Jaunākie pētījumi ir parādījuši mākslīgā intelekta sistēmu spēju medicīniski diagnosticēt svarīgas slimības
Mākslīgā intelekta (AI) sistēmas ir bijuši jau kādu laiku un tagad ar laiku kļūst arvien gudrāki un labāki. AI ir lietojumprogrammas daudzās jomās, un tagad tā ir neatņemama lielākā daļa jomu. AI var būt būtiska un noderīga sastāvdaļa ārsta zinātne un pētniecība, jo tai ir milzīgs potenciāls ietekmēt veselības aprūpes nozari.
Mākslīgais intelekts medicīniskajā diagnostikā?
Laiks ir visvērtīgākais resurss veselības aprūpē, un agrīna un atbilstoša diagnostika ir ļoti svarīga slimības gala iznākumam. Veselības aprūpe bieži ir ilgstošs un laikietilpīgs process, kas aizkavē efektīvu diagnozi un, savukārt, aizkavē pareizu ārstēšanu. AI var palīdzēt aizpildīt plaisu starp pieejamību un ārstu veikto laika pārvaldību, pacientu diagnostikā iekļaujot ātrumu un precizitāti. Tas varētu palīdzēt pārvarēt resursu un veselības aprūpes speciālistu ierobežojumus, īpaši valstīs ar zemiem un vidējiem ienākumiem. AI ir mācīšanās un domāšanas process tāpat kā cilvēki izmantojot koncepciju, ko sauc par dziļo mācīšanos. Padziļinātā mācīšanās izmanto plašas datu paraugu kopas, lai izveidotu lēmumu kokus. Izmantojot šo dziļo mācīšanos, AI sistēma faktiski var domāt tāpat kā cilvēki, ja ne labāk, un tāpēc AI var uzskatīt par piemērotu medicīnisku uzdevumu veikšanai. Diagnosticējot pacientus, AI sistēmas turpina meklēt modeļus starp pacientiem ar vienādām slimībām. Laika gaitā šie modeļi var izveidot pamatu slimību prognozēšanai pirms to izpausmes.
Nesenā pētījumā1 publicēts Šūna, pētnieki ir izmantojuši mākslīgs izlūkošanas un mašīnmācīšanās metodes, lai izstrādātu jaunu skaitļošanas rīku, lai pārbaudītu pacientus ar parastām, bet aklām tīklenes slimībām, kas, iespējams, paātrina diagnozes un ārstēšanas ātrumu. Pētnieki izmantoja uz AI balstītu neironu tīklu, lai pārskatītu vairāk nekā 200,000 2 acu skenējumu, kas veikti ar neinvazīvu tehnoloģiju, kas atstaro gaismu no tīklenes, lai izveidotu audu 3D un XNUMXD attēlus. Pēc tam viņi izmantoja paņēmienu, ko sauc par "pārsūtīšanas mācīšanos", kurā vienas problēmas risināšanā iegūtās zināšanas tiek saglabātas datorā un tiek izmantotas dažādām, bet saistītām problēmām. Piemēram, mākslīgā intelekta neironu tīkls, kas optimizēts, lai atpazītu acs diskrētās anatomiskās struktūras, piemēram, tīkleni, radzeni vai redzes nervu, var ātrāk un efektīvāk tās identificēt un novērtēt, pētot visas acs attēlus. Šis process ļauj AI sistēmai pakāpeniski mācīties, izmantojot daudz mazāku datu kopu nekā tradicionālās metodes, kurām nepieciešamas lielas datu kopas, padarot tās dārgas un laikietilpīgas.
Pētījumā galvenā uzmanība tika pievērsta diviem bieži sastopamiem neatgriezeniska akluma cēloņiem, kas ir ārstējami, ja tie tiek atklāti agri. Mašīnas iegūtās diagnozes tika salīdzinātas ar diagnozēm no pieciem oftalmologiem, kuri pārskatīja tos pašus skenējumus. Papildus medicīniskās diagnozes noteikšanai AI platforma arī radīja nosūtījumu un ārstēšanas ieteikumu, kas nav darīts nevienā iepriekšējā pētījumā. Šī apmācītā mākslīgā intelekta sistēma darbojās tāpat kā labi apmācīts oftalmologs un ar vairāk nekā 30 procentu precizitāti varēja pieņemt lēmumu 95 sekunžu laikā par to, vai pacients jānosūta uz ārstēšanu. Viņi arī pārbaudīja mākslīgā intelekta rīku, lai diagnosticētu bērnu pneimoniju, kas ir galvenais bērnu (līdz 5 gadu vecuma) nāves cēlonis visā pasaulē, pamatojoties uz krūškurvja rentgenstaru analīzi. Interesanti, ka datorprogramma spēja atšķirt vīrusu un baktēriju pneimonija ar vairāk nekā 90 procentu precizitāti. Tas ir ļoti svarīgi, jo, lai gan pēc vīrusa pneimonijas organisms pēc tās norises dabiski atbrīvojas, bakteriālā pneimonija, no otras puses, mēdz būt nopietnāks drauds veselībai un prasa tūlītēju ārstēšanu ar antibiotikām.
Citā lielā lēcienā2 mākslīgā intelekta sistēmās medicīniskai diagnostikai zinātnieki atklāja, ka indivīda tīklenes fotogrāfijas var analizēt, izmantojot mašīnmācības algoritmus vai programmatūru, lai prognozētu kardiovaskulāro sirdsdarbības risku, identificējot signālus, kas liecina par sirds slimību. Tika parādīts, ka fotogrāfijās iemūžinātais acs asinsvadu stāvoklis precīzi prognozē vecumu, dzimumu, etnisko piederību, asinsspiedienu, jebkādas iepriekšējas sirdslēkmes un smēķēšanas ieradumus, un visi šie faktori kopā paredz ar sirdi saistītas slimības indivīdam.
Acs kā informācijas bloks
Ideja aplūkot acs fotogrāfijas, lai diagnosticētu veselību, pastāv jau kādu laiku. Ir labi zināms, ka cilvēka acu aizmugurējā iekšējā sienā ir daudz asinsvadu, kas atspoguļo vispārējo ķermeņa veselību. Pētot un analizējot šo asinsvadu izskatu ar kameru un mikroskopu, var prognozēt daudz informācijas par indivīda asinsspiedienu, vecumu, smēķētāju vai nesmēķētāju utt., un tie visi ir svarīgi indivīda sirds veselības rādītāji. . Sirds un asinsvadu slimības (CVD) ir pasaulē lielākais nāves cēlonis, un no sirds un asinsvadu slimībām mirst vairāk cilvēku nekā jebkura cita slimība vai stāvoklis. Tas ir vairāk izplatīts valstīs ar zemiem un vidējiem ienākumiem un ir milzīgs slogs ekonomikai un cilvēcei. Kardiovaskulārais risks ir atkarīgs no daudziem faktoriem, piemēram, gēniem, vecuma, etniskās piederības, dzimuma, apvienojumā ar fizisko slodzi un diētu. Lielāko daļu sirds un asinsvadu slimību var novērst, novēršot tādus uzvedības riskus kā tabakas lietošana, aptaukošanās, fiziskās aktivitātes trūkums un neveselīgs uzturs, veicot būtiskas dzīvesveida izmaiņas, lai novērstu iespējamos riskus.
Veselības diagnostika, izmantojot tīklenes attēlus
Šis pētījums, ko veica Google un tā veselības tehnoloģiju uzņēmuma Verily Life Sciences pētnieki, parādīja, ka mākslīgā intelekta algoritms tika izmantots lielai datu kopai ar aptuveni 280,000 12000 pacientu tīklenes fotogrāfijām, un šis algoritms spēja veiksmīgi prognozēt sirds riska faktorus diviem pilnībā. neatkarīgas datu kopas par aptuveni 1000 70 un 71 pacientiem ar pietiekami labu precizitāti. Algoritms izmantoja visu tīklenes fotoattēlu, lai kvantitatīvi noteiktu saistību starp attēlu un sirdslēkmes risku. Šis algoritms varēja paredzēt kardiovaskulārus notikumus XNUMX procentos gadījumu pacientam, un faktiski smēķētājs un nesmēķētājs šajā testā bija atšķirams arī XNUMX procentos gadījumu. Algoritms var arī paredzēt augstu asinsspiedienu, kas norāda uz sirds stāvokli, un prognozēt sistolisko asinsspiedienu — spiedienu asinsvados, kad sirds sitas — lielākajai daļai pacientu ar augstu asinsspiedienu vai bez tā. Šīs prognozes precizitāte, pēc autoru domām, ir ļoti līdzīga kardiovaskulārai pārbaudei laboratorijā, kur no pacienta tiek ņemtas asinis, lai noteiktu holesterīna līmeni paralēli pacienta vēsturei. Algoritms šajā pētījumā, kas publicēts Dabas biomedicīnas inženierija, visticamāk, varētu paredzēt arī nopietnu kardiovaskulāru notikumu, piemēram, sirdslēkmi.
Ļoti interesants un būtisks šo pētījumu aspekts bija tas, ka dators var noteikt, kur tas skatās attēlā, lai nonāktu pie diagnozes, ļaujot mums izprast prognozēšanas procesu. Piemēram, Google veiktais pētījums precīzi parādīja, “kuras tīklenes daļas” veicināja prognozēšanas algoritmu, citiem vārdiem sakot, kā algoritms veica prognozes. Šī izpratne ir svarīga ne tikai, lai izprastu mašīnmācīšanās metodi šajā konkrētajā gadījumā, bet arī lai radītu pārliecību un ticību visai šai metodoloģijai, padarot to pārredzamu.
Izaicinājumi
Šādi medicīniski attēli ir saistīti ar izaicinājumiem, jo uz šādiem attēliem balstītu asociāciju novērošana un kvantitatīva noteikšana nav vienkārša, galvenokārt tāpēc, ka šajos attēlos ir vairākas pazīmes, krāsas, vērtības, formas utt. Šajā pētījumā tiek izmantota dziļa mācīšanās, lai noskaidrotu sakarības, asociācijas un attiecības starp izmaiņām cilvēka anatomijā (ķermeņa iekšējā morfoloģijā) un slimību, tāpat kā to darītu veselības aprūpes speciālists, korelē pacienta simptomus ar slimību. . Šie algoritmi prasa vairāk testēšanas, pirms tos var izmantot klīniskā vidē.
Neskatoties uz diskusijām un izaicinājumiem, mākslīgajam intelektam ir milzīgs potenciāls mainīt slimību diagnostiku un pārvaldību, veicot analīzi un klasifikāciju, kas ietver milzīgu datu apjomu, kas cilvēku ekspertiem ir grūti. Tas nodrošina ātrus, rentablus, neinvazīvus alternatīvus uz attēlu balstītus diagnostikas rīkus. Svarīgi faktori AI sistēmu panākumiem būtu lielāka skaitļošanas jauda un lielāka cilvēku pieredze. Iespējams, nākotnē jaunas medicīniskās atziņas un diagnozes varētu būt sasniedzamas ar AI bez cilvēka vadības vai uzraudzības.
***
{Jūs varat izlasīt oriģinālo pētījumu, noklikšķinot uz DOI saites, kas norādīta tālāk citēto avotu sarakstā}
Avots (-i)
1. Kermany DS et al. 2018. gads. Medicīnisko diagnožu un ārstējamu slimību noteikšana, izmantojot uz attēlu balstītu dziļo mācīšanos. Šūna. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. Kardiovaskulāro riska faktoru prognozēšana no tīklenes dibena fotogrāfijām, izmantojot dziļu mācīšanos. Dabas biomedicīnas inženierija. 2. https://doi.org/10.1038/s41551-018-0195-0
