Watson ei hammustanud arsti ja väga hästi

Kuigi, nagu paljudes teistes valdkondades, on entusiasm arstide asendamiseks tehisintellektiga pärast mitmeid diagnostilisi ebaõnnestumisi mõnevõrra raugenud, käib tehisintellektil põhineva meditsiini arendamine endiselt. Sest sellegipoolest pakuvad need endiselt suurepäraseid võimalusi ja võimalust paljudes oma valdkondades tegevust tõhustada.

IBM kuulutati välja 2015. aastal ja 2016. aastal sai see juurdepääsu nelja suurema patsiendiandmetega tegeleva ettevõtte andmetele (1). Kõige kuulsam, tänu arvukatele meediakajastustele, ja samal ajal ka kõige ambitsioonikam projekt, mis kasutas IBMi täiustatud tehisintellekti, oli seotud onkoloogiaga. Teadlased on püüdnud kasutada tohutuid andmeressursse nende töötlemiseks, et muuta need hästi kohandatud vähivastasteks ravimeetoditeks. Pikaajaline eesmärk oli saada Watson kohtunikuks Kliinilistes uuringutes ja tulemused nagu arst.

1. Üks Watson Healthi meditsiinisüsteemi visualiseerimisi

Siiski selgus, et Watson ei saa iseseisvalt viidata meditsiinilisele kirjandusele ega saada teavet patsientide elektroonilistest haiguslugudest. Kõige tõsisem süüdistus tema vastu oli aga see suutmatus tõhusalt võrrelda uut patsienti teiste vanemate vähihaigetega ja tuvastada esmapilgul nähtamatud sümptomeid.

Muidugi olid mõned onkoloogid, kes väitsid, et usaldavad tema otsust, ehkki peamiselt Watsoni soovituste järgi standardravi kohta või täiendava täiendava meditsiinilise arvamusena. Paljud on märkinud, et see süsteem on arstide jaoks suurepärane automatiseeritud raamatukoguhoidja.

IBM-i mitte eriti meelitavate arvustuste tulemusena probleeme Watsoni süsteemi müügiga USA meditsiiniasutustes. IBM-i müügiesindajatel õnnestus see müüa mõnele India, Lõuna-Korea, Tai ja teiste riikide haiglatele. Indias hindasid arstid () Watsoni soovitusi 638 rinnavähi juhtumi kohta. Ravisoovituste järgimise määr on 73%. Halvem Watson langes välja Lõuna-Koreas Gachoni meditsiinikeskuses, kus tema parimad soovitused 656 kolorektaalvähiga patsiendile vastasid ekspertide soovitustele vaid 49 protsenti ajast. Arstid on seda hinnanud Watsonil ei läinud vanemate patsientidega hästiei pakkunud neile teatud standardravimeid ja tegi kriitilise vea, jälgides agressiivset ravi mõne metastaatilise haigusega patsiendi puhul.

Lõppkokkuvõttes, kuigi tema tööd diagnostiku ja arstina peetakse ebaõnnestunuks, on valdkondi, milles ta osutus äärmiselt kasulikuks. Toode Watson genoomika jaoks, mis töötati välja koostöös Põhja-Carolina ülikooli, Yale'i ülikooli ja teiste institutsioonidega geenilaborid onkoloogide aruannete koostamiseks. Watson laadib allalaadimisloendi faili geneetilised mutatsioonid patsiendil ja saab minutitega koostada aruande, mis sisaldab soovitusi kõigi oluliste ravimite ja kliiniliste uuringute kohta. Watson käsitleb geneetilist teavet suhteliselt lihtsaltsest need on esitatud struktureeritud failides ja ei sisalda ebaselgust – kas on mutatsioon või pole mutatsiooni.

IBM-i partnerid Põhja-Carolina ülikoolist avaldasid 2017. aastal töö tõhususe kohta. Watson leidis 32% neist potentsiaalselt olulisi mutatsioone, mida inimuuringud ei tuvastanud. uuritud patsientidest, mistõttu nad on uue ravimi jaoks head kandidaadid. Siiski pole endiselt tõendeid selle kohta, et kasutamine annaks paremaid ravitulemusi.

Valkude kodustamine

See ja paljud teised näited aitavad kaasa üha süvenevale veendumusele, et kõik tervishoius esinevad puudujäägid lahendatakse, kuid tuleb otsida valdkondi, kus see tõesti aidata saaks, sest inimestel ei lähe seal kuigi hästi. Selline valdkond on näiteks valguuuringud. Eelmisel aastal ilmnes teave, et see võib nende järjestuse põhjal valkude kuju täpselt ennustada (2). See on traditsiooniline ülesanne, mis ei ületa mitte ainult inimeste, vaid isegi võimsate arvutite jõudu. Kui valdame valgumolekulide keerdumise täpset modelleerimist, avanevad geeniteraapias tohutud võimalused. Teadlased loodavad, et AlphaFoldi abil uurime tuhandete funktsioone ja see omakorda võimaldab mõista paljude haiguste põhjuseid.

Joonis 2. DeepMindi AlphaFoldiga modelleeritud valgu keerdumine.

Nüüd me teame kahtesada miljonit valku, kuid me mõistame täielikult nende väikese osa struktuuri ja funktsiooni. valgud see on elusorganismide põhiline ehitusmaterjal. Nad vastutavad enamiku rakkudes toimuvate protsesside eest. Kuidas nad töötavad ja mida nad teevad, määrab nende 50D-struktuur. Nad võtavad sobiva vormi ilma juhisteta, juhindudes füüsikaseadustest. Aastakümneid on peamiseks meetodiks valkude kuju määramisel olnud eksperimentaalsed meetodid. XNUMXndatel kasutati Röntgenkristallograafilised meetodid. Viimasel kümnendil on sellest saanud valitud uurimistööriist. kristallmikroskoopia. 80ndatel ja 90ndatel hakati töötama arvutite abil valkude kuju määramiseks. Tulemused aga teadlasi ikka veel ei rahuldanud. Meetodid, mis mõne valgu puhul toimisid, ei toiminud teiste puhul.

Juba 2018. aastal AlfaFold aastal pälvis ekspertide tunnustuse valgu modelleerimine. Kuid sel ajal kasutas see teiste programmidega väga sarnaseid meetodeid. Teadlased muutsid taktikat ja lõid teise, mis kasutas teavet ka valgusmolekulide voltimise füüsikaliste ja geomeetriliste piirangute kohta. AlfaFold andis ebaühtlaseid tulemusi. Mõnikord läks tal paremini, mõnikord halvemini. Kuid peaaegu kaks kolmandikku tema ennustustest langes kokku eksperimentaalsete meetoditega saadud tulemustega. 2. aasta alguses kirjeldas algoritm SARS-CoV-3 viiruse mitme valgu struktuuri. Hiljem leiti, et Orf2020a valgu ennustused on kooskõlas eksperimentaalselt saadud tulemustega.

See ei puuduta ainult valkude voltimise sisemiste viiside uurimist, vaid ka disaini. Kasutasid NIH BRAIN algatuse teadlased masinõpe arendada valku, mis suudab jälgida aju serotoniini taset reaalajas. Serotoniin on neurokemikaal, mis mängib võtmerolli selles, kuidas aju meie mõtteid ja tundeid kontrollib. Näiteks on paljud antidepressandid loodud neuronite vahel edastatavate serotoniini signaalide muutmiseks. Ajakirjas Cell avaldatud artiklis kirjeldasid teadlased, kuidas nad kasutavad täiustatud tehnoloogiaid geenitehnoloogia meetodid muuta bakteriaalne valk uueks uurimisvahendiks, mis võib aidata jälgida serotoniini ülekannet suurema täpsusega kui praegused meetodid. Prekliinilised katsed, peamiselt hiirtega, on näidanud, et andur suudab koheselt tuvastada peeneid muutusi aju serotoniini tasemes une ajal, hirmu ja sotsiaalseid suhtlusi ning testida uute psühhoaktiivsete ravimite tõhusust.

Võitlus pandeemiaga pole alati olnud edukas

Lõppude lõpuks oli see esimene epideemia, millest MT-s kirjutasime. Kui aga rääkida näiteks pandeemia arenemisprotsessist, siis algstaadiumis tundus tehisintellekt justkui läbikukkumisena. Teadlased on selle üle kurtnud Tehisintellekt ei suuda varasemate epideemiate andmete põhjal õigesti ennustada koroonaviiruse leviku ulatust. «Need lahendused töötavad hästi mõnes valdkonnas, näiteks teatud arvu silmade ja kõrvadega nägude äratundmisel. SARS-CoV-2 epideemia Tegemist on seni tundmatute sündmuste ja paljude uute muutujatega, mistõttu selle treenimiseks kasutatud ajaloolistel andmetel põhinev tehisintellekt hästi ei tööta. Pandeemia on näidanud, et peame otsima teisi tehnoloogiaid ja lähenemisviise," ütles Skoltechi Maxim Fedorov 2020. aasta aprillis Venemaa meediale tehtud avalduses.

Aja jooksul oli neid aga algoritme, mis näivad tõestavat tehisintellekti suurt kasulikkust võitluses COVID-19 vastu. USA teadlased töötasid 2020. aasta sügisel välja süsteemi, et tuvastada COVID-19 põdevatel inimestel iseloomulikud köhamustrid, isegi kui neil polnud muid sümptomeid.

Kui vaktsiinid ilmusid, sündis idee aidata elanikkonda vaktsineerida. Ta võiks näiteks aidata modelleerida vaktsiinide transporti ja logistikat. Samuti otsustamaks, milliseid populatsioone tuleks pandeemiaga kiiremini toimetulekuks esmalt vaktsineerida. Samuti aitaks see prognoosida nõudlust ning optimeerida vaktsineerimise ajastust ja kiirust, tuvastades kiiresti logistikaprobleemid ja kitsaskohad. Algoritmide kombinatsioon pideva jälgimisega võib anda kiiresti teavet ka võimalike kõrvalmõjude ja tervisesündmuste kohta.

need AI-d kasutavad süsteemid tervishoiu optimeerimisel ja parandamisel on juba teada. Nende praktilisi eeliseid hinnati; näiteks USA Stanfordi ülikooli Macro-Eyesi poolt välja töötatud tervishoiusüsteem. Nagu paljudes teistes raviasutustes, oli probleemiks vastuvõtule mitteilmunud patsientide vähesus. Makro silmad ehitas süsteemi, mis suudaks usaldusväärselt ennustada, millised patsiendid seal tõenäoliselt ei viibi. Mõnes olukorras võiks ta soovitada ka kliinikute jaoks alternatiivseid aegu ja asukohti, mis suurendaks patsiendi kohalejõudmise võimalusi. Hiljem rakendati sarnast tehnoloogiat erinevates kohtades Arkansasest Nigeeriani, eriti USA Rahvusvahelise Arengu Agentuuri toel.

Tansaanias töötas Macro-Eyes projekti kallal, mille eesmärk oli laste vaktsineerimise määra suurendamine. Tarkvara analüüsis, mitu vaktsiiniannust tuleb antud vaktsineerimiskeskusesse saata. Samuti suutis ta hinnata, millised pered võivad olla vastumeelsed oma lapsi vaktsineerima, kuid neid suudeti veenda asjakohaste argumentide ja sobivas kohas asuva vaktsineerimiskeskuse asukohaga. Selle tarkvara abil on Tansaania valitsus suutnud suurendada oma immuniseerimisprogrammi tõhusust 96%. ja vähendada vaktsiinijäätmeid 2,42-ni 100 inimese kohta.

Sierra Leones, kus elanike terviseandmed puudusid, püüdis ettevõte seda võrrelda hariduse teabega. Selgus, et ainuüksi õpetajate ja nende õpilaste arvust piisas 70 protsendi ennustamiseks. täpsus, kas kohalikul kliinikul on juurdepääs puhtale veele, mis on juba seal elavate inimeste tervise andmete jalajälg (3).

3. Macro-Eyes illustratsioon AI-põhistest tervishoiuprogrammidest Aafrikas.

Müüt masinaarstist ei kao kuhugi

Vaatamata ebaõnnestumistele Watson uusi diagnostilisi lähenemisviise arendatakse endiselt välja ja neid peetakse üha arenenumateks. Võrdlus tehtud Rootsis 2020. aasta septembris. kasutatakse rinnavähi pildidiagnostikas näitas, et parim neist töötab samamoodi nagu radioloog. Algoritme on testitud, kasutades rutiinse sõeluuringu käigus saadud ligi üheksat tuhat mammograafilist pilti. Kolm süsteemi, tähistusega AI-1, AI-2 ja AI-3, saavutasid täpsuse 81,9%, 67%. ja 67,4%. Võrdluseks – neid pilte esimesena tõlgendavate radioloogide puhul oli see näitaja 77,4% ja radioloogidkes kirjeldas seda teisena, oli see 80,1 protsenti. Parimad algoritmid suutsid tuvastada ka juhtumeid, mis radioloogidel sõeluuringul kahe silma vahele jäid ja naised diagnoositi haigeks vähem kui aastaga.

Teadlaste sõnul tõestavad need tulemused seda tehisintellekti algoritmid aidata parandada radioloogide tehtud vale-negatiivseid diagnoose. AI-1 võimaluste kombineerimine keskmise radioloogiga suurendas avastatud rinnavähkide arvu 8%. Seda uuringut läbi viinud Kuningliku Instituudi meeskond loodab, et AI-algoritmide kvaliteet kasvab jätkuvalt. Katse täielik kirjeldus avaldati ajakirjas JAMA Oncology.

W viie palli skaalal. Praegu oleme tunnistajaks olulisele tehnoloogilisele kiirendusele ja IV tasemeni jõudmisele (kõrge automatiseeritus), mil süsteem töötleb iseseisvalt saadud andmeid automaatselt ning edastab spetsialistile eelanalüüsitud info. See säästab aega, väldib inimlikke eksimusi ja tagab tõhusama patsiendihoolduse. Nii otsustas ta paar kuud tagasi Stan A.I. talle lähedasel meditsiinialal prof. Janusz Braziewicz Poola Nukleaarmeditsiini Seltsi avalduses Poola pressiagentuurile.

4. Meditsiiniliste piltide masinvaatamine

Algoritmid, vastavalt sellistele ekspertidele nagu prof. Brazievitšisegi asendamatu selles valdkonnas. Põhjuseks on diagnostiliste pildiuuringute arvu kiire kasv. Ainult perioodiks 2000-2010. MRT uuringute ja uuringute arv on kümnekordistunud. Kahjuks ei ole suurenenud eriarstide arv, kes saaksid neid kiiresti ja usaldusväärselt teha. Samuti on puudus kvalifitseeritud tehnikutest. Tehisintellektil põhinevate algoritmide rakendamine säästab aega ja võimaldab protseduuride täielikku standardiseerimist, samuti vältida inimvigu ja patsientidele tõhusamat, isikupärastatud ravi.

Nagu selgus, ka kohtumeditsiin võib kasu saada tehisintellekti arendamine. Selle valdkonna spetsialistid saavad surnud usside ja teiste surnud kudedest toituvate olendite eritiste keemilise analüüsi abil kindlaks teha surnu täpse surmaaja. Probleem tekib siis, kui analüüsi kaasatakse erinevat tüüpi nekrofaagide eritiste segusid. Siin tuleb mängu masinõpe. Albany ülikooli teadlased on välja töötanud tehisintellekti meetod, mis võimaldab kiiremini tuvastada ussiliike nende "keemiliste sõrmejälgede" põhjal. Meeskond treenis oma arvutiprogrammi, kasutades kuue kärbse liigi keemiliste eritiste erinevate kombinatsioonide segusid. Ta dešifreeris putukate vastsete keemilised signatuurid massispektromeetria abil, mis tuvastab kemikaalid, mõõtes täpselt iooni massi ja elektrilaengu suhet.

Niisiis, nagu näete, siiski AI kui uurimisdetektiiv mitte eriti hea, see võib olla kohtuekspertiisi laboris väga kasulik. Võib-olla ootasime temalt selles etapis liiga palju, eeldades algoritme, mis jätaksid arstid tööta (5). Kui me vaatame Tehisintellekt realistlikumalt, keskendudes pigem konkreetsetele praktilistele eelistele kui üldisele, tundub tema karjäär meditsiinis taas väga paljutõotav.

5. Arsti auto nägemus