Watsonas neįkando gydytojui ir labai gerai

Nors, kaip ir daugelyje kitų sričių, po daugybės diagnostinių nesėkmių entuziazmas pakeisti gydytojus dirbtiniu intelektu šiek tiek sumažėjo, dirbtiniu intelektu pagrįstos medicinos kūrimo darbai vis dar vyksta. Nes, nepaisant to, jie vis dar siūlo dideles galimybes ir galimybę pagerinti veiklos efektyvumą daugelyje jos sričių.

IBM buvo paskelbta 2015 m., o 2016 m. ji gavo prieigą prie duomenų iš keturių pagrindinių pacientų duomenų bendrovių (1). Garsiausias, dėl daugybės žiniasklaidos pranešimų, ir tuo pačiu ambicingiausias projektas, naudojant pažangųjį dirbtinį intelektą iš IBM, buvo susijęs su onkologija. Mokslininkai bandė panaudoti didžiulius duomenų išteklius jiems apdoroti, kad paverstų juos gerai pritaikytais priešvėžiniais gydymo būdais. Ilgalaikis tikslas buvo priversti Watsoną teisėjauti klinikiniai tyrimai ir rezultatus, kaip turėtų gydytojas.

1. Viena iš Watson Health medicinos sistemos vizualizacijų

Tačiau paaiškėjo, kad Watsonas negali savarankiškai remtis medicinine literatūra, taip pat negali gauti informacijos iš elektroninių pacientų medicininių įrašų. Tačiau rimčiausias kaltinimas jam buvo tas nesugebėjimas efektyviai palyginti naujo paciento su kitais vyresnio amžiaus vėžiu sergančiais pacientais ir aptikti iš pirmo žvilgsnio nematomus simptomus.

Tiesa, kai kurie onkologai tvirtino pasitikintys jo sprendimu, nors dažniausiai remdamiesi Watsono pasiūlymais dėl standartinio gydymo arba kaip papildomos, papildomos medicininės nuomonės. Daugelis pažymėjo, kad ši sistema bus puikus automatizuotas bibliotekininkas gydytojams.

Dėl ne itin glostančių IBM atsiliepimų problemų dėl Watson sistemos pardavimo JAV gydymo įstaigose. IBM pardavimų atstovams pavyko jį parduoti kai kurioms Indijos, Pietų Korėjos, Tailando ir kitų šalių ligoninėms. Indijoje gydytojai () įvertino Watson rekomendacijas dėl 638 krūties vėžio atvejų. Gydymo rekomendacijų atitikties rodiklis yra 73%. Dar blogiau Watsonas iškrito iš Gachono medicinos centre Pietų Korėjoje, kur jo geriausios rekomendacijos 656 storosios žarnos vėžiu sergantiems pacientams atitiko ekspertų rekomendacijas tik 49 procentus atvejų. Gydytojai tai įvertino Watson nesisekė su vyresniais pacientaisnesiūlydami jiems tam tikrų standartinių vaistų ir padarė esminę klaidą imdamasi agresyvaus kai kurių pacientų, sergančių metastazavusia liga, gydymo stebėjimo.

Galiausiai, nors jo, kaip diagnostiko ir gydytojo, darbas vertinamas kaip nesėkmingas, yra sričių, kuriose jis pasirodė itin naudingas. Produktas Watsonas už genomiką, kuris buvo sukurtas bendradarbiaujant su Šiaurės Karolinos universitetu, Jeilio universitetu ir kitomis institucijomis, naudojamas genetinės laboratorijos ataskaitoms onkologams rengti. Watson atsisiuntimų sąrašo failas genetinės mutacijos paciente ir per kelias minutes gali sukurti ataskaitą, kurioje pateikiami pasiūlymai dėl visų svarbių vaistų ir klinikinių tyrimų. Watsonas gana lengvai tvarko genetinę informacijąnes jie pateikiami struktūrizuotuose failuose ir neturi dviprasmybių – arba yra mutacija, arba jos nėra.

IBM partneriai iš Šiaurės Karolinos universiteto 2017 m. paskelbė dokumentą apie efektyvumą. Watsonas aptiko potencialiai svarbių mutacijų, kurios nebuvo nustatytos atliekant tyrimus su žmonėmis 32% jų. pacientų tyrinėjo, todėl jie yra geri kandidatai naujam vaistui. Tačiau vis dar nėra įrodymų, kad naudojimas lemtų geresnius gydymo rezultatus.

Baltymų prijaukinimas

Šis ir daugelis kitų pavyzdžių prisideda prie vis stiprėjančio įsitikinimo, kad visi sveikatos priežiūros trūkumai yra šalinami, tačiau reikia ieškoti sričių, kur tai tikrai gali padėti, nes žmonėms ten nelabai sekasi. Tokia sritis yra pvz. baltymų tyrimai. Praėjusiais metais pasirodė informacija, kad pagal jų seką galima tiksliai numatyti baltymų formą (2). Tai tradicinė užduotis, nepajėgianti ne tik žmonėms, bet net ir galingiems kompiuteriams. Jei įvaldysime tikslų baltymų molekulių sukimosi modeliavimą, atsivers didžiulės genų terapijos galimybės. Mokslininkai tikisi, kad AlphaFold pagalba ištirsime tūkstančių funkcijas, o tai savo ruožtu leis suprasti daugelio ligų priežastis.

2 pav. Baltymų sukimas, modeliuojamas naudojant DeepMind AlphaFold.

Dabar mes žinome du šimtus milijonų baltymų, tačiau puikiai suprantame nedidelės jų dalies struktūrą ir funkciją. Baltymai tai pagrindinė gyvų organizmų statybinė medžiaga. Jie yra atsakingi už daugumą ląstelėse vykstančių procesų. Kaip jie dirba ir ką jie daro, lemia jų 50D struktūra. Jie įgauna atitinkamą formą be jokių nurodymų, vadovaujantis fizikos dėsniais. Jau kelis dešimtmečius eksperimentiniai metodai buvo pagrindinis baltymų formos nustatymo metodas. XNUMX-aisiais naudojimas Rentgeno kristalografijos metodai. Per pastarąjį dešimtmetį ji tapo pasirinkta tyrimo priemone. kristalinė mikroskopija. Devintajame ir devintajame dešimtmečiuose pradėtas darbas naudojant kompiuterius baltymų formai nustatyti. Tačiau rezultatai mokslininkų vis tiek netenkino. Metodai, kurie veikė kai kuriuos baltymus, netiko kitiems.

Jau 2018 m „AlfaFold“ gavo ekspertų pripažinimą baltymų modeliavimas. Tačiau tuo metu ji naudojo metodus, labai panašius į kitas programas. Mokslininkai pakeitė taktiką ir sukūrė kitą, kurioje taip pat buvo panaudota informacija apie fizinius ir geometrinius baltymų molekulių lankstymo apribojimus. „AlfaFold“ davė nevienodus rezultatus. Kartais jam sekėsi geriau, kartais prasčiau. Tačiau beveik du trečdaliai jo prognozių sutapo su eksperimentiniais metodais gautais rezultatais. 2 metų pradžioje algoritmas aprašė kelių SARS-CoV-3 viruso baltymų struktūrą. Vėliau buvo nustatyta, kad Orf2020a baltymo prognozės atitinka eksperimentiškai gautus rezultatus.

Tai ne tik apie vidinių baltymų lankstymo būdų tyrimą, bet ir apie dizainą. Naudojo NIH BRAIN iniciatyvos mokslininkai mašininis mokymasis sukurti baltymą, galintį stebėti smegenų serotonino kiekį realiu laiku. Serotoninas yra neurocheminė medžiaga, kuri atlieka pagrindinį vaidmenį, kaip smegenys kontroliuoja mūsų mintis ir jausmus. Pavyzdžiui, daugelis antidepresantų yra skirti pakeisti serotonino signalus, kurie perduodami tarp neuronų. Straipsnyje žurnale „Cell“ mokslininkai aprašė, kaip jie naudoja pažangius genų inžinerijos metodai paverskite bakterinį baltymą nauju tyrimo įrankiu, kuris galėtų padėti sekti serotonino perdavimą tiksliau nei dabartiniai metodai. Ikiklinikiniai eksperimentai, daugiausia su pelėmis, parodė, kad jutiklis gali akimirksniu aptikti subtilius smegenų serotonino kiekio pokyčius miego metu, baimę ir socialinę sąveiką bei patikrinti naujų psichoaktyvių vaistų veiksmingumą.

Kova su pandemija ne visada buvo sėkminga

Juk tai buvo pirmoji epidemija, apie kurią rašėme MT. Tačiau, pavyzdžiui, jei kalbame apie patį pandemijos vystymosi procesą, tai pradiniame etape AI atrodė tarsi nesėkmė. Mokslininkai tuo skundėsi Dirbtinis intelektas negali teisingai numatyti koronaviruso plitimo masto, remiantis ankstesnių epidemijų duomenimis. „Šie sprendimai puikiai veikia kai kuriose srityse, pavyzdžiui, atpažįstant veidus, turinčius tam tikrą skaičių akių ir ausų. SARS-CoV-2 epidemija Tai anksčiau nežinomi įvykiai ir daug naujų kintamųjų, todėl dirbtinis intelektas, pagrįstas istoriniais duomenimis, kuris buvo naudojamas jam lavinti, neveikia gerai. Pandemija parodė, kad turime ieškoti kitų technologijų ir požiūrių“, – 2020 m. balandžio mėn. Rusijos žiniasklaidai sakė Maksimas Fedorovas iš Skoltech.

Laikui bėgant jų buvo tačiau algoritmai, kurie, atrodo, įrodo didžiulį AI naudingumą kovojant su COVID-19. 2020 m. rudenį JAV mokslininkai sukūrė sistemą, leidžiančią atpažinti būdingus COVID-19 sergančių žmonių kosulius, net jei jie neturėjo kitų simptomų.

Pasirodžius vakcinoms, gimė mintis padėti paskiepyti gyventojus. Ji galėtų, pavyzdžiui padėti modeliuoti vakcinų transportavimą ir logistiką. Taip pat nustatant, kurias populiacijas pirmiausia reikėtų skiepyti, kad pandemija būtų greičiau susidorota. Tai taip pat padėtų prognozuoti paklausą ir optimizuoti skiepijimo laiką bei greitį, nes greitai nustatomos logistikos problemos ir kliūtys. Algoritmų ir nuolatinio stebėjimo derinys taip pat gali greitai suteikti informacijos apie galimą šalutinį poveikį ir sveikatos reiškinius.

эти sistemos, naudojančios AI optimizuoti ir gerinti sveikatos priežiūrą. Jų praktiniai pranašumai buvo įvertinti; pavyzdžiui, JAV Stanfordo universiteto „Macro-Eyes“ sukurta sveikatos priežiūros sistema. Kaip ir daugelyje kitų gydymo įstaigų, problema buvo neatvykusių į priėmimus pacientų trūkumas. Makro akys sukūrė sistemą, kuri galėtų patikimai numatyti, kurie pacientai greičiausiai ten nebus. Kai kuriose situacijose jis taip pat galėtų pasiūlyti alternatyvų klinikų laiką ir vietas, o tai padidintų tikimybę, kad pacientas pasirodys. Vėliau panaši technologija buvo pritaikyta įvairiose vietose nuo Arkanzaso iki Nigerijos, remiant, ypač JAV tarptautinės plėtros agentūrai, t.y.

Tanzanijoje „Macro-Eyes“ dirbo prie projekto, kurio tikslas padidinti vaikų imunizavimo rodiklius. Programinė įranga išanalizavo, kiek vakcinų dozių reikia išsiųsti į tam tikrą skiepijimo centrą. Jis taip pat galėjo įvertinti, kurios šeimos gali nenorėti skiepyti savo vaikų, tačiau jas pavyko įtikinti tinkamais argumentais ir skiepijimo centro vieta patogioje vietoje. Naudodama šią programinę įrangą, Tanzanijos vyriausybė sugebėjo padidinti savo imunizacijos programos veiksmingumą 96%. ir sumažinti vakcinų atliekas iki 2,42 100 žmonių.

Siera Leonėje, kur trūko gyventojų sveikatos duomenų, bendrovė bandė tai suderinti su informacija apie išsilavinimą. Paaiškėjo, kad vien mokytojų ir jų mokinių skaičiaus užteko prognozuoti 70 proc. tikslumas, ar vietinė klinika turi prieigą prie švaraus vandens, o tai jau yra duomenų apie ten gyvenančių žmonių sveikatą pėdsakas (3).

3. Makro-Eyes iliustracija apie dirbtinio intelekto vykdomas sveikatos priežiūros programas Afrikoje.

Mitas apie mašinų gydytoją neišnyksta

Nepaisant nesėkmių Vatsonas vis dar kuriami nauji diagnostikos metodai, kurie laikomi vis pažangesniais. Palyginimas atliktas Švedijoje 2020 m. rugsėjo mėn. naudojamas krūties vėžio vaizdinėje diagnostikoje parodė, kad geriausias iš jų dirba taip pat, kaip ir radiologas. Algoritmai buvo išbandyti naudojant beveik devynis tūkstančius mamografinių vaizdų, gautų atliekant įprastinę patikrą. Trys sistemos, žymimos AI-1, AI-2 ir AI-3, pasiekė 81,9 %, 67 % tikslumą. ir 67,4 proc. Palyginimui, radiologams, kurie šiuos vaizdus interpretuoja kaip pirmuosius, šis skaičius siekė 77,4 proc. radiologaikas jį apibūdino antras, tai 80,1 proc. Geriausi algoritmai taip pat sugebėjo aptikti atvejus, kurių radiologai praleido per patikrą, o moterys sirgo greičiau nei per metus.

Pasak mokslininkų, šie rezultatai tai įrodo dirbtinio intelekto algoritmai padėti ištaisyti klaidingai neigiamas radiologų nustatytas diagnozes. Sujungus AI-1 galimybes su vidutiniu radiologu, nustatytų krūties vėžio atvejų skaičius padidėjo 8%. Karališkojo instituto komanda, atliekanti šį tyrimą, tikisi, kad AI algoritmų kokybė ir toliau augs. Išsamus eksperimento aprašymas buvo paskelbtas JAMA Oncology.

W penkių balų skalėje. Šiuo metu stebime didelį technologinį pagreitį ir pasiekiame IV lygį (aukštą automatizavimą), kai sistema savarankiškai automatiškai apdoroja gautus duomenis ir pateikia specialistui iš anksto išanalizuotą informaciją. Taip taupomas laikas, išvengiama žmogiškųjų klaidų ir užtikrinama efektyvesnė pacientų priežiūra. Taip jis nusprendė prieš kelis mėnesius Stan A.I. jam artimoje medicinos srityje prof. Janušas Brazevičius Lenkijos branduolinės medicinos draugijos pranešime Lenkijos spaudos agentūrai.

4. Medicininių vaizdų peržiūra mašina

Algoritmai, anot tokių ekspertų kaip prof. Brazevičiusnetgi būtini šioje pramonėje. Priežastis – sparčiai didėjantis diagnostinių vaizdinių tyrimų skaičius. Tik už 2000-2010 m. MRT tyrimų ir tyrimų skaičius išaugo dešimt kartų. Deja, turimų gydytojų specialistų, galinčių juos greitai ir patikimai atlikti, skaičius nepadidėjo. Trūksta ir kvalifikuotų technikų. Dirbtiniu intelektu pagrįstų algoritmų įdiegimas taupo laiką ir leidžia visiškai standartizuoti procedūras, taip pat išvengti žmogiškųjų klaidų ir efektyvesnio, individualizuoto gydymo pacientams.

Kaip paaiškėjo, taip pat teismo medicina gali gauti naudos dirbtinio intelekto plėtra. Tikslų mirusiojo mirties laiką šios srities specialistai gali nustatyti atlikę cheminę kirminų ir kitų gyvių, mintančių negyvais audiniais, išskyrų analizę. Problema kyla, kai į analizę įtraukiami įvairių tipų nekrofagų išskyrų mišiniai. Čia atsiranda mašininis mokymasis. Olbanio universiteto mokslininkai sukūrė dirbtinio intelekto metodas, leidžiantis greičiau nustatyti kirminų rūšis remiantis jų „cheminiais pirštų atspaudais“. Komanda apmokė savo kompiuterinę programą naudodama įvairių cheminių sekretų iš šešių rūšių musių mišinius. Jis iššifravo cheminius vabzdžių lervų parašus naudodamas masės spektrometriją, kuri identifikuoja chemines medžiagas tiksliai išmatuodamas jonų masės ir elektrinio krūvio santykį.

Taigi, kaip matote, tačiau AI kaip tyrimo detektyvas nėra labai geras, jis gali būti labai naudingas teismo medicinos laboratorijoje. Galbūt šiame etape iš jos per daug tikėjomės, tikėjomės algoritmų, dėl kurių gydytojai išeis iš darbo (5). Kai žiūrime į Dirbtinis intelektas Realiau, sutelkiant dėmesį į konkrečią praktinę naudą, o ne į bendrą, jos karjera medicinos srityje vėl atrodo labai perspektyvi.

5. Gydytojo automobilio vizija