Nedavne študije so pokazale zmožnost sistemov umetne inteligence pri medicinskem diagnosticiranju pomembnih bolezni
Sistemi umetne inteligence (AI) obstajajo že kar nekaj časa in s časom postajajo pametnejši in boljši. AI uporablja se na številnih področjih in je zdaj sestavni del večine področij. AI je lahko bistvena in uporabna sestavina medicinski znanost in raziskave, saj ima ogromen potencial vpliva na zdravstveno industrijo.
Umetna inteligenca v medicinski diagnostiki?
Čas je najdragocenejši vir v zdravstvu in zgodnja ustrezna diagnoza je zelo pomembna za končni izid bolezni. Zdravstvena oskrba je pogosto dolgotrajen proces, ki zahteva čas in vire, kar zamuja z učinkovito diagnozo in posledično s pravilnim zdravljenjem. AI lahko pomaga zapolniti vrzel med razpoložljivostjo in upravljanjem časa s strani zdravnikov z vključitvijo hitrosti in natančnosti v diagnozo bolnikov. Lahko bi pomagalo premagati omejitve virov in zdravstvenih delavcev, zlasti v državah z nizkimi in srednjimi dohodki. AI je proces učenja in razmišljanja, tako kot ljudje skozi koncept, imenovan globoko učenje. Globoko učenje uporablja široke nabore vzorčnih podatkov za samo ustvarjanje odločitvenih dreves. S tem poglobljenim učenjem lahko sistem umetne inteligence dejansko razmišlja tako kot ljudje, če ne celo bolje, zato bi se lahko umetna inteligenca štela za primerno za izvajanje zdravstvenih nalog. Pri diagnosticiranju bolnikov sistemi AI še naprej iščejo vzorce med bolniki z istimi boleznimi. Sčasoma lahko ti vzorci ustvarijo osnovo za napovedovanje bolezni, preden se manifestirajo.
V nedavni raziskavi1 objavljeno v Celica, so raziskovalci uporabili umetni inteligence in tehnike strojnega učenja za razvoj novega računalniškega orodja za pregledovanje bolnikov s pogostimi, a slepimi boleznimi mrežnice, kar bi lahko pospešilo diagnozo in zdravljenje. Raziskovalci so uporabili nevronsko mrežo, ki temelji na umetni inteligenci, za pregled več kot 200,000 očesnih pregledov, izvedenih z neinvazivno tehnologijo, ki odbija svetlobo od mrežnice, da ustvari 2D in 3D predstavitve tkiva. Nato so uporabili tehniko, imenovano 'transfer learning', pri kateri se znanje, pridobljeno pri reševanju enega problema, shrani v računalnik in uporabi za različne, a sorodne probleme. Na primer, nevronska mreža AI, optimizirana za prepoznavanje diskretnih anatomskih struktur očesa, kot so mrežnica, roženica ali optični živec, jih lahko hitreje in učinkoviteje prepozna in oceni, ko preučuje slike celotnega očesa. Ta proces omogoča sistemu AI, da se postopoma uči z veliko manjšim naborom podatkov kot tradicionalne metode, ki zahtevajo velike nabore podatkov, zaradi česar so dragi in zamudni.
Študija se je osredotočila na dva pogosta vzroka nepopravljive slepote, ki ju je mogoče zdraviti, če sta odkrita zgodaj. Strojno izpeljane diagnoze so primerjali z diagnozami petih oftalmologov, ki so pregledali iste preglede. Poleg postavitve medicinske diagnoze je platforma AI ustvarila tudi priporočilo za napotitev in zdravljenje, kar ni bilo narejeno v nobeni prejšnji študiji. Ta usposobljeni sistem umetne inteligence je deloval tako kot dobro usposobljen oftalmolog in je lahko v 30 sekundah ustvaril odločitev o tem, ali je treba bolnika napotiti na zdravljenje ali ne, z več kot 95-odstotno natančnostjo. Preizkusili so tudi orodje AI pri diagnosticiranju otroške pljučnice, vodilnega vzroka smrti otrok (mlajših od 5 let) po vsem svetu na podlagi strojnih analiz rentgenskih žarkov prsnega koša. Zanimivo je, da je računalniški program lahko razlikoval med virusnimi in bakterijsko pljučnico z več kot 90-odstotno natančnostjo. To je ključnega pomena, ker čeprav se virusne pljučnice telo po poteku naravno znebi, je bakterijska pljučnica na drugi strani resnejša grožnja zdravju in zahteva takojšnje zdravljenje z antibiotiki.
V drugem velikem preskoku2 v sistemih umetne inteligence za medicinsko diagnozo so znanstveniki ugotovili, da je mogoče fotografije, posnete mrežnice posameznika, analizirati z algoritmi za strojno učenje ali programsko opremo za napovedovanje srčno-žilnega tveganja z identifikacijo signalov, ki kažejo na srčno bolezen. Stanje očesnih žil, ki je zajeto na fotografijah, je pokazalo, da natančno napoveduje starost, spol, etnično pripadnost, krvni tlak, morebitne predhodne srčne napade in navade kajenja in vsi ti dejavniki skupaj napovedujejo bolezni srca pri posamezniku.
Oko kot informacijski blok
Zamisel o ogledu fotografij očesa za diagnosticiranje zdravja obstaja že nekaj časa. Ugotovljeno je, da ima zadnja notranja stena človeških oči veliko krvnih žil, ki odražajo splošno zdravje telesa. S preučevanjem in analizo videza teh žil s kamero in mikroskopom je mogoče predvideti veliko podatkov o krvnem tlaku posameznika, starosti, kadilcih ali nekadilcih ipd. in vse to so pomembni kazalniki zdravja posameznikovega srca. . Bolezni srca in ožilja (KVB) so glavni vzrok smrti na svetu in več ljudi umre zaradi KVB v primerjavi s katero koli drugo boleznijo ali stanjem. To je bolj razširjeno v državah z nizkimi in srednjimi dohodki in predstavlja veliko breme za gospodarstvo in človeštvo. Srčno-žilno tveganje je odvisno od številnih dejavnikov, kot so geni, starost, etnična pripadnost, spol, v kombinaciji z vadbo in prehrano. Večino srčno-žilnih bolezni je mogoče preprečiti z obravnavo vedenjskih tveganj, kot so uživanje tobaka, debelost, telesna nedejavnost in nezdrava prehrana, s pomembnimi spremembami življenjskega sloga za odpravo možnih tveganj.
Zdravstvena diagnoza s slikami mrežnice
Ta študija, ki so jo izvedli raziskovalci pri Googlu in njenem lastnem podjetju za zdravstveno tehnologijo Verily Life Sciences, je pokazala, da je bil algoritem umetne inteligence uporabljen na velikem naboru fotografij mrežnice okoli 280,000 bolnikov in je ta algoritem lahko uspešno napovedal dejavnike tveganja za srce pri dveh popolnoma neodvisnih podatkovnih nizov okoli 12000 1000 in 70 71 bolnikov z dokaj dobro natančnostjo. Algoritem je uporabil celotno fotografijo mrežnice za količinsko opredelitev povezave med sliko in tveganjem za srčni napad. Ta algoritem bi lahko napovedal srčno-žilni dogodek XNUMX odstotkov časa pri pacientu in dejansko sta bila v tem testu XNUMX odstotkov časa razločena tudi kadilec in nekadilec. Algoritem bi lahko tudi napovedal visok krvni tlak, ki kaže na srčno stanje, in napovedal sistolični krvni tlak – tlak v žilah, ko srce utripa – v območju večine bolnikov z ali brez visokega krvnega tlaka. Natančnost te napovedi je po mnenju avtorjev zelo podobna laboratorijskemu pregledu srčno-žilnega sistema, kjer bolniku odvzamejo kri za merjenje ravni holesterola, ki se gleda vzporedno z bolnikovo anamnezo. Algoritem v tej študiji, objavljen v Narava biomedicinski inženiring, bi lahko po vsej verjetnosti napovedal tudi nastanek večjega srčno-žilnega dogodka – npr. srčnega infarkta.
Izjemno zanimiv in ključen vidik teh študij je bil, da lahko računalnik pove, kam gleda na sliki, da pride do diagnoze, kar nam omogoča razumevanje postopka napovedi. Na primer, Googlova študija je natančno pokazala, "kateri deli mrežnice" so prispevali k algoritmu za napovedovanje, z drugimi besedami, kako je algoritem naredil napoved. To razumevanje ni pomembno le za razumevanje metode strojnega učenja v tem konkretnem primeru, ampak tudi za ustvarjanje zaupanja in vere v celotno metodologijo, tako da postane pregledna.
Izzivi
Takšne medicinske slike imajo svoje izzive, ker opazovanje in nato kvantificiranje asociacij, ki temeljijo na takšnih slikah, ni preprosto, predvsem zaradi več značilnosti, barv, vrednosti, oblik itd. na teh slikah. Ta študija uporablja globoko učenje, da izriše povezave, povezave in razmerja med spremembami v človeški anatomiji (notranja morfologija telesa) in boleznijo na enak način, kot bi to storil zdravstveni delavec, ko povezuje simptome bolnikov z boleznijo. . Ti algoritmi zahtevajo več testiranja, preden jih lahko uporabimo v kliničnem okolju.
Kljub razpravam in izzivom ima umetna inteligenca ogromen potencial za revolucijo pri diagnosticiranju in obvladovanju bolezni z izvajanjem analiz in klasifikacij, ki vključujejo ogromne količine podatkov, ki so težki za človeške strokovnjake. Zagotavlja hitra, stroškovno učinkovita, neinvazivna alternativna diagnostična orodja, ki temeljijo na slikah. Pomembna dejavnika za uspeh sistemov AI bi bila večja računska moč in več izkušenj ljudi. V verjetni prihodnosti bi bilo mogoče nove medicinske vpoglede in diagnozo doseči z umetno inteligenco brez človeškega usmerjanja ali nadzora.
***
{Izvirno raziskovalno nalogo lahko preberete s klikom na spodnjo povezavo DOI na seznamu citiranih virov}
Vir (i)
1. Kermany DS et al. 2018. Prepoznavanje medicinskih diagnoz in ozdravljivih bolezni z globokim učenjem, ki temelji na slikah. Celica. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. Predvidevanje kardiovaskularnih dejavnikov tveganja iz fotografij fundusa mrežnice s pomočjo globokega učenja. Biomedicinski inženiring narave. 2. https://doi.org/10.1038/s41551-018-0195-0
