni utilizzati da ricercatori e professionisti medici. PNNL ha sviluppato un metodo di apprendimento basato su grafici basato su questi termini che ha superato i modelli attuali. Il codice è disponibile come download open source.
"Se pensi che sia difficile tradurre la calligrafia dei medici, prova a tradurre le loro conoscenze mediche in linguaggio informatico, " osserva Roberto Rallo, un informatico del PNNL che guida il team del PNNL che applica l'intelligenza artificiale all'assistenza sanitaria. "La parte difficile è combinare più tipi di dati. I dati compatibili con il computer come i numeri delle analisi del sangue o i codici diagnostici sono più facili dei dati non strutturati come le note del grafico o le immagini dei raggi X o della risonanza magnetica".
Rallo e il resto del team del PNNL stanno creando modi per fondere i diversi tipi di dati sanitari con uno strumento di intelligenza artificiale noto come grafico della conoscenza come parte del progetto Deep Care finanziato dal PNNL.
"Un grafico della conoscenza è ciò che i medici hanno in mente quando ti diagnosticano, " ha detto Rallo. "I medici vedono le relazioni basate su anni di formazione ed esperienza. Questo è il loro modello mentale che crea collegamenti tra sintomi e malattie. Stiamo traducendo una rappresentazione simbolica della conoscenza medica come quella in qualcosa che possiamo alimentare con algoritmi di apprendimento automatico insieme ai dati dei pazienti".
L'informatico del PNNL Khushbu Agarwal sottolinea che l'intelligenza artificiale non sostituirà i medici. Anziché, L'IA sarà uno strumento di supporto alle decisioni. I modelli avranno accesso a più dati e più connessioni di quelli che possono essere archiviati in qualsiasi cervello umano. Molto più di un database, i modelli possono persino rilevare connessioni che un medico osservando una serie di sintomi casuali potrebbe non considerare inizialmente. Ma non ci si dovrebbe aspettare che i medici prendano alla lettera l'output di un modello. Sutanay Choudhury, un informatico al PNNL, si concentra sull'interpretabilità di questi modelli. Sta lavorando per costruire uno strumento che possa spiegarne il ragionamento, previsioni e raccomandazioni utilizzando esempi comprensibili che i medici interpreteranno. Tali spiegazioni aumentano la fiducia nel modello, che il team PNNL prevede un giorno sarà schierato presso cliniche mediche.
Come parte della prossima fase della sua ricerca, il team PNNL sta lavorando con un nuovo set di dati nell'ambito di una collaborazione tra l'Amministrazione dei veterani e il Dipartimento dell'Energia. La VA-DOE Big Data Science Initiative ha creato un ambiente informatico sicuro per l'analisi dei dati medici e include nuovi approcci per studiare il suicidio, malattie cardiovascolari e cancro alla prostata.
