Watson nije ugrizao liječnika, i to vrlo dobro

Iako je, kao iu mnogim drugim područjima, entuzijazam za zamjenom liječnika AI-om ponešto splasnuo nakon niza dijagnostičkih neuspjeha, rad na razvoju medicine temeljene na umjetnoj inteligenciji još uvijek traje. Jer, unatoč tome, i dalje nude velike mogućnosti i priliku za poboljšanje učinkovitosti poslovanja u mnogim svojim područjima.

IBM je najavljen 2015., a 2016. dobio je pristup podacima četiri velike tvrtke za podatke o pacijentima (1). Najpoznatiji, zahvaljujući brojnim medijskim napisima, a ujedno i najambiciozniji projekt koji koristi naprednu umjetnu inteligenciju iz IBM-a bio je vezan uz onkologiju. Znanstvenici su pokušali upotrijebiti ogromne resurse podataka za njihovu obradu kako bi ih pretvorili u dobro prilagođene terapije protiv raka. Dugoročni cilj bio je dovesti Watsona da sudi Klinička ispitivanja i rezultate kao što bi to učinio liječnik.

1. Jedna od vizualizacija medicinskog sustava Watson Health

Međutim, pokazalo se da Watsone ne može se samostalno pozivati ​​na medicinsku literaturu, a također ne može izvlačiti podatke iz elektroničke medicinske dokumentacije pacijenata. No, najteža optužba na njegov račun bila je to nemogućnost učinkovite usporedbe novog pacijenta s drugim starijim bolesnicima od raka i otkrivanja simptoma koji su nevidljivi na prvi pogled.

Bilo je, doduše, nekih onkologa koji su tvrdili da imaju povjerenja u njegovu prosudbu, premda uglavnom u smislu Watsonovih prijedloga za standardne tretmane, ili kao dodatno, dodatno liječničko mišljenje. Mnogi su istaknuli da će ovaj sustav biti izvrstan automatizirani knjižničar za liječnike.

Kao rezultat ne baš laskavih recenzija iz IBM-a problemi s prodajom Watsonovog sustava u američkim medicinskim ustanovama. IBM-ovi prodajni predstavnici uspjeli su ga prodati nekim bolnicama u Indiji, Južnoj Koreji, Tajlandu i drugim zemljama. U Indiji su liječnici () procijenili Watsonove preporuke za 638 slučajeva raka dojke. Stopa usklađenosti s preporukama za liječenje je 73%. Gore Watsone odustao je od medicinskog centra Gachon u Južnoj Koreji, gdje su njegove najbolje preporuke za 656 pacijenata oboljelih od kolorektalnog karcinoma odgovarale preporukama stručnjaka samo u 49 posto slučajeva. Liječnici su to procijenili Watson se nije dobro snašao sa starijim pacijentimane ponudivši im određene standardne lijekove, te napravio kritičnu pogrešku poduzimajući agresivno praćenje liječenja nekih pacijenata s metastatskom bolešću.

U konačnici, iako se njegov rad kao dijagnostičara i liječnika smatra neuspjelim, postoje područja u kojima se pokazao iznimno korisnim. Proizvod Watson za Genomiku, koji je razvijen u suradnji sa Sveučilištem Sjeverne Karoline, Sveučilištem Yale i drugim institucijama, koristi se genetski laboratoriji za izradu izvješća za onkologe. Watson preuzima datoteku s popisom genetske mutacije kod pacijenta i može generirati izvješće za nekoliko minuta koje uključuje prijedloge za sve važne lijekove i klinička ispitivanja. Watson s relativnom lakoćom rukuje genetskim informacijamajer su prikazani u strukturiranim datotekama i ne sadrže dvosmislenosti - ili postoji mutacija ili nema mutacije.

IBM-ovi partneri na Sveučilištu Sjeverne Karoline objavili su rad o učinkovitosti 2017. Watson je u 32% njih pronašao potencijalno važne mutacije koje nisu identificirane ljudskim istraživanjima. ispitani pacijenti, što ih čini dobrim kandidatima za novi lijek. Međutim, još uvijek nema dokaza da uporaba dovodi do boljih ishoda liječenja.

Pripitomljavanje proteina

Ovaj i brojni drugi primjeri pridonose rastućem uvjerenju da se svi nedostaci u zdravstvu rješavaju, ali treba tražiti područja u kojima to doista može pomoći, jer tu ljudima ne ide baš najbolje. Takvo polje je npr. istraživanja proteina. Prošle godine pojavile su se informacije da se može točno predvidjeti oblik proteina na temelju njihovog slijeda (2). Ovo je tradicionalni zadatak, izvan moći ne samo ljudi, već čak i moćnih računala. Ovladamo li preciznim modeliranjem uvijanja proteinskih molekula, bit će velike mogućnosti za gensku terapiju. Znanstvenici se nadaju da ćemo uz pomoć AlphaFolda proučiti funkcije tisuća, a to će nam zauzvrat omogućiti razumijevanje uzroka mnogih bolesti.

Slika 2. Uvijanje proteina modelirano s DeepMindovim AlphaFold-om.

Sada poznajemo dvjesto milijuna proteina, ali u potpunosti razumijemo strukturu i funkciju malog dijela njih. Proteini osnovni je građevni blok živih organizama. Oni su odgovorni za većinu procesa koji se odvijaju u stanicama. Kako rade i što rade određuje njihova 50D struktura. Uzimaju odgovarajući oblik bez ikakvih uputa, vođeni zakonima fizike. Desetljećima su eksperimentalne metode bile glavna metoda za određivanje oblika proteina. U XNUMX-im godinama, korištenje Rentgenske kristalografske metode. U posljednjem desetljeću postao je najbolji istraživački alat. kristalna mikroskopija. 80-ih i 90-ih godina počeo je rad na korištenju računala za određivanje oblika proteina. Međutim, rezultati još uvijek nisu zadovoljili znanstvenike. Metode koje su radile za neke proteine ​​nisu radile za druge.

Već u 2018 AlphaFold dobio priznanje stručnjaka u modeliranje proteina. Međutim, u to je vrijeme koristio metode vrlo slične drugim programima. Znanstvenici su promijenili taktiku i stvorili drugu, koja je također koristila informacije o fizičkim i geometrijskim ograničenjima u savijanju proteinskih molekula. AlphaFold dao neujednačene rezultate. Nekad je prošao bolje, nekad lošije. No gotovo dvije trećine njegovih predviđanja poklopile su se s rezultatima dobivenim eksperimentalnim metodama. Početkom druge godine algoritam je opisao strukturu nekoliko proteina virusa SARS-CoV-2. Kasnije je otkriveno da su predviđanja za protein Orf3a u skladu s eksperimentalnim rezultatima.

Ne radi se samo o proučavanju unutarnjih načina savijanja proteina, već i o dizajnu. Istraživači iz inicijative NIH BRAIN koristili su strojno učenje razviti protein koji može pratiti razinu serotonina u mozgu u stvarnom vremenu. Serotonin je neurokemikalija koja igra ključnu ulogu u tome kako mozak kontrolira naše misli i osjećaje. Na primjer, mnogi antidepresivi dizajnirani su za promjenu signala serotonina koji se prenose između neurona. U članku u časopisu Cell znanstvenici su opisali kako koriste napredne metode genetskog inženjeringa pretvoriti bakterijski protein u novi istraživački alat koji bi mogao pomoći u praćenju prijenosa serotonina s većom točnošću od trenutnih metoda. Pretklinički eksperimenti, uglavnom na miševima, pokazali su da senzor može odmah otkriti suptilne promjene u razinama serotonina u mozgu tijekom spavanja, straha i društvenih interakcija te testirati učinkovitost novih psihoaktivnih lijekova.

Borba protiv pandemije nije uvijek bila uspješna

Uostalom, ovo je bila prva epidemija o kojoj smo pisali u MT-u. Međutim, na primjer, ako govorimo o samom procesu razvoja pandemije, tada se u početnoj fazi činilo da je AI nešto kao neuspjeh. Znanstvenici su se žalili na to Umjetna inteligencija ne može točno predvidjeti opseg širenja koronavirusa na temelju podataka iz prethodnih epidemija. “Ova rješenja dobro funkcioniraju u nekim područjima, kao što je prepoznavanje lica koja imaju određeni broj očiju i ušiju. Epidemija SARS-CoV-2 To su dosad nepoznati događaji i mnoge nove varijable, pa umjetna inteligencija temeljena na povijesnim podacima koji su korišteni za njezino treniranje ne funkcionira dobro. Pandemija je pokazala da moramo tražiti druge tehnologije i pristupe”, rekao je Maxim Fedorov iz Skoltecha u travnju 2020. u izjavi ruskim medijima.

S vremenom ih je bilo međutim algoritmi koji se čini da dokazuju veliku korisnost AI u borbi protiv COVID-19. Znanstvenici u SAD-u razvili su sustav u jesen 2020. za prepoznavanje karakterističnih obrazaca kašlja kod ljudi s COVID-19, čak i ako nisu imali druge simptome.

Kad su se pojavila cjepiva, rodila se ideja pomoći u cijepljenju stanovništva. Mogla bi npr pomoći modelirati transport i logistiku cjepiva. Također u određivanju koje populacije treba prvo cijepiti kako bi se brže nosili s pandemijom. Također bi pomoglo u predviđanju potražnje i optimiziranju vremena i brzine cijepljenja brzim identificiranjem problema i uskih grla u logistici. Kombinacija algoritama s stalnim nadzorom također može brzo pružiti informacije o mogućim nuspojavama i zdravstvenim događajima.

эти sustavi koji koriste AI u optimizaciji i poboljšanju zdravstvene skrbi već su poznati. Cijenjene su njihove praktične prednosti; na primjer, zdravstveni sustav koji je razvio Macro-Eyes na Sveučilištu Stanford u SAD-u. Kao i u mnogim drugim zdravstvenim ustanovama, problem je bio nedostatak pacijenata koji se nisu javljali na termine. Makro oči izgradili sustav koji je mogao pouzdano predvidjeti koji pacijenti vjerojatno neće biti tamo. U nekim situacijama mogao bi predložiti i alternativna vremena i mjesta za klinike, što bi povećalo šanse da se pacijent pojavi. Kasnije je slična tehnologija primijenjena na raznim mjestima od Arkansasa do Nigerije uz podršku, posebice američke Agencije za međunarodni razvoj i.

U Tanzaniji je Macro-Eyes radio na projektu kojem je cilj povećanje stope imunizacije djece. Softver je analizirao koliko doza cjepiva treba poslati u određeni centar za cijepljenje. Također je mogao procijeniti koje obitelji možda ne žele cijepiti svoju djecu, ali ih se moglo uvjeriti odgovarajućim argumentima i smještajem centra za cijepljenje na prikladnom mjestu. Koristeći ovaj softver, tanzanijska vlada je uspjela povećati učinkovitost svog programa imunizacije za 96%. i smanjiti otpad od cjepiva na 2,42 na 100 ljudi.

U Sierra Leoneu, gdje su nedostajali zdravstveni podaci stanovnika, tvrtka je to pokušala uskladiti s informacijama o obrazovanju. Pokazalo se da je samo broj nastavnika i njihovih učenika dovoljan za predviđanje 70 posto. točnost ima li lokalna klinika pristup čistoj vodi, što je već otisak podataka o zdravlju ljudi koji tamo žive (3).

3. Makro-oči ilustracija zdravstvenih programa vođenih umjetnom inteligencijom u Africi.

Mit o strojnom doktoru ne nestaje

Unatoč neuspjesima Watsone novi dijagnostički pristupi se još uvijek razvijaju i smatraju se sve naprednijim. Usporedba napravljena u Švedskoj u rujnu 2020. koristi se u slikovnoj dijagnostici raka dojke pokazao da najbolji od njih radi na isti način kao radiolog. Algoritmi su testirani korištenjem gotovo devet tisuća mamografskih slika dobivenih tijekom rutinskog pregleda. Tri sustava, označena kao AI-1, AI-2 i AI-3, postigla su točnost od 81,9%, 67%. i 67,4%. Za usporedbu, za radiologe koji ove snimke tumače kao prve, ta brojka iznosi 77,4%, a u slučaju radiolozitko ga je drugi opisao, bilo je 80,1 posto. Najbolji od algoritama također je mogao otkriti slučajeve koje su radiolozi propustili tijekom probira, a ženama je dijagnosticirana bolest u manje od godinu dana.

Prema riječima istraživača, ovi rezultati to dokazuju algoritmi umjetne inteligencije pomažu ispraviti lažno negativne dijagnoze radiologa. Kombiniranje sposobnosti AI-1 s prosječnim radiologom povećalo je broj otkrivenih karcinoma dojke za 8%. Tim s Kraljevskog instituta koji provodi ovu studiju očekuje da će kvaliteta AI algoritama nastaviti rasti. Potpuni opis eksperimenta objavljen je u JAMA Oncology.

W na ljestvici od pet stupnjeva. Trenutno smo svjedoci značajnog tehnološkog ubrzanja i dostizanja IV razine (visoka automatizacija), kada sustav samostalno automatski obrađuje primljene podatke i pruža stručnjaku prethodno analizirane informacije. Time se štedi vrijeme, izbjegava ljudska pogreška i osigurava učinkovitija skrb za pacijente. Tako je presudio prije nekoliko mjeseci Stan A.I. u njemu bliskoj oblasti medicine prof. Janusz Braziewicz iz Poljskog društva za nuklearnu medicinu u izjavi za Poljsku tiskovnu agenciju.

4. Strojno pregledavanje medicinskih slika

Algoritmi, prema mišljenju stručnjaka poput prof. Brazievichčak i nezamjenjiv u ovoj industriji. Razlog je nagli porast broja dijagnostičkih slikovnih pretraga. Samo za razdoblje 2000.-2010. deseterostruko se povećao broj pregleda i pregleda magnetskom rezonancom. Nažalost, nije se povećao broj dostupnih liječnika specijalista koji bi ih mogli brzo i pouzdano izvesti. Također postoji nedostatak kvalificiranih tehničara. Implementacija algoritama temeljenih na umjetnoj inteligenciji štedi vrijeme i omogućuje potpunu standardizaciju postupaka, kao i izbjegavanje ljudske pogreške i učinkovitije, personalizirane tretmane za pacijente.

Kako se ispostavilo, također sudska medicina može imati koristi od razvoj umjetne inteligencije. Stručnjaci iz ovog područja mogu odrediti točno vrijeme smrti pokojnika kemijskom analizom izlučevina crva i drugih stvorenja koja se hrane mrtvim tkivima. Problem nastaje kada se u analizu uključe mješavine sekreta iz različitih vrsta nekrofaga. Ovdje dolazi u obzir strojno učenje. Znanstvenici sa Sveučilišta Albany razvili su se metoda umjetne inteligencije koja omogućuje bržu identifikaciju vrsta crva na temelju njihovih "kemijskih otisaka prstiju". Tim je trenirao svoj računalni program koristeći mješavine različitih kombinacija kemijskih izlučevina šest vrsta muha. Dešifrirao je kemijske potpise ličinki insekata pomoću masene spektrometrije, koja identificira kemikalije točnim mjerenjem omjera mase i električnog naboja iona.

Dakle, kao što možete vidjeti, međutim AI kao istražni detektiv nije baš dobro, može biti vrlo korisno u forenzičkom laboratoriju. Možda smo u ovoj fazi od nje očekivali previše, predviđajući algoritme koji će liječnike ostaviti bez posla (5). Kad pogledamo Umjetna inteligencija realnije, fokusirajući se na specifične praktične prednosti, a ne na opće, njezina karijera u medicini ponovno izgleda vrlo obećavajuće.

5. Vizija liječničkog automobila