Watson nem harapta meg az orvost, és nagyon jól

Bár, mint sok más területen, az orvosok mesterséges intelligenciával való leváltása iránti lelkesedés némileg alábbhagyott egy sor diagnosztikai kudarc után, a mesterséges intelligencia-alapú orvoslás fejlesztése még mindig folyamatban van. Mert ennek ellenére számos területen továbbra is nagy lehetőségeket és esélyt kínálnak a működés hatékonyságának javítására.

Az IBM-et 2015-ben jelentették be, és 2016-ban négy nagy betegadat-társaság adataihoz jutott hozzá (1). A leghíresebb, számos médiajelentésnek köszönhetően, és egyben a legambiciózusabb, az IBM fejlett mesterséges intelligenciáját alkalmazó projekt az onkológiához kapcsolódott. A tudósok megpróbálták felhasználni az adatok hatalmas erőforrásait azok feldolgozására, hogy jól adaptált rákellenes terápiákká alakítsák őket. A hosszú távú cél az volt, hogy Watsont játékvezetővé tegyék klinikai vizsgálatok és olyan eredményeket ad, mint egy orvos.

1. A Watson Health orvosi rendszer egyik vizualizációja

Az azonban kiderült Watson nem hivatkozhat önállóan orvosi szakirodalomra, és nem tud információt kinyerni a betegek elektronikus egészségügyi feljegyzéseiből. A legsúlyosabb vád ellene azonban az volt képtelenség hatékonyan összehasonlítani egy új pácienst más idősebb rákbetegekkel, és olyan tüneteket észlelni, amelyek első pillantásra láthatatlanok.

Igaz, voltak olyan onkológusok, akik azt állították, hogy bíznak az ítéletében, jóllehet leginkább Watson standard kezelésekre vonatkozó javaslatai, vagy kiegészítő orvosi véleményként. Sokan rámutattak arra, hogy ez a rendszer nagyszerű automatizált könyvtáros lesz az orvosok számára.

Az IBM nem túl hízelgő értékeléseinek eredményeként problémák a Watson rendszer értékesítésével kapcsolatban az amerikai egészségügyi intézményekben. Az IBM értékesítési képviselőinek sikerült eladniuk néhány indiai, dél-koreai, thaiföldi és más országok kórházának. Indiában az orvosok () 638 mellrák esetre értékelték Watson ajánlásait. A kezelési ajánlások teljesítési aránya 73%. Rosszabb Watson kiesett a dél-koreai Gachon Medical Centerben, ahol 656 vastag- és végbélrákos betegre vonatkozó legjobb ajánlásai csak az esetek 49 százalékában feleltek meg a szakértői ajánlásoknak. Az orvosok ezt értékelték Watson nem járt jól az idősebb betegekkelazzal, hogy nem kínáltak nekik bizonyos standard gyógyszereket, és elkövették azt a kritikus hibát, hogy agresszív kezelési felügyeletet vállaltak egyes áttétes betegségben szenvedő betegeknél.

Végső soron, bár diagnosztizálói és orvosi munkáját sikertelennek tartják, vannak olyan területek, amelyeken rendkívül hasznosnak bizonyult. Termék Watson a Genomicsért, amelyet az Észak-Karolinai Egyetemmel, a Yale Egyetemmel és más intézményekkel együttműködésben fejlesztettek ki genetikai laboratóriumok onkológusok jelentéseinek elkészítéséhez. Watson letölti a listát genetikai mutációk egy páciensben, és percek alatt jelentést készíthet, amely tartalmazza az összes fontos gyógyszerre és klinikai vizsgálatra vonatkozó javaslatokat. Watson viszonylag könnyen kezeli a genetikai információkatmert strukturált fájlokban jelennek meg, és nem tartalmaznak kétértelműségeket – vagy van mutáció, vagy nincs mutáció.

Az Észak-Karolinai Egyetem IBM partnerei 2017-ben publikáltak egy tanulmányt a hatékonyságról. Watson 32%-uknál talált potenciálisan fontos mutációkat, amelyeket humán vizsgálatok nem azonosítottak. betegek vizsgálták, így jó jelöltek lettek az új gyógyszerre. Azonban még mindig nincs bizonyíték arra, hogy a használat jobb kezelési eredményekhez vezet.

A fehérjék háziasítása

Ez és sok más példa is hozzájárul ahhoz, hogy az egészségügy minden hiányosságát orvosolják, de meg kell keresnünk azokat a területeket, ahol ez valóban segíthet, mert ott nem állnak jól az emberek. Ilyen mező pl. fehérjekutatás. Tavaly olyan információk jelentek meg, amelyek szerint pontosan meg tudja jósolni a fehérjék alakját szekvenciájuk alapján (2). Ez egy hagyományos feladat, amely nem csak az emberek, de még a nagy teljesítményű számítógépek erejét is meghaladja. Ha elsajátítjuk a fehérjemolekulák csavarodásának precíz modellezését, óriási lehetőségek nyílnak a génterápiában. A tudósok abban reménykednek, hogy az AlphaFold segítségével ezrek funkcióit fogjuk tanulmányozni, és ez viszont lehetővé teszi számunkra, hogy megértsük sok betegség okait.

2. ábra: DeepMind AlphaFolddal modellezett fehérjecsavarás.

Most kétszázmillió fehérjét ismerünk, de teljes mértékben megértjük kis részük felépítését és működését. Fehérjék ez az élő szervezetek alapvető építőköve. Ők felelősek a sejtekben végbemenő legtöbb folyamatért. Hogyan működnek és mit csinálnak, azt 50D-s szerkezetük határozza meg. A fizika törvényei által vezérelve minden utasítás nélkül felveszik a megfelelő formát. Évtizedek óta a kísérleti módszerek a fő módszer a fehérjék alakjának meghatározására. Az XNUMX-es években a használat Röntgenkrisztallográfiai módszerek. Az elmúlt évtizedben ez vált a választott kutatási eszközzé. kristálymikroszkópia. A 80-as és 90-es években megkezdődött a munka a számítógépek használatával a fehérjék alakjának meghatározására. Az eredmények azonban továbbra sem elégítették ki a tudósokat. Azok a módszerek, amelyek bizonyos fehérjék esetében működtek, mások esetében nem működtek.

Már 2018-ban AlphaFold évben szakértői elismerésben részesült fehérje modellezés. Abban az időben azonban a többi programhoz nagyon hasonló módszereket használt. A tudósok taktikát váltottak, és létrehoztak egy másikat, amely a fehérjemolekulák hajtogatásának fizikai és geometriai korlátaira vonatkozó információkat is felhasználta. AlphaFold egyenetlen eredményeket adott. Néha jobban, néha rosszabbul sikerült. De jóslatainak csaknem kétharmada egybeesett a kísérleti módszerekkel kapott eredményekkel. A 2. év elején az algoritmus leírta a SARS-CoV-3 vírus több fehérjéjének szerkezetét. Később kiderült, hogy az Orf2020a fehérjére vonatkozó előrejelzések összhangban vannak a kísérleti eredményekkel.

Nemcsak a fehérjék hajtogatásának belső módjának tanulmányozásáról van szó, hanem a tervezésről is. A NIH BRAIN kezdeményezés kutatói használtak gépi tanulás olyan fehérjét fejlesztenek ki, amely valós időben képes nyomon követni az agy szerotoninszintjét. A szerotonin egy neurokémiai anyag, amely kulcsszerepet játszik abban, hogy az agy hogyan szabályozza gondolatainkat és érzéseinket. Például sok antidepresszánst úgy terveztek, hogy megváltoztassa a neuronok között továbbított szerotonin jeleket. A Cell folyóiratban megjelent cikkben a tudósok leírták, hogyan használják a fejletteket géntechnológiai módszerek egy bakteriális fehérjét olyan új kutatási eszközzé alakít, amely a jelenlegi módszereknél nagyobb pontossággal követheti nyomon a szerotonin átvitelt. A főként egereken végzett preklinikai kísérletek kimutatták, hogy az érzékelő azonnal képes észlelni az agy szerotoninszintjének finom változásait alvás közben, félelmet és társas interakciókat, és tesztelni tudja az új pszichoaktív szerek hatékonyságát.

A járvány elleni küzdelem nem mindig volt sikeres

Hiszen ez volt az első járvány, amiről az MT-ben írtunk. Azonban, ha például a járvány kialakulásának folyamatáról beszélünk, akkor a kezdeti szakaszban az AI valami kudarcnak tűnt. A tudósok erre panaszkodtak Mesterséges intelligencia a korábbi járványok adatai alapján nem tudja pontosan megjósolni a koronavírus terjedésének mértékét. „Ezek a megoldások bizonyos területeken jól működnek, például olyan arcok felismerésében, amelyeknek bizonyos számú szemük és fülük van. SARS-CoV-2 járvány Korábban ismeretlen eseményekről és sok új változóról van szó, így a kiképzéséhez használt történelmi adatokon alapuló mesterséges intelligencia nem működik jól. A világjárvány megmutatta, hogy más technológiákat és megközelítéseket kell keresnünk” – mondta Maxim Fedorov, a Skoltech munkatársa 2020 áprilisában az orosz médiának adott nyilatkozatában.

Idővel voltak azonban olyan algoritmusok, amelyek úgy tűnik, hogy bizonyítják a mesterséges intelligencia nagy hasznosságát a COVID-19 elleni küzdelemben. Az amerikai tudósok 2020 őszén kifejlesztettek egy rendszert, amely felismeri a COVID-19-ben szenvedő emberek jellegzetes köhögési mintázatait, még akkor is, ha nincs más tünetük.

Amikor megjelentek a vakcinák, megszületett az ötlet, hogy segítsék a lakosság oltását. Például megtehetné segíti a vakcinák szállításának és logisztikájának modellezését. Annak meghatározásában is, hogy mely populációkat kell először vakcinázni, hogy gyorsabban kezeljék a járványt. A logisztikai problémák és szűk keresztmetszetek gyors azonosításával segítene a kereslet előrejelzésében, valamint optimalizálni az oltás időzítését és sebességét. Az algoritmusok és az állandó monitorozás kombinációja gyors információval szolgálhat a lehetséges mellékhatásokról és egészségügyi eseményekről is.

ezeket AI-t használó rendszerek az egészségügy optimalizálása és fejlesztése terén már ismertek. Gyakorlati előnyeiket értékelték; például az amerikai Stanford Egyetemen működő Macro-Eyes által kifejlesztett egészségügyi rendszer. Sok más egészségügyi intézményhez hasonlóan a problémát a nem jelentkező betegek hiánya okozta. Makró szemek olyan rendszert épített ki, amely megbízhatóan előre jelezte, mely betegek valószínűleg nem lesznek ott. Bizonyos helyzetekben alternatív időpontokat és helyszíneket is javasolhat a klinikák számára, ami növelné a páciens megjelenésének esélyét. Később Arkansastól Nigériáig különböző helyeken alkalmaztak hasonló technológiát, különösen az Egyesült Államok Nemzetközi Fejlesztési Ügynökségének támogatásával.

Tanzániában a Macro-Eyes egy olyan projekten dolgozott, amelynek célja a a gyermekek immunizálási arányának növelése. A szoftver azt elemezte, hogy hány adag oltóanyagot kell egy adott oltóközpontba küldeni. Azt is fel tudta mérni, hogy mely családok nem szívesen oltatják be gyermekeiket, de megfelelő érvekkel és egy oltóközpont megfelelő helyen történő elhelyezésével meggyőzhetők. Ezzel a szoftverrel a tanzániai kormány 96%-kal tudta növelni immunizálási programja hatékonyságát. és 2,42 főre 100-re csökkenti a vakcinahulladékot.

Sierra Leonéban, ahol hiányoztak a lakosok egészségügyi adatai, a cég megpróbálta ezt az oktatással kapcsolatos információkkal párosítani. Kiderült, hogy a tanárok és tanítványaik száma önmagában elegendő a 70 százalék előrejelzéséhez. annak pontossága, hogy a helyi klinika hozzáfér-e tiszta vízhez, ami már az ott élők egészségi állapotára vonatkozó adatok lábnyoma (3).

3. Macro-Eyes illusztráció az AI-vezérelt egészségügyi programokról Afrikában.

A géporvos mítosza nem tűnik el

A kudarcok ellenére Watson Az új diagnosztikai megközelítések még mindig fejlesztés alatt állnak, és egyre fejlettebbnek tekinthetők. Összehasonlítás Svédországban 2020 szeptemberében. emlőrák képalkotó diagnosztikájában használják megmutatta, hogy a legjobb közülük ugyanúgy működik, mint egy radiológus. Az algoritmusokat a rutinszűrés során kapott közel kilencezer mammográfiás kép felhasználásával tesztelték. Három AI-1, AI-2 és AI-3 rendszer 81,9%-os, 67%-os pontosságot ért el. és 67,4%. Összehasonlításképpen azoknál a radiológusoknál, akik ezeket a képeket elsőként értelmezik, ez a szám 77,4% volt, a radiológusokaki másodikként írta le, az 80,1 százalék volt. Az algoritmusok közül a legjobbak olyan eseteket is képesek voltak kimutatni, amelyeket a radiológusok kihagytak a szűrés során, és a nőket kevesebb mint egy év alatt diagnosztizálták.

A kutatók szerint ezek az eredmények ezt bizonyítják mesterséges intelligencia algoritmusok segít a radiológusok által felállított álnegatív diagnózisok kijavításában. Az AI-1 képességeinek egy átlagos radiológussal való kombinálása 8%-kal növelte a kimutatott emlőrákok számát. A tanulmányt végző Királyi Intézet csapata arra számít, hogy az AI-algoritmusok minősége tovább fog növekedni. A kísérlet teljes leírását a JAMA Oncology közölte.

W egy ötfokú skálán. Jelenleg egy jelentős technológiai gyorsulásnak és a IV. (magas automatizáltság) szint elérésének lehetünk tanúi, amikor a rendszer önállóan automatikusan feldolgozza a beérkezett adatokat, és előre elemzett információkkal látja el a szakembert. Ez időt takarít meg, elkerüli az emberi hibákat és hatékonyabb betegellátást biztosít. Így ítélte meg néhány hónappal ezelőtt Stan A.I. a hozzá közel álló orvostudományi területen prof. Janusz Braziewicz a Lengyel Nukleáris Medicina Társaság közleményében a Lengyel Sajtóügynökségnek.

4. Orvosi képek gépi megtekintése

Az algoritmusok olyan szakértők szerint, mint prof. Brazievichmég ebben az iparágban is nélkülözhetetlen. Ennek oka a képalkotó diagnosztikai vizsgálatok számának rohamos növekedése. Csak a 2000-2010 közötti időszakra. tízszeresére nőtt az MRI vizsgálatok és vizsgálatok száma. Sajnos nem nőtt azoknak a szakorvosoknak a száma, akik gyorsan és megbízhatóan el tudják végezni ezeket. Szakképzett technikusokból is hiány van. Az AI-alapú algoritmusok megvalósítása időt takarít meg, és lehetővé teszi az eljárások teljes szabványosítását, valamint az emberi hibák elkerülését és a betegek hatékonyabb, személyre szabott kezelését.

Mint kiderült, szintén igazságügyi orvostan profitálhat belőle mesterséges intelligencia fejlesztése. Az ezen a területen dolgozó szakemberek a férgek és más, elhalt szövetekből táplálkozó lények váladékának kémiai elemzésével tudják meghatározni az elhunyt halálának pontos idejét. Probléma merül fel, ha különböző típusú nekrofágokból származó váladék keverékét is bevonják az elemzésbe. Itt jön képbe a gépi tanulás. Az Albany Egyetem tudósai kifejlesztették mesterséges intelligencia módszer, amely lehetővé teszi a féregfajok gyorsabb azonosítását „kémiai ujjlenyomataik” alapján. A csapat hat légyfajból származó kémiai váladék különböző kombinációinak felhasználásával képezte ki számítógépes programját. A rovarlárvák kémiai jeleit tömegspektrometriával fejtette meg, amely egy ion tömegének és elektromos töltésének arányának pontos mérésével azonosítja a vegyi anyagokat.

Tehát, mint láthatja, azonban AI mint nyomozó nyomozó nem túl jó, nagyon hasznos lehet egy törvényszéki laborban. Talán túl sokat vártunk tőle ebben a szakaszban, olyan algoritmusokra számítva, amelyek kiiktatják az orvosokat (5). Amikor megnézzük Mesterséges intelligencia reálisabban, ha az általános helyett konkrét gyakorlati előnyökre összpontosít, orvosi karrierje ismét nagyon ígéretesnek tűnik.

5. Vízió az orvos autójáról