Votson nije ugrizao doktora, i to vrlo dobro

Iako je, kao iu mnogim drugim poljima, entuzijazam da se doktori zamjene umjetnom inteligencijom pomalo splasnuo nakon niza dijagnostičkih neuspjeha, rad na razvoju medicine zasnovane na umjetnoj inteligenciji još uvijek traje. Jer, ipak, i dalje nude velike mogućnosti i šansu za poboljšanje efikasnosti poslovanja u mnogim svojim oblastima.

IBM je najavljen 2015. godine, a 2016. je dobio pristup podacima četiri velike kompanije za podatke o pacijentima (1). Najpoznatiji, zahvaljujući brojnim medijskim izvještajima, a ujedno i najambiciozniji projekat korištenja napredne umjetne inteligencije iz IBM-a bio je vezan za onkologiju. Naučnici pokušavaju da iskoriste ogromne resurse podataka za njihovu obradu kako bi ih pretvorili u dobro prilagođene terapije protiv raka. Dugoročni cilj je bio dovesti Watsona da sudi kliničkim ispitivanjima i rezultate kao i doktor.

1. Jedna od vizualizacija medicinskog sistema Watson Health

Međutim, ispostavilo se da Watson ne može samostalno da se poziva na medicinsku literaturu, a takođe ne može da izdvaja podatke iz elektronske medicinske dokumentacije pacijenata. Međutim, najteža optužba na njegov račun bila je to neuspeh da se efikasno uporedi novi pacijent sa drugim starijim pacijentima od raka i otkriju simptomi koji su nevidljivi na prvi pogled.

Bilo je, doduše, nekih onkologa koji su tvrdili da imaju povjerenja u njegovu procjenu, iako uglavnom u smislu Watsonovih prijedloga za standardne tretmane ili kao dodatno, dodatno medicinsko mišljenje. Mnogi su istakli da će ovaj sistem biti odličan automatizovani bibliotekar za lekare.

Kao rezultat ne baš laskavih recenzija od IBM-a problemi sa prodajom Watson sistema 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 doktori () procijenili Watsonove preporuke za 638 slučajeva raka dojke. Stopa usklađenosti sa preporukama za liječenje je 73%. Lošije Watson napustio je medicinski centar Gachon u Južnoj Koreji, gdje su se njegove najbolje preporuke za 656 pacijenata oboljelih od kolorektalnog karcinoma poklapale sa preporukama stručnjaka samo u 49 posto slučajeva. Ljekari su to ocijenili Watson se nije dobro snašao sa starijim pacijentimapropustivši im ponuditi određene standardne lijekove, te napravio kritičnu grešku poduzimajući agresivno praćenje liječenja nekih pacijenata s metastatskom bolešću.

U konačnici, iako se njegov rad kao dijagnostičara i liječnika smatra neuspješnim, postoje područja u kojima se pokazao izuzetno korisnim. Proizvod Watson za Genomiku, koji je razvijen u saradnji sa Univerzitetom Severne Karoline, Univerzitetom Yale i drugim institucijama, koristi se genetske laboratorije za izradu izvještaja za onkologe. Watson preuzima datoteku liste genetske mutacije kod pacijenta i može generirati izvještaj za nekoliko minuta koji uključuje prijedloge za sve važne lijekove i klinička ispitivanja. Watson relativno lako rukuje genetskim informacijamajer su predstavljeni u strukturiranim datotekama i ne sadrže nejasnoće - ili postoji mutacija ili nema mutacije.

Partneri IBM-a na Univerzitetu Sjeverne Karoline objavili su rad o efikasnosti 2017. Watson je pronašao potencijalno važne mutacije koje nisu identificirane ljudskim studijama u 32% njih. pacijenti su proučavali, što ih čini dobrim kandidatima za novi lijek. Međutim, još uvijek nema dokaza da upotreba dovodi do boljih ishoda liječenja.

Domestikacija proteina

Ovaj i mnogi drugi primjeri doprinose rastućem uvjerenju da se svi nedostaci u zdravstvu rješavaju, ali treba tražiti oblasti u kojima to zaista može pomoći, jer tu ljudima ne ide baš najbolje. Takvo polje je npr. istraživanja proteina. Prošle godine su se pojavile informacije da se može precizno predvidjeti oblik proteina na osnovu njihove sekvence (2). Ovo je tradicionalni zadatak, izvan moći ne samo ljudi, već čak i moćnih kompjutera. Ako ovladamo preciznim modeliranjem uvijanja proteinskih molekula, biće ogromne mogućnosti za gensku terapiju. Naučnici se nadaju da ćemo uz pomoć AlphaFolda proučiti funkcije hiljada, a to će nam, zauzvrat, omogućiti da razumijemo uzroke mnogih bolesti.

Slika 2. Uvijanje proteina modelirano sa DeepMind AlphaFold.

Sada znamo dve stotine miliona proteina, ali u potpunosti razumijemo strukturu i funkciju malog dijela njih. Proteini to je osnovni gradivni blok živih organizama. Oni su odgovorni za većinu procesa koji se odvijaju u ćelijama. Kako rade i šta rade određuje njihova 50D struktura. Oni poprimaju odgovarajući oblik bez ikakvih uputstava, vođeni zakonima fizike. Eksperimentalne metode su decenijama bile glavna metoda za određivanje oblika proteina. U XNUMX-im godinama, upotreba Rentgenske kristalografske metode. U posljednjoj deceniji, postao je najbolji istraživački alat. kristalna mikroskopija. 80-ih i 90-ih godina počeo je rad na korištenju kompjutera za određivanje oblika proteina. Međutim, rezultati i dalje nisu zadovoljili naučnike. Metode koje su radile za neke proteine ​​nisu radile za druge.

Već 2018 AlphaFold dobio priznanje stručnjaka u modeliranje proteina. Međutim, u to vrijeme koristio je metode vrlo slične drugim programima. Naučnici su promijenili taktiku i stvorili drugu, koja je također koristila informacije o fizičkim i geometrijskim ograničenjima u savijanju proteinskih molekula. AlphaFold dao neujednačene rezultate. Ponekad je radio bolje, ponekad lošije. Ali gotovo dvije trećine njegovih predviđanja poklopilo 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 unutrašnjih načina savijanja proteina, već i o dizajnu. Koristili su istraživači iz inicijative NIH BRAIN mašinsko učenje razviti protein koji može pratiti nivoe serotonina u mozgu u realnom vremenu. Serotonin je neurohemikalija koja igra ključnu ulogu u tome kako mozak kontrolira naše misli i osjećaje. Na primjer, mnogi antidepresivi su dizajnirani da mijenjaju signale serotonina koji se prenose između neurona. U članku u časopisu Cell, naučnici 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 preciznošću od trenutnih metoda. Pretklinički eksperimenti, uglavnom na miševima, pokazali su da senzor može trenutno otkriti suptilne promjene nivoa serotonina u mozgu tokom spavanja, straha i društvenih interakcija, te testirati efikasnost novih psihoaktivnih lijekova.

Borba protiv pandemije nije uvijek bila uspješna

Uostalom, ovo je bila prva epidemija o kojoj smo pisali u MT. Međutim, na primjer, ako govorimo o samom procesu razvoja pandemije, tada se u početnoj fazi činilo da je AI nešto promašaj. Naučnici su se žalili na to Umjetna inteligencija ne može tačno predvidjeti razmjere širenja koronavirusa na osnovu 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 ranije nepoznati događaji i mnoge nove varijable, tako da umjetna inteligencija zasnovana na povijesnim podacima koji su korišteni za njeno treniranje ne funkcionira dobro. Pandemija je pokazala da moramo tražiti druge tehnologije i pristupe”, rekao je Maxim Fedorov iz Skoltecha u izjavi ruskim medijima u aprilu 2020.

Vremenom ih je bilo međutim algoritmi koji izgleda dokazuju veliku korisnost AI u borbi protiv COVID-19. Naučnici u SAD-u su u jesen 2020. razvili sistem za prepoznavanje karakterističnih obrazaca kašlja kod ljudi sa COVID-19, čak i ako nisu imali druge simptome.

Kada su se pojavile vakcine, rodila se ideja da se pomogne u vakcinaciji stanovništva. Mogla bi, na primjer pomoći u modeliranju transporta i logistike vakcina. Takođe u određivanju koje populacije treba prvo vakcinisati da bi se brže nosile sa pandemijom. To bi također pomoglo u predviđanju potražnje i optimiziranju vremena i brzine vakcinacije brzim identificiranjem problema i uskih grla u logistici. Kombinacija algoritama s kontinuiranim praćenjem također može brzo pružiti informacije o mogućim nuspojavama i zdravstvenim događajima.

ove sistemi koji koriste AI u optimizaciji i poboljšanju zdravstvene zaštite su već poznati. Njihove praktične prednosti su cijenjene; na primjer, sistem zdravstvene zaštite koji je razvio Macro-Eyes na Univerzitetu Stanford u SAD-u. Kao iu mnogim drugim zdravstvenim ustanovama, problem je bio nedostatak pacijenata koji se nisu javljali na pregled. Makro oči izgradili sistem koji je mogao pouzdano predvidjeti koji pacijenti vjerovatno neće biti tamo. U nekim situacijama mogao bi predložiti i alternativna vremena i lokacije za klinike, što bi povećalo šanse da se pacijent pojavi. Kasnije je slična tehnologija primijenjena na raznim mjestima od Arkanzasa do Nigerije uz podršku, posebno američke Agencije za međunarodni razvoj i.

U Tanzaniji, Macro-Eyes je radio na projektu čiji je cilj povećanje stope imunizacije djece. Softver je analizirao koliko doza vakcina treba poslati u dati centar za vakcinaciju. Takođe je mogao da proceni koje porodice možda ne žele da vakcinišu svoju decu, ali ih je moglo ubediti odgovarajućim argumentima i lokacijom centra za vakcinaciju na pogodnoj lokaciji. Koristeći ovaj softver, tanzanijska vlada je uspjela povećati efikasnost svog programa imunizacije za 96%. i smanjiti otpad od vakcine na 2,42 na 100 ljudi.

U Sijera Leoneu, gdje su nedostajali zdravstveni podaci stanovnika, kompanija je to pokušala uporediti s informacijama o obrazovanju. Ispostavilo se da je samo broj nastavnika i njihovih učenika dovoljan da se predvidi 70 posto. tačnost da li lokalna klinika ima 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 mašinskom doktoru ne nestaje

Uprkos neuspjesima Watsone novi dijagnostički pristupi se još uvijek razvijaju i smatraju se sve naprednijim. Poređenje napravljeno u Švedskoj u septembru 2020. koristi se u slikovnoj dijagnostici raka dojke pokazao da najbolji od njih radi na isti način kao radiolog. Algoritmi su testirani korišćenjem skoro devet hiljada mamografskih slika dobijenih tokom rutinskog skrininga. Tri sistema, označena kao AI-1, AI-2 i AI-3, postigla su tačnost od 81,9%, 67%. i 67,4%. Poređenja radi, za radiologe koji ove snimke tumače kao prve, ova brojka iznosi 77,4%, a u slučaju radioloziko ga je drugi opisao, bilo je 80,1 posto. Najbolji od algoritama je također bio u mogućnosti da otkrije slučajeve koje su radiolozi propustili tokom skrininga, a ženama je dijagnosticirana bolest za manje od godinu dana.

Prema istraživačima, ovi rezultati to dokazuju algoritmi umjetne inteligencije pomažu u ispravljanju lažno negativnih dijagnoza koje postavljaju radiolozi. Kombinacija mogućnosti AI-1 sa prosječnim radiologom povećala je broj otkrivenih karcinoma dojke za 8%. Tim Kraljevskog instituta koji sprovodi ovu studiju očekuje da će kvalitet algoritama AI nastaviti da raste. Potpuni opis eksperimenta objavljen je u JAMA Oncology.

W na skali od pet tačaka. Trenutno smo svjedoci značajnog tehnološkog ubrzanja i dostizanja IV nivoa (visoka automatizacija), kada sistem samostalno automatski obrađuje primljene podatke i pruža specijalistu prethodno analizirane informacije. Ovo štedi vrijeme, izbjegava ljudsku grešku i pruža efikasniju njegu pacijenata. Tako je presudio prije nekoliko mjeseci Stan A.I. u njemu bliske oblasti medicine prof. Janusz Braziewicz iz Poljskog društva za nuklearnu medicinu u izjavi za Poljsku novinsku agenciju.

4. Mašinsko gledanje medicinskih slika

Algoritmi, prema mišljenju stručnjaka kao što su prof. Brazievichčak i nezamjenjiv u ovoj industriji. Razlog je nagli porast broja dijagnostičkih slikovnih testova. Samo za period 2000-2010. broj MR pregleda i pregleda je deset puta povećan. Nažalost, broj raspoloživih ljekara specijalista koji bi ih mogli brzo i pouzdano obaviti nije se povećao. Postoji i nedostatak kvalifikovanih tehničara. Implementacija algoritama zasnovanih na umjetnoj inteligenciji štedi vrijeme i omogućava potpunu standardizaciju procedura, kao i izbjegavanje ljudske greške i efikasnije, personalizirane tretmane za pacijente.

Kako se ispostavilo, takođe forenzička medicina može imati koristi od razvoj vještačke inteligencije. Stručnjaci iz ove oblasti mogu odrediti tačno vrijeme smrti pokojnika hemijskom analizom izlučevina crva i drugih stvorenja koja se hrane mrtvim tkivima. Problem nastaje kada se u analizu uključe mješavine sekreta iz različitih tipova nekrofaga. Ovdje dolazi u obzir mašinsko učenje. Naučnici sa Univerziteta u Albaniju su se razvili metoda umjetne inteligencije koja omogućava bržu identifikaciju vrsta crva na osnovu njihovih "hemijskih otisaka prstiju". Tim je trenirao svoj kompjuterski program koristeći mješavine različitih kombinacija hemijskih izlučevina šest vrsta muva. On je dešifrirao hemijske potpise larvi insekata koristeći masenu spektrometriju, koja identificira hemikalije preciznim mjerenjem omjera mase i električnog naboja jona.

Dakle, kao što vidite, međutim AI kao istražni detektiv nije baš dobro, može biti vrlo korisno u forenzičkoj laboratoriji. Možda smo u ovoj fazi od nje očekivali previše, predviđajući algoritme koji će doktore ostaviti bez posla (5). Kada pogledamo Umjetna inteligencija realnije, fokusirajući se na konkretne praktične koristi, a ne na opšte, njena karijera u medicini ponovo izgleda veoma obećavajuće.

5. Vizija doktorskog automobila