Недавне студије су показале способност система вештачке интелигенције у медицинској дијагностици важних болести
Системи вештачке интелигенције (АИ). постоје већ неко време и сада постају све паметнији и бољи с временом. AI има апликације у многим областима и сада је саставни део већине области. АИ може бити суштинска и корисна компонента медицински науке и истраживања јер има огроман потенцијал да утиче на здравствену индустрију.
Вештачка интелигенција у медицинској дијагнози?
Време је највреднији ресурс у здравству и рана одговарајућа дијагноза је веома важна за коначни исход болести. Здравствена нега је често дуготрајан процес који захтева време и ресурсе, који одлаже ефикасну дијагнозу и заузврат одлаже исправан третман. AI може помоћи да се попуни јаз између доступности и управљања временом од стране лекара тако што ће укључити брзину и тачност у дијагнозу пацијената. То би могло помоћи да се превазиђу ограничења ресурса и здравствених радника, посебно у земљама са ниским и средњим приходима. АИ је процес учења и размишљања као људи кроз концепт који се зове дубоко учење. Дубоко учење користи широке скупове узорака података да би самостално креирало стабла одлучивања. Са овим дубоким учењем, систем вештачке интелигенције заправо може да размишља као људи, ако не и боље, и стога се АИ може сматрати погодним за обављање медицинских задатака. Када дијагностикују пацијенте, системи вештачке интелигенције настављају да траже обрасце међу пацијентима са истим болестима. Временом, ови обрасци могу изградити основу за предвиђање болести пре него што се испоље.
У недавној студији1 објављена у Ћелија, истраживачи су користили вештачки интелигенције и технике машинског учења за развој новог рачунарског алата за скрининг пацијената са уобичајеним, али заслепљујућим обољењима мрежњаче, потенцијално убрзавајући дијагнозу и лечење. Истраживачи су користили неуронску мрежу засновану на вештачкој интелигенцији да прегледају више од 200,000 скенирања очију спроведених неинвазивном технологијом која одбија светлост од мрежњаче да би се створиле 2Д и 3Д репрезентације ткива. Затим су применили технику названу 'трансферно учење' у којој се знање стечено у решавању једног проблема чува у компјутеру и примењује на различите, али повезане проблеме. На пример, АИ неуронска мрежа оптимизована за препознавање дискретних анатомских структура ока, као што су ретина, рожњача или оптички нерв, може брже и ефикасније да их идентификује и процени када испитује слике целог ока. Овај процес омогућава АИ систему да постепено учи са много мањим скупом података од традиционалних метода које захтевају велике скупове података што их чини скупим и дуготрајним.
Студија се фокусирала на два уобичајена узрока неповратног слепила који се могу лечити када се рано открију. Дијагнозе добијене машином упоређене су са дијагнозама пет офталмолога који су прегледали исте снимке. Поред постављања медицинске дијагнозе, АИ платформа је такође генерисала препоруку за упућивање и лечење што није урађено ни у једној претходној студији. Овај обучени систем вештачке интелигенције деловао је баш као добро обучени офталмолог и могао је да донесе одлуку у року од 30 секунди о томе да ли пацијент треба да буде упућен на лечење или не, са тачношћу од више од 95 процената. Такође су тестирали АИ алат за дијагностиковање пнеумоније у детињству, водећег узрока смрти широм света код деце (млађе од 5 година) на основу машинских анализа рендгенских снимака грудног коша. Занимљиво је да је компјутерски програм могао да разликује вирусне и бактеријски пнеумоније са више од 90 посто тачности. Ово је кључно јер иако се вирусна пнеумонија природно ослобађа од стране тела након њеног тока, бактеријска пнеумонија с друге стране тежи да буде озбиљнија претња по здравље и захтева хитан третман антибиотицима.
У још једном великом скоку2 у системима вештачке интелигенције за медицинску дијагнозу, научници су открили да се фотографије снимљене мрежњаче појединца могу анализирати алгоритмима машинског учења или софтвером за предвиђање кардиоваскуларног ризика од срца идентификацијом сигнала који указују на срчану болест. Показало се да статус крвних судова у оку који је приказан на фотографијама тачно предвиђа старост, пол, етничку припадност, крвни притисак, било који претходни срчани удар и навике пушења, а сви ови фактори заједно предвиђају срчане болести код појединца.
Око као информациони блок
Идеја о гледању фотографија ока за дијагнозу здравља постоји већ неко време. Добро је познато да задњи унутрашњи зид људских очију има много крвних судова који одражавају опште здравље тела. Проучавањем и анализом изгледа ових крвних судова камером и микроскопом може се предвидети велики број података о крвном притиску појединца, старости, пушачу или непушачу итд. и све су то важни показатељи здравља срца појединца. . Кардиоваскуларна болест (КВБ) је глобални узрок смрти број један и више људи умире од КВБ у поређењу са било којом другом болешћу или стањем. Ово је чешће у земљама са ниским и средњим приходима и представља огроман терет за економију и човечанство. Кардиоваскуларни ризик зависи од мноштва фактора као што су гени, старост, етничка припадност, пол, у комбинацији са вежбањем и исхраном. Већина кардиоваскуларних болести може се спречити решавањем ризика у понашању као што су употреба дувана, гојазност, физичка неактивност и нездрава исхрана уношењем значајних промена у начин живота како би се решили могући ризици.
Дијагноза здравља помоћу слика мрежњаче
Ова студија коју су спровели истраживачи у Гуглу и сопственој компанији за здравствену технологију Верили Лифе Сциенцес, показала је да је алгоритам вештачке интелигенције коришћен на великом скупу података фотографија мрежњаче око 280,000 пацијената и овај алгоритам је био у стању да успешно предвиди факторе ризика за срце код два потпуно независни скупови података од око 12000 и 1000 пацијената са релативно добром тачношћу. Алгоритам је користио целу фотографију мрежњаче да квантификује везу између слике и ризика од срчаног удара. Овај алгоритам је могао да предвиди кардиоваскуларни догађај у 70 процената времена код пацијената, а заправо су се пушач и непушач такође разликовали у овом тесту 71 проценат времена. Алгоритам би такође могао да предвиди висок крвни притисак који указује на стање срца и предвиди систолни крвни притисак - притисак у судовима када срце куца - у распону од већине пацијената са или без високог крвног притиска. Тачност овог предвиђања, према ауторима, веома је слична кардиоваскуларној контроли у лабораторији, где се пацијенту вади крв да би се измерио ниво холестерола гледајући паралелно са историјом пацијента. Алгоритам у овој студији, објављен у Природно биомедицинско инжењерство, највероватније би такође могао предвидети појаву великог кардиоваскуларног догађаја - нпр. срчаног удара.
Изузетно интересантан и пресудан аспект ових студија био је да компјутер може да каже где гледа на слици да би дошао до дијагнозе, што нам омогућава да разумемо процес предвиђања. На пример, студија Гугла је тачно показала „који делови мрежњаче“ су допринели алгоритму за предвиђање, другим речима како је алгоритам правио предвиђање. Ово разумевање је важно не само за разумевање методе машинског учења у овом конкретном случају, већ и за стварање поверења и вере у читаву ову методологију тако што ће је учинити транспарентном.
Изазови
Такве медицинске слике долазе са изазовима јер посматрање и затим квантификовање асоцијација на основу таквих слика није једноставно, углавном због неколико карактеристика, боја, вредности, облика итд. на овим сликама. Ова студија користи дубоко учење како би извукла везе, асоцијације и односе између промена у људској анатомији (унутрашња морфологија тела) и болести на исти начин као што би то урадио здравствени радник када он или она повезује симптоме пацијената са болешћу. . Ови алгоритми захтевају више тестирања пре него што се могу користити у клиничком окружењу.
Упркос дискусијама и изазовима, АИ има огроман потенцијал да револуционише дијагностику и управљање болестима радећи анализе и класификације које укључују огромне количине података који су тешки за људске стручњаке. Пружа брзе, исплативе, неинвазивне алтернативне дијагностичке алате засноване на слици. Важни фактори за успех АИ система би били већа рачунарска моћ и више искуства људи. У вероватној будућности, нови медицински увиди и дијагноза могли би се постићи помоћу вештачке интелигенције без људских праваца или надзора.
***
Извор (и)
1. Кермани ДС ет ал. 2018. Идентификовање медицинских дијагноза и лечивих болести помоћу дубоког учења заснованог на сликама. Ћелија. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Поплин Р ет ал. 2018. Предвиђање кардиоваскуларних фактора ризика са фотографија фундуса мрежњаче путем дубоког учења. Природно биомедицинско инжењерство. 2. https://doi.org/10.1038/s41551-018-0195-0
***
