Watson ni ugriznil zdravnika in zelo dobro

Čeprav je, tako kot na mnogih drugih področjih, navdušenje nad zamenjavo zdravnikov z umetno inteligenco po vrsti diagnostičnih neuspehov nekoliko pojenjalo, delo na razvoju medicine, ki temelji na AI, še vedno poteka. Ker kljub temu še vedno ponujajo velike priložnosti in priložnost za izboljšanje učinkovitosti poslovanja na številnih svojih področjih.

IBM je bil objavljen leta 2015, leta 2016 pa je pridobil dostop do podatkov štirih večjih podjetij za podatke o pacientih (1). Najbolj znan, zahvaljujoč številnim medijskim poročilom, in hkrati najbolj ambiciozen projekt z uporabo napredne umetne inteligence iz IBM-a je bil povezan z onkologijo. Znanstveniki so poskušali uporabiti ogromne vire podatkov za njihovo obdelavo, da bi jih spremenili v dobro prilagojene terapije proti raku. Dolgoročni cilj je bil pridobiti Watsona za sodnika kliničnih preskušanj in rezultati, kot bi jih naredil zdravnik.

1. Ena od vizualizacij zdravstvenega sistema Watson Health

Vendar se je izkazalo, da Watson se ne more samostojno sklicevati na medicinsko literaturo, prav tako ne more izvleči podatkov iz elektronskih zdravstvenih kartotek bolnikov. Vendar je bila najhujša obtožba na njegov račun ta nezmožnost učinkovite primerjave novega bolnika z drugimi starejšimi bolniki z rakom in odkrivanje simptomov, ki so na prvi pogled nevidni.

Resda je bilo nekaj onkologov, ki so trdili, da zaupajo v njegovo presojo, čeprav večinoma v smislu Watsonovih predlogov za standardno zdravljenje ali kot dodatno, dodatno zdravniško mnenje. Mnogi so poudarili, da bo ta sistem odličen avtomatiziran knjižničar za zdravnike.

Kot rezultat IBM-ovih ne preveč laskavih ocen težave s prodajo sistema Watson v zdravstvenih ustanovah ZDA. IBM-ovim prodajnim predstavnikom ga je uspelo prodati nekaterim bolnišnicam v Indiji, Južni Koreji, na Tajskem in drugih državah. V Indiji so zdravniki () ocenili Watsonova priporočila za 638 primerov raka dojke. Stopnja skladnosti s priporočili za zdravljenje je 73 %. še slabše Watson opustil študij v medicinskem centru Gachon v Južni Koreji, kjer so se njegova najboljša priporočila za 656 bolnikov z rakom debelega črevesa in danke ujemala s priporočili strokovnjakov le v 49 odstotkih. Zdravniki so to ocenili Watson ni dobro delal s starejšimi pacientis tem, da jim niso ponudili določenih standardnih zdravil, in naredili kritično napako, ko so se lotili agresivnega nadzora zdravljenja nekaterih bolnikov z metastatsko boleznijo.

Nenazadnje, čeprav njegovo delo kot diagnostik in zdravnik velja za neuspešno, se je na nekaterih področjih izkazal za izjemno koristnega. Izdelek Watson za Genomiko, ki je bil razvit v sodelovanju z Univerzo Severne Karoline, Univerzo Yale in drugimi institucijami, se uporablja genetski laboratoriji za pripravo poročil za onkologe. Watson prenese datoteko s seznamom genetske mutacije pri pacientu in lahko v nekaj minutah ustvari poročilo, ki vključuje predloge za vsa pomembna zdravila in klinična preskušanja. Watson relativno enostavno obravnava genetske informacijeker so predstavljeni v strukturiranih datotekah in ne vsebujejo dvoumnosti – ali je mutacija ali pa je ni.

IBM-ovi partnerji na Univerzi v Severni Karolini so leta 2017 objavili članek o učinkovitosti. Watson je pri 32 % odkril potencialno pomembne mutacije, ki jih študije na ljudeh niso odkrile. Študije bolnikov, zaradi česar so dobri kandidati za novo zdravilo. Vendar še vedno ni dokazov, da uporaba vodi do boljših rezultatov zdravljenja.

Udomačevanje beljakovin

Ta in številni drugi primeri prispevajo k vse večjemu prepričanju, da se vse pomanjkljivosti v zdravstvu odpravljajo, vendar je treba iskati področja, kjer bi to res lahko pomagalo, saj ljudem tam ne gre najbolje. Takšno področje je npr. raziskave beljakovin. Lani so se pojavile informacije, da bi lahko natančno napovedal obliko beljakovin na podlagi njihovega zaporedja (2). To je tradicionalna naloga, ki ne zmore le ljudi, ampak celo zmogljivih računalnikov. Če bomo obvladali natančno modeliranje zvijanja beljakovinskih molekul, bo veliko možnosti za gensko terapijo. Znanstveniki upajo, da bomo s pomočjo AlphaFolda preučili funkcije tisočev, to pa nam bo omogočilo razumevanje vzrokov številnih bolezni.

Slika 2. Zvijanje beljakovin, modelirano z DeepMind's AlphaFold.

Zdaj poznamo dvesto milijonov beljakovin, vendar popolnoma razumemo strukturo in funkcijo majhnega dela le-teh. Beljakovine je osnovni gradnik živih organizmov. Odgovorni so za večino procesov, ki se dogajajo v celicah. Kako delujejo in kaj počnejo, je odvisno od njihove 50D strukture. Zavzamejo ustrezno obliko brez kakršnih koli navodil, vodeni so po zakonih fizike. Že desetletja so eksperimentalne metode glavna metoda za določanje oblike beljakovin. V XNUMX. letih se je uporaba Rentgenske kristalografske metode. V zadnjem desetletju je postal izbrano raziskovalno orodje. kristalna mikroskopija. V 80. in 90. letih se je začelo delo z uporabo računalnikov za določanje oblike beljakovin. Vendar rezultati še vedno niso zadovoljili znanstvenikov. Metode, ki so delovale za nekatere beljakovine, niso delovale za druge.

Že v letu 2018 AlphaFold prejela priznanje strokovnjakov v modeliranje beljakovin. Vendar je takrat uporabljal metode, zelo podobne drugim programom. Znanstveniki so spremenili taktiko in ustvarili drugo, ki je uporabila tudi informacije o fizičnih in geometrijskih omejitvah pri zlaganju beljakovinskih molekul. AlphaFold dala neenakomerne rezultate. Včasih mu je šlo bolje, včasih slabše. Toda skoraj dve tretjini njegovih napovedi je sovpadalo z rezultati, pridobljenimi z eksperimentalnimi metodami. Na začetku 2. leta je algoritem opisal strukturo več proteinov virusa SARS-CoV-3. Kasneje je bilo ugotovljeno, da so napovedi za protein Orf2020a skladne z rezultati, pridobljenimi eksperimentalno.

Ne gre samo za preučevanje notranjih načinov zlaganja beljakovin, ampak tudi za oblikovanje. Uporabili so raziskovalci iz pobude NIH BRAIN strojno učenje razvijejo protein, ki lahko spremlja raven serotonina v možganih v realnem času. Serotonin je nevrokemikalija, ki igra ključno vlogo pri tem, kako možgani nadzorujejo naše misli in občutke. Številni antidepresivi so na primer zasnovani tako, da spremenijo signale serotonina, ki se prenašajo med nevroni. V članku v reviji Cell so znanstveniki opisali, kako uporabljajo napredne metode genskega inženiringa spremenijo bakterijski protein v novo raziskovalno orodje, ki bi lahko pomagalo pri sledenju prenosa serotonina z večjo natančnostjo kot sedanje metode. Predklinični poskusi, večinoma na miših, so pokazali, da lahko senzor v trenutku zazna subtilne spremembe ravni serotonina v možganih med spanjem, strahom in socialnimi interakcijami ter testira učinkovitost novih psihoaktivnih zdravil.

Boj proti pandemiji ni bil vedno uspešen

Konec koncev je bila to prva epidemija, o kateri smo pisali v MT. Vendar, na primer, če govorimo o samem procesu razvoja pandemije, se je v začetni fazi zdelo, da je AI nekaj neuspešnega. Znanstveniki so se nad tem pritoževali Umetna inteligenca ne more pravilno napovedati obsega širjenja koronavirusa na podlagi podatkov iz prejšnjih epidemij. »Te rešitve se dobro obnesejo na nekaterih področjih, na primer pri prepoznavanju obrazov, ki imajo določeno število oči in ušes. Epidemija SARS-CoV-2 To so prej neznani dogodki in številne nove spremenljivke, zato umetna inteligenca, ki temelji na zgodovinskih podatkih, ki so bili uporabljeni za njeno usposabljanje, ne deluje dobro. Pandemija je pokazala, da moramo iskati druge tehnologije in pristope,« je aprila 2020 v izjavi za ruske medije dejal Maxim Fedorov iz Skoltecha.

Sčasoma so bile vendar algoritmi, za katere se zdi, da dokazujejo veliko uporabnost AI v boju proti COVID-19. Znanstveniki v ZDA so jeseni 2020 razvili sistem za prepoznavanje značilnih vzorcev kašlja pri ljudeh s COVID-19, tudi če niso imeli drugih simptomov.

Ko so se pojavila cepiva, se je porodila ideja, da bi pomagali pri cepljenju prebivalstva. Lahko bi npr pomoč pri modeliranju transporta in logistike cepiv. Tudi pri določanju, katere populacije je treba najprej cepiti, da bi se hitreje spopadli s pandemijo. Pomagalo bi tudi pri napovedovanju povpraševanja ter optimiziranju časa in hitrosti cepljenja s hitrim odkrivanjem težav in ozkih grl v logistiki. Kombinacija algoritmov s stalnim spremljanjem lahko tudi hitro zagotovi informacije o možnih stranskih učinkih in zdravstvenih dogodkih.

ti sistemi, ki uporabljajo AI pri optimizaciji in izboljšanju zdravstvenega varstva so že znani. Njihove praktične prednosti so bile cenjene; na primer sistem zdravstvenega varstva, ki ga je razvil Macro-Eyes na univerzi Stanford v ZDA. Tako kot v mnogih drugih zdravstvenih ustanovah je bila težava pomanjkanje pacientov, ki se niso pojavili na terminih. Makro oči zgradili sistem, ki bi lahko zanesljivo predvidel, kateri bolniki verjetno ne bodo tam. V nekaterih situacijah bi lahko predlagal tudi alternativne čase in lokacije za klinike, kar bi povečalo možnosti, da se pacient pojavi. Kasneje so podobno tehnologijo uporabljali v različnih krajih od Arkansasa do Nigerije s podporo, zlasti ameriške agencije za mednarodni razvoj i.

V Tanzaniji je Macro-Eyes delal na projektu, namenjenem povečanje stopnje imunizacije otrok. Programska oprema je analizirala, koliko odmerkov cepiv je treba poslati v dani center za cepljenje. Lahko je ocenil tudi, katere družine bi morda nerade cepile svoje otroke, a jih je bilo mogoče prepričati z ustreznimi argumenti in lokacijo cepilnega centra na priročni lokaciji. S to programsko opremo je tanzanijski vladi uspelo povečati učinkovitost svojega programa imunizacije za 96 %. in zmanjšati odpadke cepiva na 2,42 na 100 ljudi.

V Sierra Leoneju, kjer so manjkali zdravstveni podatki prebivalcev, je podjetje to poskušalo povezati z informacijami o izobraževanju. Izkazalo se je, da je samo število učiteljev in njihovih učencev dovolj za napoved 70 odstotkov. točnost, ali ima lokalni zdravstveni dom dostop do čiste vode, kar je že odtis podatkov o zdravju tam živečih ljudi (3).

3. Makro-oči ilustracija zdravstvenih programov, ki jih poganja umetna inteligenca v Afriki.

Mit o strojnem zdravniku ne izgine

Kljub neuspehom Watson novi diagnostični pristopi se še razvijajo in veljajo za vedno bolj napredne. Primerjava narejena na Švedskem septembra 2020. uporablja pri slikovni diagnostiki raka dojke pokazala, da najboljši med njimi deluje na enak način kot radiolog. Algoritmi so bili preizkušeni z uporabo skoraj devet tisoč mamografskih slik, pridobljenih med rutinskim pregledom. Trije sistemi, označeni kot AI-1, AI-2 in AI-3, so dosegli natančnost 81,9 %, 67 %. in 67,4 %. Za primerjavo, pri radiologih, ki te slike razlagajo kot prve, je ta številka znašala 77,4 %, v primeru radiologiki ga je opisal drugi, je bilo 80,1 odstotka. Najboljši algoritmi so lahko odkrili tudi primere, ki so jih radiologi zamudili med presejalnim pregledom, ženske pa so bile diagnosticirane kot bolne v manj kot enem letu.

Po mnenju raziskovalcev ti rezultati to dokazujejo algoritmi umetne inteligence pomaga popraviti lažno negativne diagnoze, ki jih postavijo radiologi. Združevanje zmogljivosti AI-1 s povprečnim radiologom je povečalo število odkritih rakov dojk za 8%. Ekipa na Kraljevem inštitutu, ki izvaja to študijo, pričakuje, da bo kakovost algoritmov AI še naprej rasla. Celoten opis poskusa je bil objavljen v JAMA Oncology.

W na petstopenjski lestvici. Trenutno smo priča občutnemu tehnološkemu pospešku in doseganju IV stopnje (visoka avtomatizacija), ko sistem samostojno samodejno obdeluje prejete podatke in specialistu posreduje predanalizirane informacije. To prihrani čas, prepreči človeške napake in zagotavlja učinkovitejšo oskrbo pacientov. Tako je presodil pred nekaj meseci Stan A.I. s področja medicine, ki mu je blizu, prof. Janusz Braziewicz iz poljskega združenja za nuklearno medicino v izjavi za poljsko tiskovno agencijo.

4. Strojno pregledovanje medicinskih slik

Algoritmi po mnenju strokovnjakov, kot je prof. Brazievichcelo nepogrešljiva v tej industriji. Razlog je hitro naraščanje števila diagnostičnih slikovnih preiskav. Samo za obdobje 2000-2010. število preiskav in pregledov z magnetno resonanco se je desetkrat povečalo. Žal se število razpoložljivih zdravnikov specialistov, ki bi jih lahko hitro in zanesljivo izvedli, ni povečalo. Primanjkuje tudi usposobljenih tehnikov. Izvajanje algoritmov, ki temeljijo na umetni inteligenci, prihrani čas in omogoča popolno standardizacijo postopkov, pa tudi izogibanje človeškim napakam in učinkovitejše, personalizirano zdravljenje za paciente.

Kot se je izkazalo, tudi sodna medicina lahko koristi razvoj umetne inteligence. Strokovnjaki s tega področja lahko s kemično analizo izločkov črvov in drugih bitij, ki se prehranjujejo z mrtvimi tkivi, določijo natančen čas smrti pokojnika. Problem nastane, ko se v analizo vključijo mešanice izločkov različnih vrst nekrofagov. Tu pride v poštev strojno učenje. Znanstveniki na Univerzi v Albanyju so se razvili metoda umetne inteligence, ki omogoča hitrejšo identifikacijo vrst črvov na podlagi njihovih "kemičnih prstnih odtisov". Ekipa je usposobila svoj računalniški program z uporabo mešanic različnih kombinacij kemičnih izločkov šestih vrst muh. Kemične podpise ličink žuželk je dešifriral z masno spektrometrijo, ki identificira kemikalije z natančnim merjenjem razmerja med maso in električnim nabojem iona.

Torej, kot lahko vidite, vendar AI kot preiskovalni detektiv ni zelo dobro, lahko je zelo koristno v forenzičnem laboratoriju. Morda smo v tej fazi od nje pričakovali preveč, saj smo pričakovali algoritme, ki bi zdravnike opustili brez dela (5). Ko pogledamo Umetna inteligenca bolj realistično, osredotoča se na specifične praktične koristi in ne na splošne, je njena kariera v medicini spet zelo obetavna.

5. Vizija zdravnikovega avtomobila