Ostatnie badania wykazały zdolność systemów sztucznej inteligencji do medycznego diagnozowania ważnych chorób
Systemy sztucznej inteligencji (AI) istnieją już od dłuższego czasu i z biegiem czasu stają się coraz mądrzejsi. AI ma zastosowanie w wielu obszarach i jest obecnie integralną częścią większości dziedzin. Sztuczna inteligencja może być istotnym i użytecznym elementem medyczny nauki i badań, ponieważ ma ogromny potencjał oddziaływania na branżę opieki zdrowotnej.
Sztuczna inteligencja w diagnostyce medycznej?
Czas jest najcenniejszym zasobem w opiece zdrowotnej, a wczesna, właściwa diagnoza jest bardzo ważna dla ostatecznego wyniku choroby. Opieka zdrowotna to często długotrwały proces, pochłaniający czas i zasoby, opóźniający skuteczną diagnozę, a co za tym idzie opóźniające podjęcie prawidłowego leczenia. AI może pomóc wypełnić lukę pomiędzy dostępnością a zarządzaniem czasem przez lekarzy poprzez uwzględnienie szybkości i dokładności w diagnozowaniu pacjentów. Mogłoby pomóc w przezwyciężeniu ograniczeń zasobów i pracowników służby zdrowia, zwłaszcza w krajach o niskich i średnich dochodach. Sztuczna inteligencja to proces uczenia się i myślenia ludzie poprzez koncepcję zwaną głębokim uczeniem się. Głębokie uczenie wykorzystuje szerokie zestawy przykładowych danych do samodzielnego tworzenia drzew decyzyjnych. Dzięki temu głębokiemu uczeniu system sztucznej inteligencji może faktycznie myśleć tak samo jak ludzie, jeśli nie lepiej, w związku z czym sztuczną inteligencję można uznać za nadającą się do wykonywania zadań medycznych. Podczas diagnozowania pacjentów systemy sztucznej inteligencji szukają wzorców wśród pacjentów cierpiących na te same choroby. Z biegiem czasu wzorce te mogą stworzyć podstawę do przewidywania chorób, zanim się one ujawnią.
W ostatnim badaniu1 opublikowane w Komórka, naukowcy wykorzystali sztuczny techniki inteligencji i uczenia maszynowego w celu opracowania nowego narzędzia obliczeniowego do badań przesiewowych pacjentów z powszechnymi, ale oślepiającymi chorobami siatkówki, potencjalnie przyspieszając diagnozowanie i leczenie. Naukowcy wykorzystali sieć neuronową opartą na sztucznej inteligencji, aby przejrzeć ponad 200,000 2 skanów oczu przeprowadzonych za pomocą nieinwazyjnej technologii, która odbija światło od siatkówki w celu stworzenia dwu- i trójwymiarowych reprezentacji tkanki. Następnie zastosowali technikę zwaną „uczeniem transferowym”, w ramach której wiedza zdobyta podczas rozwiązywania jednego problemu jest przechowywana w komputerze i stosowana do różnych, ale powiązanych problemów. Na przykład sieć neuronowa AI zoptymalizowana do rozpoznawania dyskretnych struktur anatomicznych oka, takich jak siatkówka, rogówka lub nerw wzrokowy, może szybciej i wydajniej je identyfikować i oceniać podczas badania obrazów całego oka. Proces ten pozwala systemowi AI na stopniowe uczenie się przy znacznie mniejszym zbiorze danych niż tradycyjne metody, które wymagają dużych zbiorów danych, co czyni je drogimi i czasochłonnymi.
W badaniu skupiono się na dwóch częstych przyczynach nieodwracalnej ślepoty, które można leczyć, jeśli zostaną wcześnie wykryte. Diagnozy postawione maszynowo porównano z diagnozami pięciu okulistów, którzy dokonali przeglądu tych samych skanów. Oprócz postawienia diagnozy medycznej platforma AI wygenerowała także skierowanie i zalecenie dotyczące leczenia, czego nie zrobiono w żadnym wcześniejszym badaniu. Ten przeszkolony system sztucznej inteligencji działał jak dobrze wyszkolony okulista i w ciągu 30 sekund mógł podjąć decyzję o skierowaniu pacjenta na leczenie z dokładnością przekraczającą 95%. Przetestowali także narzędzie AI do diagnozowania dziecięcego zapalenia płuc, będącego główną przyczyną zgonów dzieci (w wieku poniżej 5 lat) na całym świecie, w oparciu o analizę maszynową prześwietleń klatki piersiowej. Co ciekawe, program komputerowy był w stanie rozróżnić wirusa od wirusa bakteryjny zapalenie płuc z ponad 90-procentową dokładnością. Jest to niezwykle istotne, ponieważ choć wirusowe zapalenie płuc jest w sposób naturalny usuwane z organizmu po jego przebiegu, bakteryjne zapalenie płuc stanowi natomiast poważniejsze zagrożenie dla zdrowia i wymaga natychmiastowego leczenia antybiotykami.
W kolejnym dużym skoku2 W systemach sztucznej inteligencji do diagnostyki medycznej naukowcy odkryli, że zdjęcia siatkówki danej osoby mogą być analizowane za pomocą algorytmów uczenia maszynowego lub oprogramowania w celu przewidywania ryzyka sercowo-naczyniowego poprzez identyfikację sygnałów wskazujących na chorobę serca. Wykazano, że stan naczyń krwionośnych w oku, który jest uchwycony na zdjęciach, pozwala dokładnie przewidzieć wiek, płeć, pochodzenie etniczne, ciśnienie krwi, wszelkie wcześniejsze zawały serca i nawyki palenia, a wszystkie te czynniki łącznie przewidują choroby związane z sercem u danej osoby.
Oko jako blok informacyjny
Pomysł patrzenia na zdjęcia oka w celu diagnozy zdrowia istnieje od jakiegoś czasu. Powszechnie wiadomo, że tylna wewnętrzna ściana ludzkich oczu ma wiele naczyń krwionośnych, które odzwierciedlają ogólny stan zdrowia organizmu. Badając i analizując wygląd tych naczyń krwionośnych za pomocą aparatu fotograficznego i mikroskopu można przewidzieć wiele informacji o ciśnieniu krwi, wieku, palaczu lub niepalącym itp., które są ważnymi wskaźnikami zdrowia serca danej osoby. . Choroba sercowo-naczyniowa (CVD) jest główną przyczyną zgonów na całym świecie i więcej osób umiera z powodu CVD w porównaniu z jakąkolwiek inną chorobą lub stanem. Jest to bardziej powszechne w krajach o niskich i średnich dochodach i stanowi ogromne obciążenie dla gospodarki i ludzkości. Ryzyko sercowo-naczyniowe zależy od wielu czynników, takich jak geny, wiek, pochodzenie etniczne, płeć, w połączeniu z ćwiczeniami i dietą. Większości chorób sercowo-naczyniowych można zapobiegać, eliminując zagrożenia behawioralne, takie jak palenie tytoniu, otyłość, brak aktywności fizycznej i niezdrowa dieta, wprowadzając znaczące zmiany w stylu życia w celu wyeliminowania możliwych zagrożeń.
Diagnoza zdrowia za pomocą obrazów siatkówki
To badanie przeprowadzone przez naukowców z Google i jego własną firmę zajmującą się technologiami medycznymi Verily Life Sciences, wykazało, że algorytm sztucznej inteligencji został użyty na dużym zbiorze danych zdjęć siatkówki około 280,000 12000 pacjentów i algorytm ten był w stanie z powodzeniem przewidzieć czynniki ryzyka serca na dwa całkowicie niezależne zestawy danych około 1000 i 70 pacjentów z dość dobrą dokładnością. Algorytm wykorzystał całe zdjęcie siatkówki, aby określić ilościowo związek między obrazem a ryzykiem zawału serca. Algorytm ten mógł przewidzieć zdarzenie sercowo-naczyniowe w 71 procentach przypadków u pacjenta, a palacz i osoba niepaląca również można było odróżnić w tym teście w XNUMX procentach przypadków. Algorytm może również przewidywać wysokie ciśnienie krwi wskazujące na stan serca i przewidywać skurczowe ciśnienie krwi – ciśnienie w naczyniach, gdy serce bije – w zakresie większości pacjentów z wysokim ciśnieniem krwi lub bez niego. Według autorów dokładność tej prognozy jest bardzo podobna do kontroli sercowo-naczyniowej w laboratorium, gdzie krew jest pobierana od pacjenta w celu pomiaru poziomu cholesterolu, patrząc równolegle z historią pacjenta. Algorytm w tym badaniu, opublikowany w Charakterystyka inżynierii biomedycznej, najprawdopodobniej może również przewidzieć wystąpienie poważnego zdarzenia sercowo-naczyniowego, np. zawału serca.
Niezwykle interesującym i kluczowym aspektem tych badań było to, że komputer potrafi określić, gdzie patrzy na obraz, aby postawić diagnozę, co pozwala nam zrozumieć proces przewidywania. Na przykład badanie przeprowadzone przez Google dokładnie pokazało, „które części siatkówki” przyczyniły się do algorytmu przewidywania, innymi słowy, w jaki sposób algorytm dokonywał przewidywania. To zrozumienie jest ważne nie tylko dla zrozumienia metody uczenia maszynowego w tym konkretnym przypadku, ale także dla wzbudzenia zaufania i wiary w całą tę metodologię poprzez uczynienie jej transparentną.
Wyzwania
Takie obrazy medyczne wiążą się z wyzwaniami, ponieważ obserwowanie, a następnie ilościowe określanie skojarzeń na podstawie takich obrazów nie jest proste, głównie z powodu kilku cech, kolorów, wartości, kształtów itp. w tych obrazach. Badanie to wykorzystuje uczenie głębokie, aby wydobyć powiązania, skojarzenia i zależności między zmianami w anatomii człowieka (wewnętrzną morfologią ciała) a chorobą w taki sam sposób, jak zrobiłby pracownik służby zdrowia, gdy koreluje objawy pacjenta z chorobą . Algorytmy te wymagają więcej testów, zanim będą mogły zostać użyte w warunkach klinicznych.
Pomimo dyskusji i wyzwań, sztuczna inteligencja ma ogromny potencjał, by zrewolucjonizować diagnostykę i zarządzanie chorobami poprzez przeprowadzanie analiz i klasyfikacji obejmujących ogromne ilości danych, które są trudne dla ludzkich ekspertów. Zapewnia szybkie, ekonomiczne, nieinwazyjne alternatywne narzędzia diagnostyczne oparte na obrazie. Ważnymi czynnikami sukcesu systemów AI byłaby wyższa moc obliczeniowa i większe doświadczenie ludzi. W prawdopodobnej przyszłości nowe medyczne spostrzeżenia i diagnozy mogą być osiągalne dzięki sztucznej inteligencji bez ludzkiego kierownictwa lub nadzoru.
***
{Możesz przeczytać oryginalną pracę naukową, klikając link DOI podany poniżej na liście cytowanych źródeł}
Źródło (s)
1. Kermany DS i in. 2018. Identyfikacja diagnoz medycznych i chorób uleczalnych za pomocą głębokiego uczenia się w oparciu o obraz. Komórka. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R i in. 2018. Przewidywanie czynników ryzyka sercowo-naczyniowego na podstawie zdjęć dna siatkówki poprzez uczenie głębokie. Inżynieria biomedyczna przyrody. 2. https://doi.org/10.1038/s41551-018-0195-0
