Watson bet ikke legen, og veldig bra

Selv om, som på mange andre felt, entusiasmen for å erstatte leger med AI har avtatt noe etter en rekke diagnostiske feil, pågår fortsatt arbeidet med utviklingen av AI-basert medisin. Fordi de likevel tilbyr store muligheter og en sjanse til å forbedre effektiviteten til driften på mange av sine områder.

IBM ble annonsert i 2015, og fikk i 2016 tilgang til data fra fire store pasientdataselskaper (1). Det mest kjente, takket være en rekke medieoppslag, og samtidig det mest ambisiøse prosjektet med avansert kunstig intelligens fra IBM var relatert til onkologi. Forskere har forsøkt å bruke de enorme ressursene med data til å behandle dem for å gjøre dem om til veltilpassede anti-kreftterapier. Langsiktig mål var å få Watson til å dømme kliniske studier og resultater som en lege ville gjort.

1. En av visualiseringene av Watson Health medisinske system

Det viste seg imidlertid at Watson kan ikke selvstendig referere til medisinsk litteratur, og kan heller ikke hente ut informasjon fra elektroniske journaler til pasienter. Den mest alvorlige anklagen mot ham var imidlertid at manglende evne til effektivt å sammenligne en ny pasient med andre eldre kreftpasienter og oppdage symptomer som er usynlige ved første øyekast.

Det var riktignok noen onkologer som hevdet å ha tillit til hans dømmekraft, om enn mest i form av Watsons forslag til standardbehandlinger, eller som en ekstra medisinsk vurdering. Mange har påpekt at dette systemet vil være en stor automatisert bibliotekar for leger.

Som et resultat av lite flatterende anmeldelser fra IBM problemer med salg av Watson-systemet i amerikanske medisinske institusjoner. IBMs salgsrepresentanter klarte å selge den til noen sykehus i India, Sør-Korea, Thailand og andre land. I India evaluerte leger () Watsons anbefalinger for 638 tilfeller av brystkreft. Samsvarsraten for behandlingsanbefalinger er 73 %. Verre Watson droppet ut ved Gachon Medical Center i Sør-Korea, hvor hans beste anbefalinger for 656 kolorektal kreftpasienter samsvarte med ekspertanbefalinger bare 49 prosent av tiden. Det har legene vurdert Watson gjorde det ikke bra med eldre pasienterved ikke å tilby dem visse standardmedisiner, og gjorde den kritiske feilen å foreta aggressiv behandlingsovervåking for noen pasienter med metastatisk sykdom.

Til syvende og sist, selv om arbeidet hans som diagnostiker og lege anses som mislykket, er det områder hvor han viste seg å være ekstremt nyttig. Produkt Watson for Genomics, som ble utviklet i samarbeid med University of North Carolina, Yale University og andre institusjoner, brukes genetiske laboratorier for utarbeidelse av rapporter for onkologer. Watson laster ned listefil genetiske mutasjoner hos en pasient og kan generere en rapport på minutter som inkluderer forslag til alle viktige legemidler og kliniske studier. Watson håndterer genetisk informasjon relativt enkeltfordi de presenteres i strukturerte filer og ikke inneholder uklarheter - enten er det en mutasjon eller ingen mutasjon.

IBM-partnere ved University of North Carolina publiserte en artikkel om effektivitet i 2017. Watson fant potensielt viktige mutasjoner som ikke hadde blitt identifisert av menneskelige studier i 32 % av dem. pasienter studerte, noe som gjorde dem til gode kandidater for det nye stoffet. Det er imidlertid fortsatt ingen bevis for at bruk fører til bedre behandlingsresultater.

Domestisering av proteiner

Dette og mange andre eksempler bidrar til den økende troen på at alle mangler i helsevesenet blir løst, men vi må se etter områder hvor dette virkelig kan hjelpe, for folk har det ikke så bra der. Et slikt felt er f.eks. proteinforskning. I fjor dukket det opp informasjon om at den nøyaktig kunne forutsi formen til proteiner basert på sekvensen deres (2). Dette er en tradisjonell oppgave, utover kraften til ikke bare mennesker, men til og med kraftige datamaskiner. Hvis vi behersker den nøyaktige modelleringen av vridningen av proteinmolekyler, vil det være store muligheter for genterapi. Forskere håper at vi ved hjelp av AlphaFold vil studere funksjonene til tusenvis, og dette vil igjen tillate oss å forstå årsakene til mange sykdommer.

Figur 2. Proteinvridning modellert med DeepMinds AlphaFold.

Nå vi kjenner to hundre millioner proteiner, men vi forstår fullt ut strukturen og funksjonen til en liten del av dem. Proteiner det er den grunnleggende byggesteinen til levende organismer. De er ansvarlige for de fleste prosessene som skjer i cellene. Hvordan de jobber og hva de gjør avgjøres av deres 50D-struktur. De tar den passende formen uten noen instruksjoner, veiledet av fysikkens lover. I flere tiår har eksperimentelle metoder vært hovedmetoden for å bestemme formen på proteiner. På XNUMX-tallet ble bruken Røntgenkrystallografiske metoder. I løpet av det siste tiåret har det blitt det foretrukne forskningsverktøyet. krystallmikroskopi. På 80- og 90-tallet startet arbeidet med å bruke datamaskiner for å bestemme formen på proteiner. Resultatene tilfredsstilte imidlertid fortsatt ikke forskerne. Metoder som fungerte for noen proteiner fungerte ikke for andre.

Allerede i 2018 AlphaFold mottatt anerkjennelse fra eksperter på proteinmodellering. På den tiden brukte den imidlertid metoder som ligner veldig på andre programmer. Forskerne endret taktikk og skapte en annen, som også brukte informasjon om de fysiske og geometriske restriksjonene i foldingen av proteinmolekyler. AlphaFold ga ujevne resultater. Noen ganger gjorde han det bedre, noen ganger verre. Men nesten to tredjedeler av spådommene hans falt sammen med resultatene oppnådd ved eksperimentelle metoder. I begynnelsen av år 2 beskrev algoritmen strukturen til flere proteiner av SARS-CoV-3-viruset. Senere ble det funnet at spådommene for Orf2020a-proteinet stemmer overens med resultatene som ble oppnådd eksperimentelt.

Det handler ikke bare om å studere de interne måtene å brette proteiner på, men også om design. Forskere fra NIH BRAIN-initiativet brukte maskinlæring utvikle et protein som kan spore hjernens serotoninnivå i sanntid. Serotonin er et nevrokjemisk stoff som spiller en nøkkelrolle i hvordan hjernen kontrollerer våre tanker og følelser. For eksempel er mange antidepressiva laget for å endre serotoninsignalene som overføres mellom nevroner. I en artikkel i tidsskriftet Cell beskrev forskere hvordan de bruker avansert genteknologiske metoder gjøre et bakterielt protein til et nytt forskningsverktøy som kan bidra til å spore serotoninoverføring med større nøyaktighet enn dagens metoder. Prekliniske eksperimenter, mest på mus, har vist at sensoren umiddelbart kan oppdage subtile endringer i hjernens serotoninnivå under søvn, frykt og sosiale interaksjoner, og teste effektiviteten til nye psykoaktive stoffer.

Kampen mot pandemien har ikke alltid vært vellykket

Dette var tross alt den første epidemien vi skrev om i MT. Imidlertid, for eksempel, hvis vi snakker om selve prosessen med utviklingen av pandemien, så i det innledende stadiet så AI ut til å være noe av en fiasko. Forskere har klaget på det Kunstig intelligens kan ikke riktig forutsi omfanget av spredningen av koronavirus basert på data fra tidligere epidemier. «Disse løsningene fungerer bra på enkelte områder, som for eksempel å gjenkjenne ansikter som har et visst antall øyne og ører. SARS-CoV-2-epidemi Dette er tidligere ukjente hendelser og mange nye variabler, så den kunstige intelligensen basert på de historiske dataene som ble brukt for å trene den fungerer dårlig. Pandemien har vist at vi må se etter andre teknologier og tilnærminger, sa Maxim Fedorov fra Skoltech i april 2020 i en uttalelse til russiske medier.

Over tid var det imidlertid algoritmer som ser ut til å bevise den store nytten av AI i kampen mot COVID-19. Forskere i USA utviklet et system høsten 2020 for å gjenkjenne karakteristiske hostemønstre hos personer med COVID-19, selv om de ikke hadde andre symptomer.

Da vaksiner dukket opp, ble ideen født om å hjelpe til med å vaksinere befolkningen. Hun kunne f.eks hjelpe til med å modellere transport og logistikk av vaksiner. Også ved å avgjøre hvilke populasjoner som bør vaksineres først for å håndtere pandemien raskere. Det vil også bidra til å forutsi etterspørselen og optimalisere timingen og hastigheten på vaksinering ved raskt å identifisere problemer og flaskehalser i logistikken. Kombinasjonen av algoritmer med konstant overvåking kan også raskt gi informasjon om mulige bivirkninger og helsehendelser.

disse systemer som bruker AI i å optimalisere og forbedre helsevesenet er allerede kjent. Deres praktiske fordeler ble verdsatt; for eksempel helsevesenet utviklet av Macro-Eyes ved Stanford University i USA. Som tilfellet er med mange andre medisinske institusjoner, var problemet mangelen på pasienter som ikke møtte opp til avtaler. Makro øyne bygget et system som pålitelig kunne forutsi hvilke pasienter som sannsynligvis ikke var der. I noen situasjoner kunne han også foreslå alternative tider og steder for klinikker, noe som ville øke sjansene for at en pasient dukker opp. Senere ble lignende teknologi brukt på forskjellige steder fra Arkansas til Nigeria med støtte, spesielt US Agency for International Development i.

I Tanzania jobbet Macro-Eyes med et prosjekt rettet mot øke antallet barnevaksinasjoner. Programvaren analyserte hvor mange doser vaksiner som måtte sendes til et gitt vaksinasjonssenter. Han var også i stand til å vurdere hvilke familier som kunne være motvillige til å vaksinere barna sine, men de kunne overtales med passende argumenter og plassering av et vaksinasjonssenter på et passende sted. Ved å bruke denne programvaren har den tanzaniske regjeringen vært i stand til å øke effektiviteten til sitt immuniseringsprogram med 96 %. og redusere vaksineavfall til 2,42 per 100 personer.

I Sierra Leone, hvor innbyggernes helsedata manglet, forsøkte selskapet å matche dette med informasjon om utdanning. Det viste seg at antallet lærere og deres elever alene var nok til å forutsi 70 prosent. nøyaktigheten av om den lokale klinikken har tilgang til rent vann, som allerede er et fotavtrykk av data om helsen til menneskene som bor der (3).

3. Makroøyne-illustrasjon av AI-drevne helseprogrammer i Afrika.

Myten om maskinlegen forsvinner ikke

Til tross for feil Watson nye diagnostiske tilnærminger er fortsatt under utvikling og anses å være mer og mer avanserte. Sammenligning gjort i Sverige i september 2020. brukes i bildediagnostikk av brystkreft viste at den beste av dem fungerer på samme måte som en radiolog. Algoritmene er testet ved å bruke nesten ni tusen mammografiske bilder tatt under rutinemessig screening. Tre systemer, utpekt som AI-1, AI-2 og AI-3, oppnådde en nøyaktighet på 81,9 %, 67 %. og 67,4 %. Til sammenligning, for radiologer som tolker disse bildene som de første, var dette tallet 77,4 %, og i tilfelle av radiologersom var den andre som beskrev det, var det 80,1 prosent. Den beste av algoritmene var også i stand til å oppdage tilfeller som radiologer gikk glipp av under screening, og kvinner ble diagnostisert som syke på mindre enn ett år.

Ifølge forskerne beviser disse resultatene det kunstig intelligens algoritmer bidra til å korrigere falsk-negative diagnoser stilt av radiologer. Ved å kombinere egenskapene til AI-1 med en gjennomsnittlig radiolog økte antallet oppdagede brystkrefttilfeller med 8 %. Teamet ved Royal Institute som utfører denne studien forventer at kvaliteten på AI-algoritmene vil fortsette å vokse. En fullstendig beskrivelse av eksperimentet ble publisert i JAMA Oncology.

W på en fempunktsskala. For øyeblikket er vi vitne til en betydelig teknologisk akselerasjon og når IV-nivået (høy automatisering), når systemet uavhengig automatisk behandler de mottatte dataene og gir spesialisten forhåndsanalysert informasjon. Dette sparer tid, unngår menneskelige feil og gir mer effektiv pasientbehandling. Det dømte han for noen måneder siden Stan A.I. innen medisin nær ham, prof. Janusz Braziewicz fra Polish Society for Nuclear Medicine i en uttalelse til det polske pressebyrået.

4. Maskinvisning av medisinske bilder

Algoritmer, ifølge eksperter som prof. Brazievichtil og med uunnværlig i denne bransjen. Årsaken er den raske økningen i antall bildediagnostiske tester. Kun for perioden 2000-2010. antall MR-undersøkelser og undersøkelser har tidoblet seg. Antallet tilgjengelige spesialistleger som kunne utføre dem raskt og pålitelig har dessverre ikke økt. Det er også mangel på kvalifiserte teknikere. Implementeringen av AI-baserte algoritmer sparer tid og tillater full standardisering av prosedyrer, samt unngår menneskelige feil og mer effektive, personlig tilpassede behandlinger for pasienter.

Som det viste seg, også rettsmedisin kan ha nytte av utvikling av kunstig intelligens. Spesialister på dette feltet kan bestemme det nøyaktige tidspunktet for døden til den avdøde ved kjemisk analyse av sekresjonene til ormer og andre skapninger som lever av dødt vev. Et problem oppstår når blandinger av sekreter fra ulike typer nekrofager inkluderes i analysen. Det er her maskinlæring kommer inn i bildet. Forskere ved University of Albany har utviklet en kunstig intelligensmetode som muliggjør raskere identifikasjon av ormearter basert på deres "kjemiske fingeravtrykk". Teamet trente dataprogrammet sitt ved å bruke blandinger av forskjellige kombinasjoner av kjemiske sekreter fra seks fluearter. Han dechiffrerte de kjemiske signaturene til insektlarver ved hjelp av massespektrometri, som identifiserer kjemikalier ved nøyaktig å måle forholdet mellom masse og elektrisk ladning til et ion.

Så, som du kan se, imidlertid AI som etterforskningsdetektiv ikke veldig bra, det kan være veldig nyttig i et rettsmedisinsk laboratorium. Kanskje forventet vi for mye av henne på dette stadiet, og forutså algoritmer som ville sette leger uten jobb (5). Når vi ser på Kunstig intelligens mer realistisk, med fokus på spesifikke praktiske fordeler i stedet for det generelle, ser hennes karriere innen medisin veldig lovende ut igjen.

5. Syn av legens bil