Вотсон није угризао доктора, и то врло добро

Иако је, као иу многим другим областима, ентузијазам да се доктори замене вештачком интелигенцијом донекле спласнуо након низа дијагностичких неуспеха, рад на развоју медицине засноване на вештачкој интелигенцији је још увек у току. Јер, ипак, они и даље нуде велике могућности и шансу за унапређење ефикасности пословања у многим својим областима.

ИБМ је најављен 2015. и 2016. је добио приступ подацима четири велике компаније за податке о пацијентима (1). Најпознатији, захваљујући бројним медијским извештајима, а уједно и најамбициознији пројекат коришћења ИБМ-ове напредне вештачке интелигенције био је везан за онкологију. Научници су покушали да искористе огромне ресурсе података да их обрађују како би их претворили у добро прилагођене третмане против рака. Дугорочни циљ је био да се Вотсон пресуди Клиничка испитивања и резултате, баш као што би то урадио лекар.

1. Једна од визуализација медицинског система Ватсон Хеалтх

Међутим, показало се да Watson не може самостално да консултује медицинску литературу и не може да преузима информације из електронске медицинске документације пацијената. Међутим, најтежа оптужба против њега била је то немогућност ефикасног упоређивања новог пацијента са другим старијим пацијентима од рака и откривања симптома који нису видљиви на први поглед.

Било је, додуше, неких онколога који су тврдили да верују његовом мишљењу, иако углавном у смислу Вотсонових предлога за стандардне третмане или као додатно, комплементарно медицинско мишљење. Многи су навели да би овај систем био одличан аутоматизовани библиотекар за лекаре.

Као резултат не баш ласкавих рецензија, ИБМ проблеми са продајом Ватсон система америчким медицинским установама. Представници продаје ИБМ-а успели су да га продају неким болницама у Индији, Јужној Кореји, Тајланду и другим земљама. У Индији су лекари () проценили Вотсонове препоруке о 638 ​​случајева рака дојке. Стопа придржавања препорука за лечење је 73%. Још горе Watson напустио је медицински центар Гачон у Јужној Кореји, где су се његове најбоље препоруке за 656 пацијената оболелих од колоректалног карцинома поклапале са препорукама стручњака у само 49 одсто случајева. То су проценили лекари Вотсон није добро радио са старијим пацијентиманису успели да им понуде одређене стандардне лекове и направили критичну грешку стављајући неке пацијенте са метастатском болешћу на опрез ради агресивног лечења.

На крају, иако је његов рад као дијагностичара и лекара оцењен као неуспешан, постоје области у којима се показао изузетно корисним. Производ Ватсон за геномику, који је развијен у сарадњи са Универзитетом Северне Каролине, Универзитетом Јејл и другим институцијама, користи се генетске лабораторије за израду извештаја за онкологе. Вотсон преузима датотеку листе генетске мутације пацијента и може да генерише извештај за неколико минута који укључује предлоге за све важне лекове и клиничка испитивања. Вотсон релативно лако рукује генетским информацијамајер су представљени у структурираним датотекама и не садрже нејасноће – или постоји мутација или нема мутације.

Партнери ИБМ-а на Универзитету Северне Каролине објавили су рад о ефикасности 2017. Вотсон је пронашао потенцијално важне мутације које нису идентификоване људским студијама у 32% њих. проучавао пацијенте, што их чини добрим кандидатима за нови лек. Међутим, још увек нема доказа да употреба доводи до бољих резултата лечења.

Кроћење веверица

Овај и многи други примери доприносе растућем уверењу да се све празнине у здравственој заштити решавају, али треба тражити области у којима то заиста може да помогне, јер ту људима не иде баш најбоље. Такво поље је нпр. истраживање протеина. Прошле године је објављено да може прецизно предвидети облик протеина на основу њихове секвенце (2). Ово је традиционално задатак изван моћи не само људи, већ чак и моћних рачунара. Ако можемо прецизно моделирати савијање протеинских молекула, потенцијал за генску терапију ће бити огроман. Научници се надају да ћемо са АлпхаФолд-ом проучавати функције хиљада, а то ће нам, заузврат, омогућити да разумемо узроке многих болести.

2. Савијање протеина моделовано коришћењем ДеепМинд-овог АлпхаФолд-а.

Сада знамо двеста милиона протеина, али у потпуности разумемо структуру и функцију малог дела њих. Протеини то је основни градивни елемент живих организама. Они су одговорни за већину процеса који се дешавају у ћелијама. Како раде и шта раде одређује њихова тродимензионална структура. Узимају одговарајући облик без икаквих упутстава, вођени законима физике. Већ деценијама главни метод за одређивање облика протеина су експерименталне методе. У употреби 50-их Рентгенске кристалографске методе. У последњој деценији постао је изабрано истраживачко средство кристална микроскопија. 80-их и 90-их година почео је рад на коришћењу компјутера за одређивање облика протеина. Међутим, резултати и даље нису задовољили научнике. Методе које су радиле за неке протеине нису радиле за друге.

Већ у 2018 АлпхаФолд добио признање од стручњака у моделовање протеина. Међутим, у то време је користио методе веома сличне другим програмима. Научници су променили своју тактику и створили још једну која је такође користила информације о физичким и геометријским ограничењима савијања протеина. АлпхаФолд дао неуједначене резултате. Некад су му ствари ишле боље, некад горе. Али скоро две трећине његових предвиђања поклопило се са резултатима добијеним експерименталним методама. Почетком 2 године, алгоритам је описао структуру неколико протеина вируса САРС-ЦоВ-3. Касније је утврђено да су предвиђања за протеин Орф2020а у складу са експерименталним резултатима.

Не ради се само о учењу како се протеини интерно савијају, већ и о дизајну. Истраживачи из НИХ БРАИН Инитиативе су користили Машинско учење развити протеин који може пратити нивое серотонина у мозгу у реалном времену. Серотонин је неурохемикалија која игра кључну улогу у томе како мозак контролише наше мисли и осећања. На пример, многи антидепресиви су дизајнирани да промене сигнале серотонина који се преносе између неурона. У чланку у часопису Целл, научници су описали како користе напредне методе генетског инжењеринга претворити бактеријски протеин у нови истраживачки алат који би могао помоћи у праћењу преноса серотонина са већом прецизношћу од тренутних метода. Претклинички експерименти, углавном на мишевима, показали су да сензор може тренутно да открије суптилне промене нивоа серотонина у мозгу током спавања, страха и друштвених интеракција, као и да тестира ефикасност нових психоактивних лекова.

Борба против пандемије није увек била успешна

Уосталом, ово је била прва епидемија о којој смо писали у МТ. Међутим, на пример, ако говоримо о развоју саме пандемије, онда је у почетној фази вештачка интелигенција изгледала као неуспех. Научници су се жалили на то Вештачка интелигенција не може тачно предвидети обим ширења коронавируса на основу података из ранијих епидемија. „Ова решења добро функционишу у неким областима, као што је препознавање лица са одређеним бројем очију и ушију. Епидемија САРС-ЦоВ-2 То су раније непознати догађаји и многе нове варијабле, тако да вештачка интелигенција заснована на историјским подацима који су коришћени за њену обуку не функционише добро. Пандемија је показала да морамо тражити друге технологије и приступе“, рекао је Максим Федоров из Сколтеха у априлу 2020. у изјави руским медијима.

Временом се појавио међутим, алгоритми који изгледа доказују већу корисност АИ у борби против ЦОВД-19. Научници у Сједињеним Државама су у јесен 2020. развили систем за препознавање карактеристичних образаца кашља код људи са ЦОВИД-19, чак и ако нису имали друге симптоме.

Када су вакцине постале доступне, родила се идеја да се помогне кампањи вакцинације становништва. Могла би нпр помоћи у моделирању транспорта и логистике вакцине. Такође у одређивању које групе становништва треба прво вакцинисати како би се брзо изборили са пандемијом. То би такође помогло у предвиђању потражње и оптимизацији времена и брзине вакцинације, брзо идентификујући проблеме и уска грла у логистици. Комбиновање алгоритама са континуираним праћењем такође може брзо да пружи информације о могућим нежељеним ефектима и здравственим догађајима.

ове системи који користе АИ у оптимизацији и унапређењу здравствене заштите већ су познати. Њихове практичне предности су цењене; на пример, здравствени систем који је развио Мацро-Еиес на америчком Универзитету Станфорд. Као иу многим другим здравственим установама, проблем је био недостатак пацијената који се нису јављали на преглед. Мацро Еиес изградили систем који је могао поуздано да предвиди који пацијенти вероватно неће бити тамо. У одређеним ситуацијама, он би такође могао да предложи алтернативна времена и локације клинике, што би повећало шансе да се пацијент појави. Слична технологија је касније примењена на локацијама од Арканзаса до Нигерије уз подршку, између осталих, Америчке агенције за међународни развој и.

У Танзанији, Мацро-Еиес је радио на пројекту чији је циљ повећање стопе имунизације деце. Софтвер је анализирао колико доза вакцине треба послати у дати центар за вакцинацију. Такође је био у стању да процени које породице можда оклевају да вакцинишу своју децу, али је могао да буде убеђен одговарајућим аргументима и идентификацијом центра за вакцинацију на погодној локацији. Користећи овај софтвер, танзанијска влада је успела да повећа ефикасност свог програма имунизације за 96%. и смањити отпад од вакцине на 2,42 на 100 људи.

У Сијера Леонеу, где су недостајали подаци о здрављу становника, компанија је покушала да то упореди са информацијама о образовању. Испоставило се да је само број наставника и њихових ученика довољан да се предвиди 70 одсто. тачност да ли локална клиника има приступ чистој води, што је већ траг здравствених података за људе који тамо живе (3).

3. Макро-очи илустрација здравствених програма заснованих на вештачкој интелигенцији у Африци.

Мит о доктору машина и даље постоји

Упркос неуспесима Вотсоне Нови дијагностички приступи се још увек развијају и сматрају се све напреднијим. Поређење направљено у Шведској у септембру 2020. користи се у сликовној дијагностици рака дојке показао да се најбољи од њих понашају као радиолог. Алгоритми су тестирани коришћењем скоро девет хиљада мамографских слика добијених током рутинског скрининга. Три система, означена као АИ-1, АИ-2 и АИ-3, постигла су тачност од 81,9%, 67%. и 67,4%. Поређења ради, међу радиолозима који тумаче ове слике као прве, ова цифра је била 77,4%, ау случају радиолозико га је други описао, било је 80,1 одсто. Најбољи алгоритам је такође био у стању да открије случајеве које су радиолози пропустили током скрининга, а женама је дијагностикована болест за мање од годину дана.

Према истраживачима, ови резултати то доказују алгоритми вештачке интелигенције помажу у исправљању лажно негативних дијагноза које су поставили радиолози. Комбиновање могућности АИ-1 са просечним радиологом повећало је број откривених карцинома дојке за 8%. Тим Краљевске институције који спроводи ово истраживање очекује да ће се квалитет алгоритама вештачке интелигенције наставити да се побољшава. Потпуни опис експеримента објављен је у ЈАМА Онцологи.

В на скали од пет тачака. Тренутно видимо значајно технолошко убрзање и достизање нивоа ИВ (висока аутоматизација), када систем самостално аутоматски обрађује примљене податке и пружа специјалисту унапред анализиране информације. Ово штеди време, избегава људске грешке и обезбеђује ефикаснију негу пацијената. Тако је пресудио пре неколико месеци Стан А.И. у њему блиске области медицине проф. Јанусз Бразиевицз из Пољског друштва за нуклеарну медицину у изјави пољској новинској агенцији.

4. Машински преглед медицинских слика

Алгоритми, према мишљењу стручњака попут проф. Бразиевицхчак и незаменљив у овој индустрији. Разлог је нагли пораст броја дијагностичких имиџ тестова. Само за период 2000-2010. број МРИ студија и прегледа порастао је десет пута. Нажалост, број доступних лекара специјалиста који би могли да их спроведу брзо и поуздано није повећан. Такође постоји недостатак квалификованих техничара. Увођење алгоритама заснованих на вештачкој интелигенцији штеди време и омогућава потпуну стандардизацију процедура, као и избегавање људских грешака и ефикасније, персонализоване третмане за пацијенте.

Како се испоставило, такође форензичка медицина може имати користи од развој вештачке интелигенције. Стручњаци из ове области могу да утврде тачно време смрти покојника хемијском анализом секрета црва и других бића која се хране мртвим ткивом. Проблем настаје када се у анализу укључе мешавине секрета различитих типова некрофага. Овде долази у обзир машинско учење. Научници са Универзитета у Албанију су се развили метода вештачке интелигенције која омогућава бржу идентификацију врста црва на основу њихових „хемијских отисака прстију”. Тим је тренирао свој компјутерски програм користећи мешавине различитих комбинација хемијских секрета шест врста мува. Он је дешифровао хемијске потписе ларви инсеката користећи технику масене спектрометрије која идентификује хемикалије прецизним мерењем односа масе и електричног набоја јона.

Дакле, као што видите, међутим АИ као истражни детектив није баш добро, могло би бити веома корисно у лабораторији за криминал. Можда смо очекивали превише тога у овој фази, предвиђајући алгоритме који ће докторе оставити без посла (5). Када погледамо Вештачка интелигенција реалније, фокусирањем на конкретне практичне користи, а не на целину, њена каријера у медицини поново изгледа веома обећавајуће.

5. Визија лекарског аутомобила