Vatsons nekoda ārstam, un ļoti labi

Lai gan, tāpat kā daudzās citās jomās, entuziasms aizstāt ārstus ar mākslīgo intelektu ir nedaudz mazinājies pēc vairākām diagnostikas kļūmēm, darbs pie AI balstītas medicīnas izstrādes joprojām turpinās. Jo tomēr tie joprojām piedāvā lielas iespējas un iespēju uzlabot darbības efektivitāti daudzās tās jomās.

IBM tika paziņots 2015. gadā, un 2016. gadā tas ieguva piekļuvi datiem no četriem galvenajiem pacientu datu uzņēmumiem (1). Slavenākais, pateicoties daudzajiem plašsaziņas līdzekļu ziņojumiem, un tajā pašā laikā vērienīgākais projekts, kurā tika izmantots uzlabotais mākslīgais intelekts no IBM, bija saistīts ar onkoloģiju. Zinātnieki ir mēģinājuši izmantot milzīgos datu resursus, lai tos apstrādātu, lai pārvērstu tos par labi pielāgotu pretvēža terapiju. Ilgtermiņa mērķis bija panākt, lai Vatsons kļūtu par tiesnesi klīniskie pētījumi un rezultātus, kā to darītu ārsts.

1. Viena no Watson Health medicīnas sistēmas vizualizācijām

Tomēr izrādījās, ka Vatsons nevar patstāvīgi atsaukties uz medicīnisko literatūru, kā arī nevar iegūt informāciju no pacientu elektroniskajiem medicīniskajiem ierakstiem. Tomēr visnopietnākā viņam izvirzītā apsūdzība bija tā nespēja efektīvi salīdzināt jaunu pacientu ar citiem vecākiem vēža pacientiem un atklāt simptomus, kas no pirmā acu uzmetiena ir neredzami.

Protams, daži onkologi apgalvoja, ka uzticas viņa spriedumam, lai gan galvenokārt saistībā ar Vatsona ieteikumiem par standarta ārstēšanu vai kā papildu, papildu medicīnisko atzinumu. Daudzi ir norādījuši, ka šī sistēma būs lielisks automatizēts bibliotekārs ārstiem.

Ne pārāk glaimojošo IBM atsauksmju rezultātā problēmas ar Watson sistēmas pārdošanu ASV medicīnas iestādēs. IBM tirdzniecības pārstāvjiem izdevās to pārdot dažām slimnīcām Indijā, Dienvidkorejā, Taizemē un citās valstīs. Indijā ārsti () novērtēja Vatsona ieteikumus 638 krūts vēža gadījumiem. Ārstēšanas ieteikumu atbilstības rādītājs ir 73%. Sliktāk Vatsons pameta Gachon medicīnas centrā Dienvidkorejā, kur viņa labākie ieteikumi 656 kolorektālā vēža pacientiem atbilda ekspertu ieteikumiem tikai 49 procentos gadījumu. To ir novērtējuši ārsti Vatsonam neveicās ar vecākiem pacientiemnepiedāvājot viņiem noteiktas standarta zāles, un pieļāva kritisku kļūdu, veicot agresīvu ārstēšanas uzraudzību dažiem pacientiem ar metastātisku slimību.

Galu galā, lai gan viņa darbs kā diagnostikas un ārsta darbs tiek uzskatīts par neveiksmīgu, ir jomas, kurās viņš ir izrādījies ārkārtīgi noderīgs. Produkts Vatsons par genomiku, kas tika izstrādāta sadarbībā ar Ziemeļkarolīnas Universitāti, Jēlas Universitāti un citām institūcijām ģenētiskās laboratorijas ziņojumu sagatavošanai onkologiem. Watson lejupielādes saraksta fails ģenētiskās mutācijas pacientam un dažu minūšu laikā var izveidot ziņojumu, kurā iekļauti ieteikumi par visām svarīgajām zālēm un klīniskajiem pētījumiem. Vatsons salīdzinoši viegli apstrādā ģenētisko informācijujo tie ir uzrādīti strukturētos failos un nesatur neskaidrības - vai nu ir mutācija, vai mutācijas nav.

IBM partneri Ziemeļkarolīnas Universitātē 2017. gadā publicēja rakstu par efektivitāti. Vatsons 32% no tiem atklāja potenciāli svarīgas mutācijas, kuras nebija identificētas pētījumos ar cilvēkiem. pacienti pētīja, padarot viņus par labiem kandidātiem jaunajām zālēm. Tomēr joprojām nav pierādījumu, ka lietošana uzlabos ārstēšanas rezultātus.

Olbaltumvielu pieradināšana

Šis un daudzi citi piemēri veicina pieaugošo pārliecību, ka visas nepilnības veselības aprūpē tiek novērstas, taču jāmeklē jomas, kur tas tiešām var palīdzēt, jo cilvēkiem tur neklājas īpaši labi. Šāds lauks ir, piemēram, olbaltumvielu izpēte. Pagājušajā gadā parādījās informācija, ka tā var precīzi paredzēt olbaltumvielu formu, pamatojoties uz to secību (2). Tas ir tradicionāls uzdevums, ko nespēj ne tikai cilvēki, bet pat jaudīgi datori. Ja mēs apgūsim precīzu proteīna molekulu savīšanas modelēšanu, gēnu terapijai pavērsies milzīgas iespējas. Zinātnieki cer, ka ar AlphaFold palīdzību izpētīsim tūkstošiem funkcijas, un tas, savukārt, ļaus izprast daudzu slimību cēloņus.

2. attēls. Proteīna vīšana, kas modelēta ar DeepMind AlphaFold.

Tagad mēs zinām divsimt miljonus olbaltumvielu, taču mēs pilnībā saprotam nelielas to daļas uzbūvi un funkcijas. olbaltumvielas tas ir dzīvo organismu pamatelements. Viņi ir atbildīgi par lielāko daļu procesu, kas notiek šūnās. To, kā viņi strādā un ko viņi dara, nosaka to 50D struktūra. Tie iegūst atbilstošo formu bez jebkādiem norādījumiem, vadoties pēc fizikas likumiem. Jau vairākus gadu desmitus eksperimentālās metodes ir bijušas galvenā metode proteīnu formas noteikšanai. XNUMX. gados izmantošana Rentgenstaru kristalogrāfijas metodes. Pēdējā desmitgadē tas ir kļuvis par izvēlēto pētniecības instrumentu. kristāla mikroskopija. 80. un 90. gados sākās darbs pie datoru izmantošanas, lai noteiktu proteīnu formu. Tomēr rezultāti zinātniekus joprojām neapmierināja. Metodes, kas darbojās dažiem proteīniem, nederēja citiem.

Jau 2018. gadā AlphaFold gadā saņēma ekspertu atzinību olbaltumvielu modelēšana. Tomēr tajā laikā tas izmantoja metodes, kas ļoti līdzīgas citām programmām. Zinātnieki mainīja taktiku un izveidoja citu, kurā arī tika izmantota informācija par fiziskajiem un ģeometriskajiem ierobežojumiem proteīnu molekulu locīšanas procesā. AlphaFold deva nevienmērīgus rezultātus. Dažreiz viņam veicās labāk, dažreiz sliktāk. Bet gandrīz divas trešdaļas no viņa prognozēm sakrita ar rezultātiem, kas iegūti ar eksperimentālām metodēm. 2. gada sākumā algoritms aprakstīja vairāku SARS-CoV-3 vīrusa proteīnu struktūru. Vēlāk tika atklāts, ka prognozes par Orf2020a proteīnu atbilst eksperimentāli iegūtajiem rezultātiem.

Tas attiecas ne tikai uz proteīnu locīšanas iekšējo veidu izpēti, bet arī par dizainu. Izmantoti pētnieki no NIH BRAIN iniciatīvas mašīnmācība izstrādāt proteīnu, kas var izsekot smadzeņu serotonīna līmenim reāllaikā. Serotonīns ir neiroķīmiska viela, kurai ir galvenā loma tajā, kā smadzenes kontrolē mūsu domas un jūtas. Piemēram, daudzi antidepresanti ir paredzēti, lai mainītu serotonīna signālus, kas tiek pārraidīti starp neironiem. Rakstā žurnālā Cell zinātnieki aprakstīja, kā viņi izmanto progresīvus gēnu inženierijas metodes pārvērst baktēriju proteīnu par jaunu pētniecības instrumentu, kas varētu palīdzēt izsekot serotonīna transmisijai ar lielāku precizitāti nekā pašreizējās metodes. Preklīniskie eksperimenti, galvenokārt ar pelēm, ir parādījuši, ka sensors var acumirklī noteikt smalkas smadzeņu serotonīna līmeņa izmaiņas miega, bailes un sociālās mijiedarbības laikā un pārbaudīt jaunu psihoaktīvo zāļu efektivitāti.

Cīņa pret pandēmiju ne vienmēr ir bijusi veiksmīga

Galu galā šī bija pirmā epidēmija, par kuru rakstījām MT. Tomēr, piemēram, ja mēs runājam par pašu pandēmijas attīstības procesu, tad sākotnējā posmā AI šķita kaut kas līdzīgs neveiksmei. Zinātnieki par to ir sūdzējušies Mākslīgais intelekts nevar pareizi prognozēt koronavīrusa izplatības apjomu, pamatojoties uz datiem par iepriekšējām epidēmijām. “Šie risinājumi labi darbojas dažās jomās, piemēram, atpazīst sejas, kurām ir noteikts acu un ausu skaits. SARS-CoV-2 epidēmija Tie ir iepriekš nezināmi notikumi un daudzi jauni mainīgie, tāpēc mākslīgais intelekts, kas balstīts uz vēsturiskajiem datiem, kas tika izmantots tā apmācīšanai, nedarbojas labi. Pandēmija ir parādījusi, ka mums ir jāmeklē citas tehnoloģijas un pieejas,” 2020. gada aprīļa paziņojumā Krievijas medijiem sacīja Maksims Fjodorovs no Skoltech.

Laika gaitā bija tomēr algoritmi, kas, šķiet, pierāda AI lielo lietderību cīņā pret COVID-19. Zinātnieki ASV izstrādāja sistēmu 2020. gada rudenī, lai atpazītu raksturīgos klepus modeļus cilvēkiem ar Covid-19, pat ja viņiem nebija citu simptomu.

Kad parādījās vakcīnas, radās ideja palīdzēt vakcinēt iedzīvotājus. Viņa varētu, piemēram palīdzēt modelēt vakcīnu transportēšanu un loģistiku. Arī nosakot, kuras populācijas vispirms jāvakcinē, lai ātrāk tiktu galā ar pandēmiju. Tas arī palīdzētu prognozēt pieprasījumu un optimizēt vakcinācijas laiku un ātrumu, ātri identificējot problēmas un vājās vietas loģistikā. Algoritmu kombinācija ar nepārtrauktu uzraudzību var arī ātri sniegt informāciju par iespējamām blakusparādībām un veselības notikumiem.

šos sistēmas, kas izmanto AI veselības aprūpes optimizēšanā un uzlabošanā jau ir zināmi. Viņu praktiskās priekšrocības tika novērtētas; piemēram, veselības aprūpes sistēma, ko izstrādājusi Macro-Eyes Stenfordas universitātē ASV. Tāpat kā daudzās citās ārstniecības iestādēs, problēma bija to pacientu trūkums, kuri neieradās uz pieņemšanu. Makro acis izveidoja sistēmu, kas varētu droši paredzēt, kuri pacienti, visticamāk, tur neatradīsies. Dažās situācijās viņš varētu arī ieteikt alternatīvus laikus un vietas klīnikām, kas palielinātu pacienta izredzes. Vēlāk līdzīga tehnoloģija tika pielietota dažādās vietās no Arkanzasas līdz Nigērijai ar atbalstu, jo īpaši ar ASV Starptautiskās attīstības aģentūras atbalstu.

Tanzānijā Macro-Eyes strādāja pie projekta, kura mērķis bija palielināt bērnu imunizācijas līmeni. Programmatūra analizēja, cik daudz vakcīnu devu jānosūta uz konkrēto vakcinācijas centru. Viņš arī varēja novērtēt, kuras ģimenes varētu nelabprāt vakcinēt savus bērnus, taču tās varēja pārliecināt ar atbilstošiem argumentiem un vakcinācijas centra atrašanās vietu ērtā vietā. Izmantojot šo programmatūru, Tanzānijas valdība ir spējusi palielināt imunizācijas programmas efektivitāti par 96%. un samazināt vakcīnu atkritumus līdz 2,42 uz 100 cilvēkiem.

Sjerraleonē, kur trūka iedzīvotāju veselības datu, uzņēmums mēģināja to saskaņot ar informāciju par izglītību. Izrādījās, ka ar skolotāju un viņu audzēkņu skaitu vien pietiek, lai prognozētu 70 procentus. precizitāte, vai vietējai klīnikai ir pieejams tīrs ūdens, kas jau ir datu nospiedums par tur dzīvojošo cilvēku veselību (3).

3. Makro-Eyes ilustrācija AI vadītām veselības aprūpes programmām Āfrikā.

Mīts par mašīnu ārstu nepazūd

Neskatoties uz neveiksmēm Vatsons jaunas diagnostikas pieejas joprojām tiek izstrādātas un tiek uzskatītas par arvien progresīvākām. Salīdzinājums veikts Zviedrijā 2020. gada septembrī. izmanto krūts vēža attēldiagnostikā parādīja, ka labākais no viņiem strādā tāpat kā radiologs. Algoritmi ir pārbaudīti, izmantojot gandrīz deviņus tūkstošus mammogrāfijas attēlu, kas iegūti ikdienas skrīninga laikā. Trīs sistēmas, kas apzīmētas kā AI-1, AI-2 un AI-3, sasniedza precizitāti 81,9%, 67%. un 67,4%. Salīdzinājumam radiologiem, kuri šos attēlus interpretē kā pirmos, šis rādītājs bija 77,4%, un gadījumā radiologikurš bija otrais, kurš to aprakstīja, tas bija 80,1 procents. Labākais no algoritmiem spēja arī atklāt gadījumus, kurus radiologi skrīninga laikā palaida garām, un sievietes tika diagnosticētas kā slimas mazāk nekā gada laikā.

Pēc pētnieku domām, šie rezultāti to pierāda mākslīgā intelekta algoritmi palīdzēt labot radiologu uzstādītās viltus negatīvās diagnozes. Apvienojot AI-1 iespējas ar vidējo radiologu, konstatēto krūts vēža gadījumu skaits palielinājās par 8%. Karaliskā institūta komanda, kas veic šo pētījumu, sagaida, ka AI algoritmu kvalitāte turpinās augt. Pilns eksperimenta apraksts tika publicēts JAMA Oncology.

W piecu ballu skalā. Šobrīd vērojams būtisks tehnoloģiskais paātrinājums un IV līmeņa sasniegšana (augsta automatizācija), kad sistēma patstāvīgi automātiski apstrādā saņemtos datus un sniedz speciālistam iepriekš analizētu informāciju. Tas ietaupa laiku, izvairās no cilvēka kļūdām un nodrošina efektīvāku pacientu aprūpi. Tā viņš sprieda pirms dažiem mēnešiem Stens A.I. sev tuvajā medicīnas jomā prof. Janušs Brazievičs no Polijas Nukleārās medicīnas biedrības paziņojumā Polijas Preses aģentūrai.

4. Medicīnisko attēlu mašīnskatīšana

Algoritmi, pēc tādu ekspertu domām kā prof. Brazievičspat neaizstājams šajā nozarē. Iemesls ir straujais diagnostikas attēlveidošanas testu skaita pieaugums. Tikai 2000.-2010.gadam. desmitkārtīgi pieaudzis MRI izmeklējumu un izmeklējumu skaits. Diemžēl nav pieaudzis pieejamo ārstu speciālistu skaits, kuri tos varētu veikt ātri un droši. Trūkst arī kvalificētu tehniķu. AI balstītu algoritmu ieviešana ietaupa laiku un ļauj pilnībā standartizēt procedūras, kā arī izvairīties no cilvēka kļūdām un efektīvākas, personalizētas pacientu ārstēšanas metodes.

Kā izrādījās, arī tiesu medicīna var gūt labumu no mākslīgā intelekta attīstība. Šīs jomas speciālisti var noteikt precīzu mirušā nāves laiku, ķīmiski analizējot tārpu un citu radījumu, kas barojas ar mirušiem audiem, izdalījumiem. Problēma rodas, ja analīzē tiek iekļauti dažādu veidu nekrofāgu sekrēciju maisījumi. Šeit parādās mašīnmācīšanās. Olbanijas universitātes zinātnieki ir izstrādājuši mākslīgā intelekta metode, kas ļauj ātrāk noteikt tārpu sugas pamatojoties uz viņu "ķīmiskiem pirkstu nospiedumiem". Komanda apmācīja savu datorprogrammu, izmantojot dažādu kombināciju ķīmisko sekrēciju maisījumus no sešām mušu sugām. Viņš atšifrēja kukaiņu kāpuru ķīmiskos parakstus, izmantojot masas spektrometriju, kas identificē ķīmiskās vielas, precīzi mērot masas attiecību pret jonu elektrisko lādiņu.

Tātad, kā redzat, tomēr AI kā izmeklēšanas detektīvs ne pārāk labi, tas var būt ļoti noderīgs tiesu medicīnas laboratorijā. Iespējams, ka mēs šajā posmā no viņas gaidījām pārāk daudz, paredzot algoritmus, kas ārstus atstādinātu no darba (5). Kad mēs skatāmies Mākslīgais intelekts reālāk, koncentrējoties uz konkrētiem praktiskiem ieguvumiem, nevis vispārīgiem, viņas karjera medicīnā atkal izskatās ļoti daudzsološa.

5. Vīzija par ārsta auto