Naujausi tyrimai parodė, kad dirbtinio intelekto sistemos gali mediciniškai diagnozuoti svarbias ligas
Dirbtinio intelekto (DI) sistemos egzistuoja jau gana ilgą laiką ir laikui bėgant tampa vis protingesnės ir tobulesnės. DI taikomas daugelyje sričių ir dabar yra neatsiejama daugelio sričių dalis. DI gali būti esminė ir naudinga medicinos mokslo ir tyrimų sudedamoji dalis, nes ji turi didžiulį potencialą paveikti sveikatos priežiūros pramonę.
Dirbtinis intelektas medicininėje diagnostikoje?
Laikas yra vertingiausias sveikatos priežiūros išteklius, o ankstyva ir tinkama diagnozė yra labai svarbi galutiniam ligos rezultatui. Sveikatos priežiūra dažnai yra ilgas ir daug laiko bei išteklių reikalaujantis procesas, kuris atitolina veiksmingą diagnozę ir savo ruožtu atitolina teisingą gydymą. Dirbtinis intelektas gali padėti užpildyti spragą tarp prieinamumo ir gydytojų laiko valdymo, įtraukdamas greitį ir tikslumą pacientų diagnozėje. Tai galėtų padėti įveikti išteklių ir sveikatos priežiūros specialistų apribojimus, ypač mažas ir vidutines pajamas gaunančiose šalyse. Dirbtinis intelektas yra mokymosi ir mąstymo kaip žmonės procesas , taikant giliojo mokymosi koncepciją. Gilusis mokymasis naudoja platų imties duomenų rinkinį, kad pats sukurtų sprendimų medžius. Naudodama šį gilųjį mokymąsi, dirbtinio intelekto sistema iš tikrųjų gali mąstyti kaip žmonės, o gal net geriau, todėl dirbtinis intelektas gali būti laikomas tinkamu atlikti medicinines užduotis. Diagnozuodama pacientus, dirbtinio intelekto sistemos nuolat ieško modelių tarp pacientų, sergančių tomis pačiomis ligomis. Laikui bėgant, šie modeliai gali sukurti pagrindą ligoms numatyti dar prieš joms pasireiškiant.
Nesenčiame žurnale „Cell“ paskelbtame tyrime1 tyrėjai, pasitelkę dirbtinio intelekto ir mašininio mokymosi metodus, sukūrė naują skaičiavimo įrankį pacientams, sergantiems dažnomis, bet apakinančiomis tinklainės ligomis, atrinkti, o tai gali paspartinti diagnozavimą ir gydymą. Tyrėjai, naudodami dirbtiniu intelektu pagrįstą neuroninį tinklą, peržiūrėjo daugiau nei 200 000 akių skenavimų, atliktų naudojant neinvazinę technologiją, kuri atspindi šviesą nuo tinklainės, kad sukurtų 2D ir 3D audinių vaizdus. Tada jie pritaikė techniką, vadinamą „mokymosi perdavimu“, kai sprendžiant vieną problemą įgytos žinios yra saugomos kompiuteryje ir taikomos kitoms, bet susijusioms problemoms spręsti. Pavyzdžiui, dirbtinio intelekto neuroninis tinklas, optimizuotas atpažinti atskiras akies anatomines struktūras, tokias kaip tinklainė, ragena ar regos nervas, gali greičiau ir efektyviau jas identifikuoti ir įvertinti, kai tiria visos akies vaizdus. Šis procesas leidžia dirbtinio intelekto sistemai palaipsniui mokytis su daug mažesniu duomenų rinkiniu nei tradiciniai metodai, kuriems reikalingi dideli duomenų rinkiniai, todėl jie yra brangūs ir užima daug laiko.
Tyrime daugiausia dėmesio skirta dviem dažnoms negrįžtamo aklumo priežastims, kurias galima gydyti anksti aptikus. Mašinomis nustatytos diagnozės buvo palygintos su penkių oftalmologų, peržiūrėjusių tuos pačius skenavimus, diagnozėmis. Be medicininės diagnozės nustatymo, dirbtinio intelekto platforma taip pat pateikė siuntimo ir gydymo rekomendacijas, ko nebuvo padaryta jokiame ankstesniame tyrime. Ši apmokyta dirbtinio intelekto sistema veikė kaip gerai apmokytas oftalmologas ir per 30 sekundžių galėjo priimti sprendimą, ar pacientą reikia siųsti gydyti, daugiau nei 95 procentų tikslumu. Jie taip pat išbandė dirbtinio intelekto įrankį diagnozuodami vaikų pneumoniją, kuri yra pagrindinė vaikų (iki 5 metų) mirties priežastis visame pasaulyje, remdamiesi mašinine krūtinės ląstos rentgeno nuotraukų analize. Įdomu tai, kad kompiuterinė programa sugebėjo atskirti virusinę ir bakterinę pneumoniją daugiau nei 90 procentų tikslumu. Tai labai svarbu, nes nors virusinė pneumonija natūraliai pasišalina iš organizmo po jos eigos, bakterinė pneumonija, kita vertus, yra linkusi kelti rimtesnę grėsmę sveikatai ir reikalauja nedelsiant gydyti antibiotikais.
Dar vienas didelis žingsnis dirbtinio intelekto sistemų, skirtų medicininei diagnostikai, srityje – mokslininkai atrado, kad asmens tinklainės nuotraukas galima analizuoti naudojant mašininio mokymosi algoritmus arba programinę įrangą, siekiant numatyti širdies ir kraujagyslių ligų riziką, nustatant signalus, rodančius širdies ligas. Nuotraukose užfiksuota akies kraujagyslių būklė leidžia tiksliai numatyti amžių, lytį, etninę kilmę, kraujospūdį, bet kokius ankstesnius širdies priepuolius ir rūkymo įpročius, o visi šie veiksniai kartu prognozuoja su širdies ligomis susijusias ligas asmeniui.
Akys kaip informacijos blokas
Idėja pažvelgti į akies nuotraukas, kad būtų galima diagnozuoti sveikatą, kilo jau kurį laiką. Gerai žinoma, kad užpakalinėje vidinėje žmogaus akies sienelėje yra daug kraujagyslių, kurios atspindi bendrą kūno sveikatą. Ištyrus ir analizuojant šių kraujagyslių išvaizdą fotoaparatu ir mikroskopu, galima nuspėti daug informacijos apie asmens kraujospūdį, amžių, rūkantįjį ar nerūkantįjį ir pan. – visa tai yra svarbūs asmens širdies sveikatos rodikliai. . Širdies ir kraujagyslių ligos (ŠKL) yra pirmoji mirties priežastis visame pasaulyje ir daugiau žmonių miršta nuo ŠKL, palyginti su bet kuria kita liga ar būkle. Tai labiau paplitusi mažas ir vidutines pajamas gaunančiose šalyse ir yra didžiulė našta ekonomikai ir žmonijai. Širdies ir kraujagyslių ligų rizika priklauso nuo daugelio veiksnių, tokių kaip genai, amžius, etninė kilmė, lytis, kartu su mankšta ir mityba. Daugumos širdies ir kraujagyslių ligų galima išvengti sprendžiant elgesio riziką, pvz., tabako vartojimą, nutukimą, fizinį aktyvumą ir nesveiką mitybą, iš esmės keičiant gyvenimo būdą, kad būtų išvengta galimų pavojų.
Sveikatos diagnostika naudojant tinklainės vaizdus
Šis „Google“ ir jos pačios sveikatos technologijų bendrovės „Verily Life Sciences“ tyrėjų atliktas tyrimas parodė, kad dirbtinio intelekto algoritmas buvo panaudotas dideliam maždaug 280 000 pacientų tinklainės nuotraukų duomenų rinkiniui ir šis algoritmas sugebėjo sėkmingai numatyti širdies rizikos veiksnius dviejuose visiškai nepriklausomuose maždaug 12 000 ir 1000 pacientų duomenų rinkiniuose su gana dideliu tikslumu. Algoritmas panaudojo visą tinklainės nuotrauką, kad kiekybiškai įvertintų ryšį tarp vaizdo ir širdies priepuolio rizikos. Šis algoritmas galėjo numatyti širdies ir kraujagyslių sistemos sutrikimą 70 procentų laiko pacientui, o iš tikrųjų rūkantysis ir nerūkantysis šiame teste taip pat buvo atskirti 71 procentu laiko. Algoritmas taip pat galėjo numatyti aukštą kraujospūdį, rodantį širdies ligą, ir numatyti sistolinį kraujospūdį – slėgį kraujagyslėse, kai širdis plaka – daugumai pacientų, turinčių arba nesergančių aukštu kraujospūdžiu. Pasak autorių, šios prognozės tikslumas labai panašus į širdies ir kraujagyslių sistemos patikrinimą laboratorijoje, kai iš paciento imamas kraujas cholesterolio kiekiui matuoti, lygiagrečiai su paciento ligos istorija. Šio tyrimo, paskelbto žurnale „Nature Biomedical Engineering“ , algoritmas greičiausiai taip pat galėtų numatyti svarbaus širdies ir kraujagyslių sistemos sutrikimo, pvz., širdies smūgio, atsiradimą.
Labai įdomus ir esminis šių tyrimų aspektas buvo tai, kad kompiuteris gali pasakyti, kur jis žiūri vaizde, kad nustatytų diagnozę, o tai leis mums suprasti numatymo procesą. Pavyzdžiui, „Google“ atliktas tyrimas tiksliai parodė, „kurios tinklainės dalys“ prisidėjo prie numatymo algoritmo, kitaip tariant, kaip algoritmas numatė. Šis supratimas yra svarbus ne tik norint suprasti mašininio mokymosi metodą šiuo konkrečiu atveju, bet ir siekiant sukurti pasitikėjimą ir tikėjimą visa šia metodika, padarant ją skaidrią.
Iššūkiai
Tokie medicininiai vaizdai susiduria su iššūkiais, nes stebėti ir kiekybiškai įvertinti asociacijas, pagrįstas tokiais vaizdais, nėra paprasta daugiausia dėl kelių šiuose vaizduose esančių ypatybių, spalvų, verčių, formų ir kt. Šiame tyrime naudojamas gilus mokymasis, siekiant išsiaiškinti ryšius, asociacijas ir ryšius tarp žmogaus anatomijos (vidinės kūno morfologijos) ir ligos pokyčių taip pat, kaip tai darytų sveikatos priežiūros specialistas, siedamas paciento simptomus su liga. . Šie algoritmai reikalauja daugiau bandymų, kad juos būtų galima naudoti klinikinėje aplinkoje.
Nepaisant diskusijų ir iššūkių, dirbtinis intelektas turi didžiulį potencialą pakeisti ligų diagnostiką ir valdymą, atlikdamas analizę ir klasifikavimą, apimantį didžiulį duomenų kiekį, kuris yra sudėtingas žmonių ekspertams. Tai suteikia greitus, ekonomiškus, neinvazinius alternatyvius vaizdu pagrįstus diagnostikos įrankius. Svarbūs AI sistemų sėkmės veiksniai būtų didesnė skaičiavimo galia ir didesnė žmonių patirtis. Tikėtina, kad ateityje naudojant dirbtinį intelektą būtų galima pasiekti naujų medicininių įžvalgų ir diagnozių be žmogaus nurodymų ar priežiūros.
***
Šaltiniai)
1. Kermany DS ir kt. 2018. Medicininių diagnozių ir gydomų ligų nustatymas naudojant vaizdiniais pagrįstą gilųjį mokymąsi. Cell. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R ir kt. 2018. Širdies ir kraujagyslių ligų rizikos veiksnių prognozavimas iš tinklainės dugno nuotraukų taikant gilųjį mokymąsi. „Nature Biomedical Engineering“. 2. https://doi.org/10.1038/s41551-018-0195-0
***
