Naujausi tyrimai parodė, kad dirbtinio intelekto sistemos gali mediciniškai diagnozuoti svarbias ligas
Dirbtinio intelekto (DI) sistemos veikia jau gana seniai ir dabar su laiku tampa vis protingesni ir geresni. AI turi programų yra daugybė sričių ir dabar yra daugelio sričių sudedamoji dalis. AI gali būti esminis ir naudingas komponentas medicinos mokslas ir tyrimai, nes jie turi didžiulį potencialą paveikti sveikatos priežiūros pramonę.
Dirbtinis intelektas medicininėje diagnostikoje?
Laikas yra pats vertingiausias sveikatos priežiūros išteklius, o ankstyva tinkama diagnozė yra labai svarbi galutiniam ligos rezultatui. Sveikatos priežiūra dažnai yra ilgas, daug laiko ir resursų reikalaujantis procesas, uždelsdamas veiksmingą diagnozę ir, savo ruožtu, uždelsdamas tinkamą gydymą. AI gali padėti užpildyti atotrūkį tarp prieinamumo ir gydytojų laiko valdymo, nes į pacientų diagnozę įtraukiamas greitis ir tikslumas. Tai galėtų padėti įveikti išteklių ir sveikatos priežiūros specialistų ribotumą, ypač mažas ir vidutines pajamas gaunančiose šalyse. AI yra mokymosi ir mąstymo procesas, kaip ir žmonės per koncepciją, vadinamą giluminiu mokymusi. Gilus mokymasis naudoja platų imčių duomenų rinkinį, kad pats sukurtų sprendimų medžius. Dėl šio gilaus mokymosi AI sistema iš tikrųjų gali mąstyti kaip žmonės, jei ne geriau, todėl AI gali būti laikoma tinkama atlikti medicinines užduotis. Diagnozuodami pacientus AI sistemos nuolat ieško modelių tarp pacientų, sergančių tomis pačiomis ligomis. Laikui bėgant, šie modeliai gali sudaryti pagrindą prognozuoti ligas prieš joms pasireiškiant.
Neseniai atliktame tyrime1 paskelbtas Ląstelė, naudojo mokslininkai dirbtinis žvalgybos ir mašininio mokymosi metodai, skirti sukurti naują skaičiavimo įrankį, skirtą pacientams, sergantiems įprastomis, bet akinančiomis tinklainės ligomis, tikrinti, o tai gali pagreitinti diagnozę ir gydymą. Tyrėjai naudojo AI pagrįstą neuroninį tinklą, kad peržiūrėtų daugiau nei 200,000 2 akių nuskaitymų, atliktų naudojant neinvazinę technologiją, kuri atmuša šviesą nuo tinklainės, kad sukurtų 3D ir XNUMXD audinių vaizdus. Tada jie taikė techniką, vadinamą „mokymusi perkėlimu“, kai sprendžiant vieną problemą įgytos žinios yra saugomos kompiuteryje ir taikomos skirtingoms, bet susijusioms problemoms spręsti. Pavyzdžiui, dirbtinio intelekto neuronų tinklas, optimizuotas atpažinti atskiras anatomines akies struktūras, tokias kaip tinklainė, ragena ar regos nervas, gali greičiau ir efektyviau jas atpažinti ir įvertinti, kai tiria visos akies vaizdus. Šis procesas leidžia AI sistemai palaipsniui mokytis naudojant daug mažesnį duomenų rinkinį nei tradiciniai metodai, kuriems reikalingi dideli duomenų rinkiniai, todėl jie yra brangūs ir atima daug laiko.
Tyrime daugiausia dėmesio buvo skiriama dviem dažnoms negrįžtamo aklumo priežastims, kurias galima gydyti anksti aptikus. Mašinų nustatytos diagnozės buvo palygintos su penkių oftalmologų, kurie peržiūrėjo tuos pačius nuskaitymus, diagnozėmis. Be medicininės diagnozės nustatymo, dirbtinio intelekto platforma taip pat sukūrė siuntimą ir gydymo rekomendaciją, kuri nebuvo atlikta jokiame ankstesniame tyrime. Ši apmokyta AI sistema veikė kaip gerai apmokytas oftalmologas ir per 30 sekundžių galėjo priimti sprendimą, ar pacientas turi būti nukreiptas gydytis, ar ne, daugiau nei 95 procentų tikslumu. Jie taip pat išbandė AI įrankį diagnozuodami vaikų pneumoniją, kuri yra pagrindinė vaikų (iki 5 metų amžiaus) mirties priežastis visame pasaulyje, remiantis mašinine krūtinės ląstos rentgeno analize. Įdomu tai, kad kompiuterinė programa sugebėjo atskirti virusinę ir bakterijų pneumonija daugiau nei 90 procentų tikslumu. Tai labai svarbu, nes nors virusinę pneumoniją organizmas natūraliai pašalina po jos eigos, bakterinė pneumonija, kita vertus, yra rimtesnė grėsmė sveikatai ir reikalauja nedelsiant gydyti antibiotikais.
Dar vienas didelis šuolis2 dirbtinio intelekto sistemose, skirtose medicininei diagnostikai, mokslininkai nustatė, kad asmens tinklainės nuotraukas galima analizuoti naudojant mašininio mokymosi algoritmus arba programinę įrangą, kad būtų galima numatyti širdies ir kraujagyslių sistemos riziką, nustatant signalus, rodančius širdies ligą. Buvo parodyta, kad nuotraukose užfiksuota akies kraujagyslių būklė tiksliai prognozuoja amžių, lytį, etninę kilmę, kraujospūdį, bet kokius ankstesnius širdies priepuolius ir rūkymo įpročius, o visi šie veiksniai kartu numato su širdimi susijusias asmens ligas.
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 sveikatos technologijų bendrovės „Verily Life Sciences“ mokslininkų atliktas tyrimas parodė, kad dirbtinio intelekto algoritmas buvo naudojamas dideliam tinklainės nuotraukų rinkiniui apie 280,000 12000 pacientų, ir šis algoritmas galėjo sėkmingai numatyti širdies rizikos veiksnius dviem visiškai. nepriklausomi duomenų rinkiniai apie 1000 70 ir 71 XNUMX pacientų, kurių tikslumas pakankamai geras. Algoritmas naudojo visą tinklainės nuotrauką, kad įvertintų ryšį tarp vaizdo ir širdies priepuolio rizikos. Šis algoritmas galėjo numatyti širdies ir kraujagyslių reiškinius XNUMX procentų paciento laiko, o iš tikrųjų rūkalius ir nerūkantys asmenys šiame teste taip pat buvo atskirti XNUMX procentą laiko. Algoritmas taip pat gali numatyti aukštą kraujospūdį, rodantį širdies ligą, ir numatyti sistolinį kraujospūdį – slėgį kraujagyslėse, kai plaka širdis – daugeliui pacientų, sergančių aukštu kraujospūdžiu arba be jo. Šios prognozės tikslumas, pasak autorių, yra labai panašus į širdies ir kraujagyslių sistemos patikrinimą laboratorijoje, kai iš paciento paimamas kraujas cholesterolio kiekiui išmatuoti, žvelgiant lygiagrečiai su paciento istorija. Šio tyrimo algoritmas, paskelbtas m Gamtos biomedicinos inžinerija, greičiausiai taip pat galėtų numatyti rimtą širdies ir kraujagyslių sistemos reiškinį, pvz., širdies priepuolį.
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.
***
{Galite perskaityti pradinį tyrimo dokumentą spustelėję toliau pateiktą DOI nuorodą cituojamų šaltinių sąraše}
Šaltiniai)
1. Kermany DS ir kt. 2018. Medicininių diagnozių ir gydomų ligų nustatymas naudojant vaizdinį gilųjį mokymąsi. Ląstelė. 172 straipsnio 5 dalis. https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R ir kt. 2018. Širdies ir kraujagyslių rizikos veiksnių numatymas iš tinklainės dugno nuotraukų per gilų mokymąsi. Gamtos biomedicinos inžinerija. 2. https://doi.org/10.1038/s41551-018-0195-0
