První snahy vytvořit software, který bude mít schopnost učit se řešit nové problémy bez nutnosti toto řešení předem explicitně naprogramovat (tedy proces velmi podobný způsobu, jakým funguje učení u lidského mozku), se datují do 60. let 20. století. Teprve od roku 2010 však v důsledku výkonnějšího hardwarového vybavení a možnosti skladovat velké množství dat došlo k rychlému rozvoji strojového učení (machine learning) a k jeho komerčnímu využití.
Ještě bližší analogii k fungování lidského mozku představuje tzv. hluboké učení (deep learning) − oblast strojového učení vycházející z umělých neuronových sítí. Jedná se o vícevrstevné sítě uzlů vytvářející struktury podobné biologickým sítím neuronů. Takovéto síti je předloženo velké množství dat ve formě příkladů, na kterých se síť následně učí a zlepšuje svůj výkon.
V lednu 2017 byla publikována studie srovnávající přesnost umělé neuronové sítě a panelu 21 dermatologů v diagnostice nádorů kůže. Tréninkový dataset zahrnoval 129 450 fotografií klinických nálezů maligních nádorů kůže a benigních lézí (spinocelulární karcinom vs. benigní seboroická keratóza a maligní melanom vs. benigní névus) potvrzených biopsií. V přesnosti diagnózy se umělá neuronová síť vyrovnala všem 21 dermatologům.
V červenci 2017 byla publikována studie, která se snažila aplikovat princip strojového učení na rozeznávání diabetické retinopatie z obrazu očního fundu. Diabetická retinopatie je častou příčinou ztráty zraku, které je při časné diagnóze možno zabránit. Na základě 75 137 veřejně dostupných obrazů očního pozadí diabetických pacientů s retinopatií a bez ní byla neuronová síť trénována k rozeznání retinopatie u diabetických pacientů. V následných testech dosáhla tato metoda 94% senzitivity a 98% specificity. Tento systém by mohl být v budoucnu použit k automatizaci diabetologického screeningu: popsaný algoritmus by identifikoval pacienty se suspektní retinopatií, kteří by následně byli detailně vyšetřeni oftalmologem.
Objem dostupných medicínských dat – od anamnestických údajů po výsledky celogenomového sekvenování – neustále narůstá. Strojové učení přináší možnost potenciálního využití těchto dat způsobem, který by jinak vzhledem k jejich množství a komplexnosti nebyl možný. Na druhé straně je tento optimistický pohled doprovázen také mnoha otazníky, například ohledně ochrany osobních údajů a možnosti supervize automatických metod. Snahou lékařů by v současnosti mělo být porozumění hlavním principům strojového učení a neuronových sítí. Právě oni jsou těmi, kdo bude rozhodovat o tom, v jaké podobě bude strojové učení dále integrováno do klinické praxe.
(alz)
Zdroje:
