Watson doktora nepohrýzol a veľmi dobre

Hoci, ako v mnohých iných oblastiach, nadšenie nahradiť lekárov AI po sérii diagnostických zlyhaní trochu opadlo, práca na vývoji medicíny založenej na AI stále pokračuje. Pretože napriek tomu stále ponúkajú veľké možnosti a šancu na zefektívnenie prevádzky v mnohých jej oblastiach.

Spoločnosť IBM bola ohlásená v roku 2015 a v roku 2016 získala prístup k údajom od štyroch veľkých spoločností poskytujúcich údaje o pacientoch (1). Najznámejší, vďaka početným medializovaným správam, a zároveň najambicióznejší projekt využívajúci pokročilú umelú inteligenciu od IBM súvisel s onkológiou. Vedci sa snažia využiť obrovské zdroje údajov na ich spracovanie, aby ich premenili na dobre prispôsobené protirakovinové terapie. Dlhodobým cieľom bolo dostať Watsona ako rozhodcu Klinické štúdie a výsledky ako lekár.

1. Jedna z vizualizácií medicínskeho systému Watson Health

Ukázalo sa však, že Watson nemôže samostatne odkazovať na lekársku literatúru a tiež nemôže získavať informácie z elektronických zdravotných záznamov pacientov. Najzávažnejšie obvinenie proti nemu však bolo práve to neschopnosť efektívne porovnať nového pacienta s inými staršími onkologickými pacientmi a odhaliť príznaky, ktoré sú na prvý pohľad neviditeľné.

Je pravda, že niektorí onkológovia tvrdili, že dôverujú jeho úsudku, aj keď väčšinou v zmysle Watsonových návrhov na štandardnú liečbu alebo ako dodatočného, ​​dodatočného lekárskeho posudku. Mnohí poukázali na to, že tento systém bude pre lekárov skvelým automatizovaným knihovníkom.

Výsledkom nie príliš lichotivých recenzií od IBM problémy s predajom systému Watson v amerických zdravotníckych zariadeniach. Obchodným zástupcom IBM sa ho podarilo predať do niektorých nemocníc v Indii, Južnej Kórei, Thajsku a ďalších krajinách. V Indii lekári () vyhodnotili Watsonove odporúčania pre 638 prípadov rakoviny prsníka. Miera dodržiavania odporúčaní liečby je 73 %. horšie Watson vypadol v Gachon Medical Center v Južnej Kórei, kde sa jeho najlepšie odporúčania pre 656 pacientov s kolorektálnym karcinómom zhodovali s odporúčaniami odborníkov iba v 49 percentách prípadov. Zhodnotili to lekári Watsonovi sa nedarilo u starších pacientovtým, že im neponúkli určité štandardné lieky, a urobili kritickú chybu, keď vykonali agresívny dohľad nad liečbou niektorých pacientov s metastatickým ochorením.

V konečnom dôsledku, hoci je jeho práca diagnostika a lekára považovaná za neúspešnú, sú oblasti, v ktorých sa ukázal ako mimoriadne užitočný. Produkt Watson pre genomiku, ktorý bol vyvinutý v spolupráci s University of North Carolina, Yale University a ďalšími inštitúciami genetické laboratóriá na prípravu správ pre onkológov. Watson sťahuje súbor zoznamu genetické mutácie u pacienta a dokáže vygenerovať správu v priebehu niekoľkých minút, ktorá obsahuje návrhy pre všetky dôležité lieky a klinické štúdie. Watson zvláda genetické informácie relatívne ľahkopretože sú prezentované v štruktúrovaných súboroch a neobsahujú nejednoznačnosti – buď ide o mutáciu, alebo o žiadnu mutáciu.

Partneri IBM na University of North Carolina publikovali v roku 2017 dokument o efektívnosti. Watson našiel potenciálne dôležité mutácie, ktoré neboli identifikované ľudskými štúdiami u 32 % z nich. skúmaných pacientov, čo z nich robí dobrých kandidátov na nový liek. Stále však neexistuje dôkaz, že užívanie vedie k lepším výsledkom liečby.

Domestikácia bielkovín

Tento a mnohé ďalšie príklady prispievajú k narastajúcemu presvedčeniu, že všetky nedostatky v zdravotníctve sa riešia, no treba hľadať oblasti, kde to môže skutočne pomôcť, lebo tam sa ľuďom veľmi nedarí. Takýmto odborom je napr. výskum bielkovín. Minulý rok sa objavili informácie, že dokáže presne predpovedať tvar proteínov na základe ich sekvencie (2). Ide o tradičnú úlohu, ktorá je mimo sily nielen ľudí, ale aj výkonných počítačov. Ak zvládneme presné modelovanie krútenia proteínových molekúl, vzniknú obrovské možnosti pre génovú terapiu. Vedci dúfajú, že s pomocou AlphaFold budeme študovať funkcie tisícov, a to nám zase umožní pochopiť príčiny mnohých chorôb.

Obrázok 2. Krútenie proteínov modelované pomocou AlphaFold od DeepMind.

Teraz poznáme dvesto miliónov bielkovín, ale úplne rozumieme štruktúre a funkcii malej časti z nich. Proteíny je základným stavebným kameňom živých organizmov. Sú zodpovedné za väčšinu procesov, ktoré sa vyskytujú v bunkách. Ako fungujú a čo robia, určuje ich 50D štruktúra. Majú vhodnú formu bez akýchkoľvek pokynov, riadia sa fyzikálnymi zákonmi. Po celé desaťročia boli experimentálne metódy hlavnou metódou určovania tvaru bielkovín. V XNUMX-tych rokoch sa využíva Röntgenové kryštalografické metódy. V poslednom desaťročí sa stal vyhľadávaným nástrojom výskumu. kryštálová mikroskopia. V 80. a 90. rokoch sa začali práce na používaní počítačov na určenie tvaru bielkovín. Výsledky však vedcov stále neuspokojili. Metódy, ktoré fungovali pre niektoré proteíny, nefungovali pre iné.

Už v roku 2018 AlphaFold získal uznanie od odborníkov v r proteínové modelovanie. V tom čase však používal metódy veľmi podobné iným programom. Vedci zmenili taktiku a vytvorili ďalšiu, ktorá využívala aj informácie o fyzikálnych a geometrických obmedzeniach pri skladaní molekúl bielkovín. AlphaFold dávali nerovnomerné výsledky. Niekedy sa mu darilo lepšie, niekedy horšie. Ale takmer dve tretiny jeho predpovedí sa zhodovali s výsledkami získanými experimentálnymi metódami. Začiatkom 2. roku algoritmus opísal štruktúru niekoľkých proteínov vírusu SARS-CoV-3. Neskôr sa zistilo, že predpovede pre proteín Orf2020a sú v súlade s výsledkami získanými experimentálne.

Nejde len o štúdium vnútorných spôsobov skladania proteínov, ale aj o dizajn. Výskumníci z iniciatívy NIH BRAIN použili strojové učenie vyvinúť proteín, ktorý dokáže sledovať hladiny serotonínu v mozgu v reálnom čase. Serotonín je neurochemická látka, ktorá hrá kľúčovú úlohu v tom, ako mozog riadi naše myšlienky a pocity. Napríklad mnohé antidepresíva sú určené na zmenu serotonínových signálov, ktoré sa prenášajú medzi neurónmi. V článku v časopise Cell vedci opísali, ako využívajú pokročilé metódy genetického inžinierstva premeniť bakteriálny proteín na nový výskumný nástroj, ktorý by mohol pomôcť sledovať prenos serotonínu s väčšou presnosťou ako súčasné metódy. Predklinické experimenty, väčšinou na myšiach, ukázali, že senzor dokáže okamžite odhaliť jemné zmeny hladín serotonínu v mozgu počas spánku, strachu a sociálnych interakcií a otestovať účinnosť nových psychoaktívnych liekov.

Boj proti pandémii nebol vždy úspešný

Veď to bola prvá epidémia, o ktorej sme v MT písali. Ak však napríklad hovoríme o samotnom procese vývoja pandémie, v počiatočnom štádiu sa AI zdala ako zlyhanie. Vedci sa na to sťažovali Umela inteligencia nedokáže správne predpovedať rozsah šírenia koronavírusu na základe údajov z predchádzajúcich epidémií. „Tieto riešenia fungujú dobre v niektorých oblastiach, ako je napríklad rozpoznávanie tvárí, ktoré majú určitý počet očí a uší. epidémia SARS-CoV-2 Ide o doteraz neznáme udalosti a veľa nových premenných, takže umelá inteligencia založená na historických údajoch, ktoré boli použité na jej výcvik, nefunguje dobre. Pandémia ukázala, že musíme hľadať iné technológie a prístupy,“ uviedol Maxim Fedorov zo Skoltechu v apríli 2020 vo vyhlásení pre ruské médiá.

Postupom času tam boli avšak algoritmy, ktoré, ako sa zdá, dokazujú veľkú užitočnosť AI v boji proti COVID-19. Vedci v USA vyvinuli na jeseň roku 2020 systém na rozpoznanie charakteristických vzorcov kašľa u ľudí s COVID-19, aj keď nemali žiadne iné príznaky.

Keď sa objavili vakcíny, zrodila sa myšlienka pomôcť zaočkovať populáciu. Mohla by napr pomôcť pri modelovaní dopravy a logistiky vakcín. Tiež pri určovaní, ktoré populácie by sa mali zaočkovať ako prvé, aby sa rýchlejšie vyrovnali s pandémiou. Pomohlo by to tiež predpovedať dopyt a optimalizovať načasovanie a rýchlosť očkovania rýchlou identifikáciou problémov a prekážok v logistike. Kombinácia algoritmov s neustálym monitorovaním môže tiež rýchlo poskytnúť informácie o možných vedľajších účinkoch a zdravotných udalostiach.

эти systémy využívajúce AI pri optimalizácii a zlepšovaní zdravotnej starostlivosti sú už známe. Boli ocenené ich praktické výhody; napríklad systém zdravotnej starostlivosti vyvinutý spoločnosťou Macro-Eyes na Stanfordskej univerzite v USA. Ako je to v mnohých iných zdravotníckych zariadeniach, problémom bol nedostatok pacientov, ktorí sa nedostavovali na termíny. Makro oči vybudovali systém, ktorý dokázal spoľahlivo predpovedať, ktorí pacienti tam pravdepodobne nebudú. V niektorých situáciách by mohol navrhnúť aj alternatívne časy a miesta pre kliniky, čím by sa zvýšila šanca, že sa pacient dostaví. Neskôr bola podobná technológia aplikovaná na rôznych miestach od Arkansasu po Nigériu s podporou najmä Americkej agentúry pre medzinárodný rozvoj i.

V Tanzánii spoločnosť Macro-Eyes pracovala na projekte zameranom na zvýšenie miery zaočkovanosti detí. Softvér analyzoval, koľko dávok vakcín bolo potrebné poslať do daného očkovacieho centra. Dokázal tiež posúdiť, ktoré rodiny by sa možno zdráhali zaočkovať svoje deti, ale dali sa presvedčiť vhodnými argumentmi a umiestnením očkovacieho centra na výhodnom mieste. Pomocou tohto softvéru dokázala tanzánijská vláda zvýšiť účinnosť svojho imunizačného programu o 96 %. a znížiť odpad z vakcín na 2,42 na 100 ľudí.

V Sierra Leone, kde údaje o zdravotnom stave obyvateľov chýbali, sa to spoločnosť snažila spojiť s informáciami o vzdelávaní. Ukázalo sa, že len počet učiteľov a ich študentov stačil na predpovedanie 70 percent. presnosť toho, či má miestna klinika prístup k čistej vode, čo je už stopa údajov o zdraví ľudí, ktorí tam žijú (3).

3. Macro-Eyes ilustrácia zdravotníckych programov riadených AI v Afrike.

Mýtus o strojovom lekárovi nezmizne

Napriek neúspechom Watson stále sa vyvíjajú nové diagnostické prístupy, ktoré sa považujú za stále pokročilejšie. Porovnanie vykonané vo Švédsku v septembri 2020. používa sa pri zobrazovacej diagnostike rakoviny prsníka ukázal, že najlepší z nich pracuje rovnakým spôsobom ako rádiológ. Algoritmy boli testované pomocou takmer deviatich tisíc mamografických snímok získaných počas rutinného skríningu. Tri systémy označené ako AI-1, AI-2 a AI-3 dosiahli presnosť 81,9 %, 67 %. a 67,4 %. Pre porovnanie, u rádiológov, ktorí interpretujú tieto snímky ako prví, bol tento údaj 77,4 % a v prípade tzv. rádiológoviakto to opísal ako druhý, bolo to 80,1 percenta. Najlepší z algoritmov dokázal odhaliť aj prípady, ktoré rádiológovia pri skríningu vynechali a ženy boli diagnostikované ako choré za menej ako rok.

Tieto výsledky to podľa vedcov dokazujú algoritmy umelej inteligencie pomôcť opraviť falošne negatívne diagnózy rádiológov. Spojenie schopností AI-1 s priemerným rádiológom zvýšilo počet zistených karcinómov prsníka o 8 %. Tím z Kráľovského inštitútu, ktorý túto štúdiu vykonáva, očakáva, že kvalita algoritmov AI bude naďalej rásť. Úplný popis experimentu bol publikovaný v JAMA Oncology.

W na päťbodovej škále. V súčasnosti sme svedkami výrazného technologického zrýchlenia a dosiahnutia úrovne IV (vysoká automatizácia), kedy systém samostatne automaticky spracováva prijaté dáta a poskytuje špecialistovi vopred analyzované informácie. To šetrí čas, predchádza ľudským chybám a poskytuje efektívnejšiu starostlivosť o pacienta. Tak usúdil pred pár mesiacmi Stan A.I. v oblasti jemu blízkej medicíny prof. Janusz Braziewicz z Poľskej spoločnosti pre nukleárnu medicínu vo vyhlásení pre Poľskú tlačovú agentúru.

4. Strojové prezeranie lekárskych snímok

Algoritmy podľa odborníkov ako prof. Brazievičdokonca nevyhnutné v tomto odvetví. Dôvodom je rýchly nárast počtu diagnostických zobrazovacích testov. Len za obdobie 2000-2010. počet MRI vyšetrení a vyšetrení sa desaťnásobne zvýšil. Žiaľ, nezvyšuje sa počet dostupných odborných lekárov, ktorí by ich mohli vykonávať rýchlo a spoľahlivo. Chýbajú aj kvalifikovaní technici. Implementácia algoritmov založených na AI šetrí čas a umožňuje úplnú štandardizáciu postupov, ako aj predchádzanie ľudským chybám a efektívnejšiu personalizovanú liečbu pre pacientov.

Ako sa ukázalo, tiež forenzná medicína môže mať prospech z vývoj umelej inteligencie. Špecialisti v tejto oblasti dokážu určiť presný čas smrti zosnulého chemickým rozborom sekrétov červov a iných tvorov, ktoré sa živia mŕtvymi tkanivami. Problém nastáva, keď sú do analýzy zahrnuté zmesi sekrétov z rôznych typov nekrofágov. Tu prichádza do hry strojové učenie. Vedci z University of Albany vyvinuli metóda umelej inteligencie, ktorá umožňuje rýchlejšiu identifikáciu druhov červov na základe ich „chemických odtlačkov“. Tím trénoval svoj počítačový program pomocou zmesí rôznych kombinácií chemických sekrétov zo šiestich druhov múch. Rozlúštil chemické podpisy lariev hmyzu pomocou hmotnostnej spektrometrie, ktorá identifikuje chemikálie presným meraním pomeru hmotnosti k elektrickému náboju iónu.

Takže, ako vidíte, však AI ako investigatívny detektív nie veľmi dobré, môže byť veľmi užitočné vo forenznom laboratóriu. Možno sme od nej v tejto fáze očakávali príliš veľa, predvídali sme algoritmy, ktoré by lekárov vyradili z práce (5). Keď sa pozrieme na Umela inteligencia realistickejšie, so zameraním na konkrétne praktické výhody a nie na všeobecné, jej kariéra v medicíne vyzerá opäť veľmi sľubne.

5. Vízia auta lekára