Watson tidak menggigit doktor, dan sangat baik

Walaupun, seperti dalam banyak bidang lain, keghairahan untuk menggantikan doktor dengan AI agak berkurangan selepas beberapa siri kegagalan diagnostik, usaha untuk pembangunan perubatan berasaskan AI masih diteruskan. Kerana, bagaimanapun, mereka masih menawarkan peluang besar dan peluang untuk meningkatkan kecekapan operasi di banyak kawasannya.

IBM diumumkan pada 2015, dan pada 2016 ia mendapat akses kepada data daripada empat syarikat data pesakit utama (1). Yang paling terkenal, terima kasih kepada banyak laporan media, dan pada masa yang sama projek yang paling bercita-cita tinggi menggunakan kecerdasan buatan lanjutan daripada IBM adalah berkaitan dengan onkologi. Para saintis telah cuba menggunakan sumber data yang luas untuk memprosesnya bagi mengubahnya menjadi terapi anti-kanser yang disesuaikan dengan baik. Matlamat jangka panjang adalah untuk mendapatkan Watson menjadi pengadil ujian klinikal dan hasilnya seperti yang dilakukan oleh doktor.

1. Salah satu visualisasi sistem perubatan Watson Health

Namun, ternyata begitu Watson tidak boleh merujuk secara bebas kepada kesusasteraan perubatan, dan juga tidak boleh mengeluarkan maklumat daripada rekod perubatan elektronik pesakit. Bagaimanapun, tuduhan yang paling berat terhadapnya ialah itu ketidakupayaan untuk membandingkan pesakit baharu secara berkesan dengan pesakit kanser lain yang lebih tua dan mengesan gejala yang tidak kelihatan pada pandangan pertama.

Terdapat, diakui, beberapa pakar onkologi yang mendakwa mempunyai keyakinan terhadap penilaiannya, walaupun kebanyakannya dari segi cadangan Watson untuk rawatan standard, atau sebagai tambahan, pendapat perubatan tambahan. Ramai telah menegaskan bahawa sistem ini akan menjadi pustakawan automatik yang hebat untuk doktor.

Hasil daripada ulasan yang tidak begitu menyanjung daripada IBM masalah dengan penjualan sistem Watson di institusi perubatan AS. Wakil jualan IBM berjaya menjualnya ke beberapa hospital di India, Korea Selatan, Thailand dan negara lain. Di India, doktor () menilai cadangan Watson untuk 638 kes kanser payudara. Kadar pematuhan untuk cadangan rawatan ialah 73%. Lebih teruk Watson tercicir di Pusat Perubatan Gachon di Korea Selatan, di mana cadangan terbaiknya untuk 656 pesakit kanser kolorektal sepadan dengan cadangan pakar hanya 49 peratus pada masa itu. Doktor telah menilai itu Watson tidak berjaya dengan pesakit yang lebih tuadengan tidak menawarkan mereka ubat-ubatan standard tertentu, dan membuat kesilapan kritikal dengan menjalankan pengawasan rawatan yang agresif untuk sesetengah pesakit dengan penyakit metastatik.

Akhirnya, walaupun kerjanya sebagai pakar diagnostik dan pakar perubatan dianggap sebagai tidak berjaya, terdapat bidang di mana dia terbukti sangat berguna. produk Watson untuk Genomics, yang dibangunkan dengan kerjasama Universiti North Carolina, Universiti Yale, dan institusi lain, digunakan makmal genetik untuk menyediakan laporan untuk pakar onkologi. Watson memuat turun fail senarai mutasi genetik dalam pesakit dan boleh menjana laporan dalam beberapa minit yang merangkumi cadangan untuk semua ubat penting dan ujian klinikal. Watson mengendalikan maklumat genetik dengan relatif mudahkerana ia dibentangkan dalam fail berstruktur dan tidak mengandungi kekaburan - sama ada terdapat mutasi atau tiada mutasi.

Rakan kongsi IBM di University of North Carolina menerbitkan kertas kerja mengenai kecekapan pada 2017. Watson menemui mutasi yang berpotensi penting yang belum dikenal pasti oleh kajian manusia dalam 32% daripadanya. pesakit dikaji, menjadikan mereka calon yang baik untuk ubat baru. Walau bagaimanapun, masih tiada bukti bahawa penggunaan membawa kepada hasil rawatan yang lebih baik.

Domestikasi protein

Ini dan banyak contoh lain menyumbang kepada kepercayaan yang semakin meningkat bahawa semua kekurangan dalam penjagaan kesihatan sedang ditangani, tetapi kita perlu mencari kawasan di mana ini benar-benar boleh membantu, kerana orang ramai tidak melakukannya dengan baik di sana. Bidang seperti itu, sebagai contoh, penyelidikan protein. Tahun lepas, maklumat muncul bahawa ia boleh meramalkan bentuk protein dengan tepat berdasarkan urutannya (2). Ini adalah tugas tradisional, di luar kuasa bukan sahaja orang, malah komputer berkuasa. Jika kita menguasai pemodelan tepat pemisahan molekul protein, akan ada peluang besar untuk terapi gen. Para saintis berharap dengan bantuan AlphaFold kita akan mengkaji fungsi beribu-ribu, dan ini, seterusnya, akan membolehkan kita memahami punca banyak penyakit.

Rajah 2. Pusingan protein dimodelkan dengan AlphaFold DeepMind.

Sekarang kita tahu dua ratus juta protein, tetapi kami memahami sepenuhnya struktur dan fungsi sebahagian kecil daripadanya. Protein ia adalah blok binaan asas organisma hidup. Mereka bertanggungjawab untuk kebanyakan proses yang berlaku dalam sel. Cara mereka bekerja dan apa yang mereka lakukan ditentukan oleh struktur 50D mereka. Mereka mengambil bentuk yang sesuai tanpa sebarang arahan, berpandukan undang-undang fizik. Selama beberapa dekad, kaedah eksperimen telah menjadi kaedah utama untuk menentukan bentuk protein. Pada tahun XNUMX-an, penggunaan Kaedah kristalografi sinar-X. Dalam dekad yang lalu, ia telah menjadi alat penyelidikan pilihan. mikroskop kristal. Pada tahun 80-an dan 90-an, kerja-kerja mula menggunakan komputer untuk menentukan bentuk protein. Walau bagaimanapun, hasilnya masih tidak memuaskan para saintis. Kaedah yang berkesan untuk sesetengah protein tidak berkesan untuk yang lain.

Sudah masuk 2018 AlphaFold mendapat pengiktirafan daripada pakar dalam pemodelan protein. Walau bagaimanapun, pada masa itu ia menggunakan kaedah yang hampir sama dengan program lain. Para saintis mengubah taktik dan mencipta satu lagi, yang juga menggunakan maklumat tentang sekatan fizikal dan geometri dalam lipatan molekul protein. AlphaFold memberikan hasil yang tidak sekata. Kadang-kadang dia melakukan yang lebih baik, kadang-kadang lebih teruk. Tetapi hampir dua pertiga daripada ramalannya bertepatan dengan keputusan yang diperoleh melalui kaedah eksperimen. Pada awal tahun 2, algoritma menggambarkan struktur beberapa protein virus SARS-CoV-3. Kemudian, didapati bahawa ramalan untuk protein Orf2020a adalah konsisten dengan keputusan yang diperoleh secara eksperimen.

Ia bukan sahaja tentang mengkaji cara dalaman melipat protein, tetapi juga mengenai reka bentuk. Penyelidik dari inisiatif NIH BRAIN digunakan pembelajaran mesin membangunkan protein yang boleh mengesan tahap serotonin otak dalam masa nyata. Serotonin adalah neurokimia yang memainkan peranan penting dalam bagaimana otak mengawal pemikiran dan perasaan kita. Sebagai contoh, banyak antidepresan direka untuk menukar isyarat serotonin yang dihantar antara neuron. Dalam artikel dalam jurnal Cell, saintis menerangkan cara mereka menggunakan lanjutan kaedah kejuruteraan genetik mengubah protein bakteria menjadi alat penyelidikan baharu yang boleh membantu mengesan penghantaran serotonin dengan ketepatan yang lebih tinggi daripada kaedah semasa. Eksperimen praklinikal, kebanyakannya pada tikus, telah menunjukkan bahawa penderia itu boleh mengesan serta-merta perubahan halus dalam tahap serotonin otak semasa tidur, ketakutan dan interaksi sosial, dan menguji keberkesanan ubat psikoaktif baharu.

Perjuangan menentang wabak tidak selalu berjaya

Lagipun, ini adalah wabak pertama yang kami tulis dalam MT. Walau bagaimanapun, sebagai contoh, jika kita bercakap tentang proses perkembangan wabak itu, maka pada peringkat awal, AI kelihatan seperti sesuatu yang gagal. Ulama telah mengadu itu Kecerdasan Buatan tidak dapat meramalkan dengan betul tahap penyebaran coronavirus berdasarkan data daripada wabak sebelumnya. “Penyelesaian ini berfungsi dengan baik di beberapa kawasan, seperti mengenali wajah yang mempunyai bilangan mata dan telinga tertentu. Wabak SARS-CoV-2 Ini adalah peristiwa yang tidak diketahui sebelum ini dan banyak pembolehubah baharu, jadi kecerdasan buatan berdasarkan data sejarah yang digunakan untuk melatihnya tidak berfungsi dengan baik. Pandemik telah menunjukkan bahawa kita perlu mencari teknologi dan pendekatan lain,” kata Maxim Fedorov dari Skoltech pada April 2020 dalam satu kenyataan kepada media Rusia.

Lama kelamaan ada walau bagaimanapun algoritma yang nampaknya membuktikan kegunaan besar AI dalam memerangi COVID-19. Para saintis di AS membangunkan sistem pada musim luruh tahun 2020 untuk mengenali corak batuk ciri pada orang yang mempunyai COVID-19, walaupun mereka tidak mempunyai gejala lain.

Apabila vaksin muncul, idea telah lahir untuk membantu memvaksin populasi. Dia boleh, sebagai contoh membantu model pengangkutan dan logistik vaksin. Juga dalam menentukan populasi mana yang perlu diberi vaksin terlebih dahulu untuk menangani wabak dengan lebih cepat. Ia juga akan membantu meramalkan permintaan dan mengoptimumkan masa dan kelajuan vaksinasi dengan cepat mengenal pasti masalah dan kesesakan dalam logistik. Gabungan algoritma dengan pemantauan berterusan juga boleh memberikan maklumat dengan cepat tentang kemungkinan kesan sampingan dan kejadian kesihatan.

ini sistem menggunakan AI dalam mengoptimumkan dan meningkatkan penjagaan kesihatan sudah diketahui. Kelebihan praktikal mereka dihargai; contohnya, sistem penjagaan kesihatan yang dibangunkan oleh Macro-Eyes di Universiti Stanford di AS. Seperti yang berlaku di banyak institusi perubatan lain, masalahnya ialah kekurangan pesakit yang tidak hadir untuk temujanji. Mata Makro membina sistem yang boleh meramalkan dengan pasti pesakit mana yang tidak mungkin berada di sana. Dalam sesetengah situasi, dia juga boleh mencadangkan masa dan lokasi alternatif untuk klinik, yang akan meningkatkan peluang pesakit muncul. Kemudian, teknologi serupa telah digunakan di pelbagai tempat dari Arkansas ke Nigeria dengan sokongan, khususnya, Agensi Pembangunan Antarabangsa AS i.

Di Tanzania, Macro-Eyes bekerja pada projek yang bertujuan meningkatkan kadar imunisasi kanak-kanak. Perisian itu menganalisis berapa banyak dos vaksin yang perlu dihantar ke pusat vaksinasi tertentu. Dia juga dapat menilai keluarga mana yang mungkin keberatan untuk memberi vaksin kepada anak mereka, tetapi mereka boleh dipujuk dengan hujah yang sesuai dan lokasi pusat vaksinasi di lokasi yang sesuai. Dengan menggunakan perisian ini, kerajaan Tanzania telah dapat meningkatkan keberkesanan program imunisasinya sebanyak 96%. dan mengurangkan sisa vaksin kepada 2,42 setiap 100 orang.

Di Sierra Leone, di mana data kesihatan penduduk hilang, syarikat cuba memadankan ini dengan maklumat tentang pendidikan. Ternyata jumlah guru dan pelajarnya sahaja sudah cukup untuk meramalkan 70 peratus. ketepatan sama ada pusat kesihatan tempatan mempunyai akses kepada air bersih, yang sudah menjadi jejak data mengenai kesihatan penduduk yang tinggal di sana (3).

3. Ilustrasi Macro-Eyes program penjagaan kesihatan dipacu AI di Afrika.

Mitos doktor mesin tidak hilang

Walaupun gagal Watson pendekatan diagnostik baru masih dibangunkan dan dianggap semakin maju. Perbandingan dibuat di Sweden pada September 2020. digunakan dalam diagnostik pengimejan kanser payudara menunjukkan bahawa yang terbaik daripada mereka berfungsi dengan cara yang sama seperti ahli radiologi. Algoritma telah diuji menggunakan hampir sembilan ribu imej mamografi yang diperoleh semasa pemeriksaan rutin. Tiga sistem, yang ditetapkan sebagai AI-1, AI-2 dan AI-3, mencapai ketepatan 81,9%, 67%. dan 67,4%. Sebagai perbandingan, bagi ahli radiologi yang mentafsir imej ini sebagai yang pertama, angka ini ialah 77,4%, dan dalam kes pakar radiologiyang kedua menggambarkannya, ia adalah 80,1 peratus. Algoritma terbaik juga dapat mengesan kes yang dilepaskan oleh ahli radiologi semasa pemeriksaan, dan wanita telah didiagnosis sebagai sakit dalam masa kurang dari setahun.

Menurut penyelidik, keputusan ini membuktikannya algoritma kecerdasan buatan membantu membetulkan diagnosis negatif palsu yang dibuat oleh ahli radiologi. Menggabungkan keupayaan AI-1 dengan pakar radiologi purata meningkatkan bilangan kanser payudara yang dikesan sebanyak 8%. Pasukan Institut Diraja di sebalik kajian ini menjangkakan kualiti algoritma AI akan terus bertambah baik. Penerangan penuh eksperimen telah diterbitkan dalam JAMA Oncology.

W pada skala lima mata. Pada masa ini, kami menyaksikan pecutan teknologi yang ketara dan mencapai tahap IV (automasi tinggi), apabila sistem secara bebas memproses data yang diterima secara automatik dan menyediakan maklumat pra-analisis kepada pakar. Ini menjimatkan masa, mengelakkan kesilapan manusia dan menyediakan penjagaan pesakit yang lebih cekap. Itulah yang dia menilai beberapa bulan lalu Stan A.I. dalam bidang perubatan dekat dengan dia, prof. Janusz Braziewicz daripada Persatuan Perubatan Nuklear Poland dalam satu kenyataan kepada Agensi Akhbar Poland.

4. Mesin melihat imej perubatan

Algoritma, menurut pakar seperti prof. Brazievichmalah amat diperlukan dalam industri ini. Sebabnya ialah peningkatan pesat dalam bilangan ujian pengimejan diagnostik. Hanya untuk tempoh 2000-2010 sahaja. bilangan pemeriksaan dan pemeriksaan MRI telah meningkat sepuluh kali ganda. Malangnya, bilangan doktor pakar yang ada yang boleh menjalankannya dengan cepat dan boleh dipercayai tidak meningkat. Terdapat juga kekurangan juruteknik yang berkelayakan. Pelaksanaan algoritma berasaskan AI menjimatkan masa dan membenarkan penyeragaman penuh prosedur, serta mengelakkan kesilapan manusia dan rawatan diperibadikan yang lebih cekap untuk pesakit.

Ternyata, juga Perubatan forensik boleh mendapat manfaat daripada pembangunan kecerdasan buatan. Pakar dalam bidang ini boleh menentukan masa sebenar kematian si mati dengan analisis kimia rembesan cacing dan makhluk lain yang memakan tisu mati. Masalah timbul apabila campuran rembesan daripada pelbagai jenis nekrofaj dimasukkan ke dalam analisis. Di sinilah pembelajaran mesin dimainkan. Para saintis di Universiti Albany telah berkembang kaedah kecerdasan buatan yang membolehkan pengecaman spesies cacing dengan lebih pantas berdasarkan "cap jari kimia" mereka. Pasukan itu melatih program komputer mereka menggunakan campuran pelbagai kombinasi rembesan kimia daripada enam spesies lalat. Beliau mentafsirkan tandatangan kimia larva serangga menggunakan spektrometri jisim, yang mengenal pasti bahan kimia dengan mengukur nisbah jisim kepada cas elektrik ion dengan tepat.

Jadi, seperti yang anda lihat, bagaimanapun AI sebagai detektif penyiasatan tidak begitu baik, ia boleh menjadi sangat berguna dalam makmal forensik. Mungkin kami mengharapkan terlalu banyak daripadanya pada peringkat ini, menjangkakan algoritma yang akan menyebabkan doktor tidak bekerja (5). Apabila kita melihat Kecerdasan Buatan Secara lebih realistik, memfokuskan pada faedah praktikal khusus dan bukannya umum, kerjayanya dalam bidang perubatan kelihatan sangat menjanjikan sekali lagi.

5. Penglihatan kereta doktor