Вотсон не го касна докторот, и тоа многу добро

Иако, како и во многу други полиња, ентузијазмот да се заменат лекарите со вештачка интелигенција донекаде се намали по серијата дијагностички неуспеси, работата за развој на медицина базирана на вештачка интелигенција сè уште е во тек. Бидејќи, сепак, тие сè уште нудат големи можности и шанса за подобрување на ефикасноста на работењето во многу нејзини области.

IBM беше објавен во 2015 година и во 2016 година доби пристап до податоци од четири големи компании за податоци за пациентите (1). Најпознатиот, благодарение на бројните медиумски извештаи, а во исто време и најамбициозниот проект со помош на напредната вештачка интелигенција на IBM беше поврзан со онкологијата. Научниците се обидоа да ги искористат огромните ресурси на податоци за да ги обработат за да ги претворат во добро приспособени третмани против рак. Долгорочната цел беше да се натера Вотсон да суди клинички испитувања и резултати, исто како што би направил лекар.

1. Една од визуелизациите на медицинскиот систем Watson Health

Сепак, се покажа дека Вотсон не може самостојно да консултира медицинска литература и не може да добие информации од електронската медицинска евиденција на пациентите. Сепак, најтешката пријава против него беше тоа неможност ефективно да се спореди нов пациент со други постари пациенти со рак и да се откријат симптоми кои не се видливи на прв поглед.

Мора да се признае, имаше некои онколози кои тврдеа дека му веруваат на неговото расудување, иако најмногу во однос на предлозите на Вотсон за стандардни третмани или како дополнително, комплементарно медицинско мислење. Многумина посочија дека овој систем ќе биде одличен автоматизиран библиотекар за лекарите.

Како резултат на не многу ласкави критики, IBM проблеми со продажбата на Вотсон системот на американските медицински институции. Продажните претставници на IBM можеа да го продадат на некои болници во Индија, Јужна Кореја, Тајланд и други земји. Во Индија, лекарите () ги оценија препораките на Вотсон за 638 случаи на рак на дојка. Стапката на придржување кон препораките за третман е 73%. Полошо Вотсон се откажал во медицинскиот центар Гачон во Јужна Кореја, каде што неговите најдобри препораки за 656 пациенти со колоректален карцином се совпаѓаат со препораките на експертите само 49 проценти од времето. Тоа го оценија лекарите Вотсон не заврши добра работа со постарите пациентисо тоа што не им понуди одредени стандардни лекови и направи критична грешка со ставање на некои пациенти со метастатска болест на стража за агресивен третман.

На крајот на краиштата, иако неговата работа како дијагностичар и лекар се оценува како неуспешна, постојат области во кои тој се покажа како исклучително корисен. Производ Вотсон за геномика, кој беше развиен во соработка со Универзитетот во Северна Каролина, Универзитетот Јеил и други институции, се користи генетски лаборатории за изготвување извештаи за онколозите. Вотсон ја презема датотеката со списокот генетски мутации пациент и може да генерира извештај за неколку минути кој вклучува предлози за сите важни лекови и клинички испитувања. Вотсон се справува со генетски информации со релативно леснобидејќи тие се претставени во структурирани датотеки и не содржат нејаснотии - или има мутација или нема мутација.

Партнерите на IBM од Универзитетот во Северна Каролина објавија труд за ефикасноста во 2017 година. Вотсон открил потенцијално важни мутации кои не биле идентификувани со човечки студии кај 32% од нив. проучувале пациенти, правејќи ги добри кандидати за новиот лек. Сепак, сè уште нема докази дека употребата води до подобри резултати од третманот.

Припитомување верверички

Овој и многу други примери придонесуваат за растечкото верување дека сите недостатоци во здравствената заштита се решаваат, но ние треба да бараме области каде што тоа навистина може да помогне, бидејќи таму на луѓето не им оди баш најдобро. Такво поле е, на пример, истражување на протеини. Минатата година беше објавено дека може точно да го предвиди обликот на протеините врз основа на нивната низа (2). Ова е традиционално задача над моќта на не само луѓето, туку дури и моќните компјутери. Ако можеме точно да го моделираме преклопувањето на протеинските молекули, потенцијалот за генска терапија ќе биде огромен. Научниците се надеваат дека со AlphaFold ќе ги проучуваме функциите на илјадници, а тоа, пак, ќе ни овозможи да ги разбереме причините за многу болести.

2. Преклопување на протеини моделирани со помош на AlphaFold на DeepMind.

Сега знаеме двесте милиони протеини, но целосно ја разбираме структурата и функцијата на мал дел од нив. Протеини тоа е основна градбена материја на живите организми. Тие се одговорни за повеќето процеси што се случуваат во клетките. Како тие работат и што прават е определено од нивната тродимензионална структура. Тие ја земаат соодветната форма без никакви упатства, водени од законите на физиката. Со децении, главниот метод за одредување на обликот на протеините се експерименталните методи. Во 50-тите употреба Кристалографски методи на Х-зраци. Во последната деценија стана изборна алатка за истражување кристална микроскопија. Во 80-тите и 90-тите години започна работата на користење на компјутери за да се одреди обликот на протеините. Сепак, резултатите сепак не ги задоволија научниците. Методите кои делувале кај некои протеини не функционирале кај други.

Веќе во 2018 г AlphaFold доби признание од експерти во моделирање на протеини. Меѓутоа, во тоа време користеше методи многу слични на другите програми. Научниците ја сменија својата тактика и создадоа друга која исто така користеше информации за физичките и геометриските ограничувања на преклопувањето на протеините. AlphaFold даде нерамномерни резултати. Понекогаш работите му одеа подобро, понекогаш полошо. Но, речиси две третини од неговите предвидувања се совпаднаа со резултатите добиени со експериментални методи. На почетокот на 2 години, алгоритмот ја опиша структурата на неколку протеини на вирусот САРС-КоВ-3. Подоцна беше откриено дека предвидувањата за протеинот Orf2020a се во согласност со експерименталните резултати.

Не се работи само за учење како протеините внатрешно се преклопуваат, туку и за дизајн. Истражувачите од NIH BRAIN Initiative користеле машинско учење развие протеин кој може да го следи нивото на серотонин во мозокот во реално време. Серотонинот е неврохемикалија која игра клучна улога во тоа како мозокот ги контролира нашите мисли и чувства. На пример, многу антидепресиви се дизајнирани да ги менуваат сигналите на серотонин кои се пренесуваат помеѓу невроните. Во една статија во списанието Cell, научниците опишаа како користат напредни методи на генетско инженерство претвори бактериски протеин во нова алатка за истражување која би можела да помогне да се следи преносот на серотонин со поголема прецизност од сегашните методи. Предклиничките експерименти, главно на глувци, покажаа дека сензорот може веднаш да открие суптилни промени во нивото на серотонин во мозокот за време на спиењето, стравот и социјалните интеракции, како и да ја тестира ефикасноста на новите психоактивни лекови.

Борбата против пандемијата не била секогаш успешна

Впрочем, ова беше првата епидемија за која пишувавме во МТ. Меѓутоа, на пример, ако зборуваме за развојот на самата пандемија, тогаш во почетната фаза вештачката интелигенција изгледаше како нешто како неуспех. Научниците се пожалија на тоа Вештачка интелигенција не може правилно да го предвиди степенот на ширење на коронавирусот врз основа на податоците од претходните епидемии. „Овие решенија добро функционираат во некои области, како на пример препознавање лица со одреден број очи и уши. Епидемија на САРС-КоВ-2 Ова се претходно непознати настани и многу нови променливи, така што вештачката интелигенција врз основа на историските податоци што беа користени за нејзино тренирање не функционира добро. Пандемијата покажа дека треба да бараме други технологии и пристапи“, рече Максим Федоров од Сколтех во април 2020 година во изјава за руските медиуми.

Со текот на времето се појави сепак, алгоритми кои се чини дека ја докажуваат поголемата корисност на вештачката интелигенција во борбата против СОВД-19. Научниците во Соединетите Држави во есента 2020 година развија систем за препознавање на карактеристичните шеми на кашлица кај луѓето со СОВИД-19, дури и ако немаат други симптоми.

Кога вакцините станаа достапни, се роди идејата да се помогне во кампањата за вакцинација на населението. Таа може, на пример помогне да се моделира транспортот и логистиката на вакцините. Исто така, во одредувањето кои групи популации треба прво да се вакцинираат за брзо да се справат со пандемијата. Исто така, ќе помогне да се предвиди побарувачката и да се оптимизира времето и брзината на вакцинирањето, брзо идентификување на проблемите и тесните грла во логистиката. Комбинирањето на алгоритми со континуирано следење исто така може брзо да обезбеди информации за можните несакани ефекти и здравствените настани.

овие системи кои користат вештачка интелигенција во оптимизирањето и подобрувањето на здравствената заштита се веќе познати. Нивните практични предности беа ценети; на пример, здравствениот систем развиен од Macro-Eyes на американскиот универзитет Стенфорд. Како што е случајот со многу други медицински установи, проблем беше недостатокот на пациенти кои не се јавуваа на термин. Макро очи изгради систем кој може со сигурност да предвиди кои пациенти веројатно нема да бидат таму. Во одредени ситуации, тој може да предложи и алтернативни времиња и локации на клиниката, што би ги зголемило шансите пациентот да се појави. Слична технологија подоцна беше применета на локации од Арканзас до Нигерија со поддршка од, меѓу другите, Американската агенција за меѓународен развој i.

Во Танзанија, Macro-Eyes работеше на проект насочен кон зголемување на стапката на имунизација на децата. Софтверот анализираше колку дози на вакцина треба да се испратат во даден центар за вакцинација. Тој, исто така, можеше да процени кои семејства можеби не сакаат да ги вакцинираат своите деца, но може да бидат убедени преку соодветни аргументи и идентификација на центар за вакцинација на погодна локација. Користејќи го овој софтвер, владата на Танзанија можеше да ја зголеми ефикасноста на својата програма за имунизација за 96%. и намалување на отпадот од вакцини на 2,42 на 100 луѓе.

Во Сиера Леоне, каде што недостасуваа податоци за здравјето на жителите, компанијата се обиде да го усогласи ова со информации за образованието. Се покажа дека само бројот на наставници и нивните ученици е доволен за да се предвидат 70 проценти. точноста на тоа дали локалната клиника има пристап до чиста вода, што е веќе трага од здравствени податоци за луѓето кои живеат таму (3).

3. Макро-очи илустрација на програми за здравствена заштита на ВИ во Африка.

Останува митот за машинскиот лекар

И покрај неуспесите Вотсон Нови дијагностички пристапи сè уште се развиваат и се сметаат за сè понапредни. Споредба направена во Шведска во септември 2020 година. се користи во дијагностика на рак на дојка покажаа дека најдобрите од нив се претставиле како и радиолог. Алгоритмите беа тестирани со помош на речиси девет илјади мамографски слики добиени за време на рутински скрининг. Три системи, означени како АИ-1, АИ-2 и АИ-3, постигнаа точност од 81,9%, 67%. и 67,4%. За споредба, меѓу радиолози кои ги толкуваат овие слики како први, оваа бројка изнесува 77,4%, а во случајот радиолозикој беше вториот што го опиша, беше 80,1 отсто. Најдобриот алгоритам можеше да открие и случаи кои радиолози ги пропуштиле за време на скринингот, а на жените им била дијагностицирана болеста за помалку од една година.

Според истражувачите, овие резултати го докажуваат тоа алгоритми за вештачка интелигенција помогне да се поправат лажно негативните дијагнози направени од радиолози. Комбинирањето на способностите на АИ-1 со просечен радиолог го зголеми бројот на откриени карциноми на дојка за 8%. Тимот на Кралската институција што го спроведува ова истражување очекува квалитетот на алгоритмите за вештачка интелигенција да продолжи да се подобрува. Целосен опис на експериментот беше објавен во JAMA Oncology.

W на скала од пет точки. Во моментов, гледаме значително технолошко забрзување и достигнување на ниво IV (висока автоматизација), кога системот самостојно автоматски ги обработува добиените податоци и му обезбедува на специјалистот претходно анализирани информации. Ова заштедува време, ги избегнува човечките грешки и обезбедува поефикасна грижа за пациентите. Вака судеше пред неколку месеци Стен А.И. од областа на медицината блиска до него, проф. Јануш Бразиевич од полското здружение за нуклеарна медицина во изјава за полската агенција за печат.

4. Машински преглед на медицински слики

Алгоритмите, според експертите како проф. Бразиевичдури и незаменлив во оваа индустрија. Причината е брзото зголемување на бројот на дијагностички тестови. Само за периодот 2000-2010 г. бројот на студии и прегледи на МРИ е зголемен за десет пати. За жал, бројот на достапни медицински специјалисти кои би можеле да ги спроведат брзо и сигурно не е зголемен. Има недостиг од квалификувани техничари. Воведувањето на алгоритми засновани на вештачка интелигенција заштедува време и овозможува целосна стандардизација на процедурите, како и избегнување човечки грешки и поефикасни, персонализирани третмани за пациентите.

Како што се испостави, исто така судска медицина може да има корист од развој на вештачка интелигенција. Експертите од оваа област можат да го одредат точното време на смртта на покојникот со хемиска анализа на секретот на црви и други суштества кои се хранат со мртво ткиво. Проблем се јавува кога во анализата се вклучени мешавини на секрети од различни видови некрофаги. Ова е местото каде што машинското учење влегува во игра. Научниците од Универзитетот во Албани развија метода на вештачка интелигенција која овозможува побрза идентификација на видовите црви врз основа на нивните „хемиски отпечатоци од прсти“. Тимот ја обучуваше нивната компјутерска програма користејќи мешавини од различни комбинации на хемиски секрети од шест видови муви. Тој ги дешифрирал хемиските знаци на ларвите од инсекти користејќи масена спектрометриска техника која ги идентификува хемикалиите со прецизно мерење на односот на масата и електричното полнење на јон.

Значи, како што можете да видите, сепак АИ како истражен детектив не многу добро, може да биде многу корисно во криминалистичка лабораторија. Можеби очекувавме премногу од тоа во оваа фаза, предвидувајќи алгоритми кои би ги оставиле лекарите без работа (5). Кога гледаме во Вештачка интелигенција пореално, со фокусирање на конкретни практични придобивки наместо на целина, нејзината кариера во медицината повторно изгледа многу ветувачка.

5. Визија на автомобилот на лекарот