Viimeaikaiset tutkimukset ovat osoittaneet tekoälyjärjestelmien kyvyn diagnosoida lääketieteellisesti tärkeitä sairauksia
Tekoälyjärjestelmät (AI) ovat olleet olemassa jo jonkin aikaa ja ovat nyt älykkäämpiä ja parempia ajan myötä. AI on sovelluksia monilla aloilla ja on nyt olennainen osa useimpia kenttiä. AI voi olla olennainen ja hyödyllinen osa lääketieteellinen tieteeseen ja tutkimukseen, koska sillä on valtava potentiaali vaikuttaa terveydenhuoltoalaan.
Tekoäly lääketieteellisessä diagnoosissa?
Aika on terveydenhuollon arvokkain resurssi, ja varhainen asianmukainen diagnoosi on erittäin tärkeä sairauden lopputuloksen kannalta. Terveydenhuolto on usein pitkä ja aikaa ja resursseja vievä prosessi, joka viivyttää tehokkaan diagnoosin tekemistä ja puolestaan oikeaa hoitoa. AI voi auttaa täyttämään kuilun saatavuuden ja lääkäreiden ajanhallinnan välillä sisällyttämällä potilaiden diagnoosiin nopeuden ja tarkkuuden. Se voisi auttaa voittamaan resurssien ja terveydenhuollon ammattilaisten rajoitukset erityisesti matala- ja keskituloisissa maissa. Tekoäly on oppimis- ja ajatteluprosessi aivan kuten ihmiset syväoppimisen konseptin kautta. Syväoppiminen käyttää laajoja näytedatajoukkoja päätöspuun luomiseen itse. Tämän syvällisen oppimisen ansiosta tekoälyjärjestelmä voi itse asiassa ajatella aivan kuten ihmiset, ellei paremmin, ja siksi tekoälyä voidaan pitää sopivana suorittamaan lääketieteellisiä tehtäviä. Potilaita diagnosoitaessa tekoälyjärjestelmät etsivät jatkuvasti malleja samoja sairauksia sairastavien potilaiden joukosta. Ajan myötä nämä mallit voivat rakentaa perustan sairauksien ennustamiselle ennen kuin ne ilmenevät.
Tuoreessa tutkimuksessa1 julkaistu Solu, tutkijat ovat käyttäneet keinotekoinen älykkyys ja koneoppimistekniikat uuden laskennallisen työkalun kehittämiseksi potilaiden seulomiseksi, joilla on yleisiä mutta sokeuttavia verkkokalvon sairauksia, mikä mahdollisesti nopeuttaa diagnoosia ja hoitoa. Tutkijat käyttivät tekoälyyn perustuvaa hermoverkkoa tarkastellakseen yli 200,000 2 silmäskannausta, jotka tehtiin ei-invasiivisella tekniikalla, joka heijastaa valoa verkkokalvolta luodakseen 3D- ja XNUMXD-esityksiä kudoksesta. Sitten he käyttivät tekniikkaa nimeltä "siirtooppiminen", jossa yhden ongelman ratkaisemisessa saadut tiedot tallennetaan tietokoneeseen ja sovelletaan erilaisiin, mutta toisiinsa liittyviin ongelmiin. Esimerkiksi tekoälyn hermoverkko, joka on optimoitu tunnistamaan silmän erilliset anatomiset rakenteet, kuten verkkokalvo, sarveiskalvo tai näköhermo, voi tunnistaa ja arvioida ne nopeammin ja tehokkaammin, kun se tutkii kuvia koko silmästä. Tämän prosessin avulla tekoälyjärjestelmä voi vähitellen oppia paljon pienemmällä tietojoukolla kuin perinteiset menetelmät, jotka vaativat suuria tietojoukkoja, mikä tekee niistä kalliita ja aikaa vieviä.
Tutkimus keskittyi kahteen yleiseen peruuttamattoman sokeuden syyyn, jotka ovat hoidettavissa, kun ne havaitaan varhain. Koneperäisiä diagnooseja verrattiin viiden silmälääkärin diagnooseihin, jotka tarkastelivat samat skannaukset. Lääketieteellisen diagnoosin lisäksi tekoälyalusta tuotti myös lähetteen ja hoitosuosituksen, jota ei ole tehty missään aikaisemmassa tutkimuksessa. Tämä koulutettu tekoälyjärjestelmä toimi aivan kuin hyvin koulutettu silmälääkäri ja pystyi yli 30 prosentin tarkkuudella tekemään 95 sekunnissa päätöksen siitä, pitäisikö potilas lähettää hoitoon vai ei. He testasivat myös tekoälytyökalua lasten keuhkokuumeen diagnosoinnissa, joka on johtava lasten (alle 5-vuotiaiden) kuolinsyy maailmanlaajuisesti, perustuen rintakehän röntgensäteiden koneanalyysiin. Mielenkiintoista on, että tietokoneohjelma pystyi erottamaan viruksen ja bakteeri- keuhkokuume yli 90 prosentin tarkkuudella. Tämä on ratkaisevan tärkeää, koska vaikka virusten aiheuttama keuhkokuume poistuu elimistöstä luonnollisesti sen kulun jälkeen, bakteerikeuhkokuume on toisaalta yleensä vakavampi terveysuhka ja vaatii välitöntä antibioottihoitoa.
Toisessa suuressa harppauksessa2 Lääketieteellisen diagnoosin tekoälyjärjestelmissä tutkijat havaitsivat, että yksilön verkkokalvosta otettuja valokuvia voidaan analysoida koneoppimisalgoritmeilla tai ohjelmistoilla, jotta voidaan ennustaa sydän- ja verisuonitautien sydänriski tunnistamalla sydänsairautta osoittavia signaaleja. Valokuviin tallennetun silmän verisuonten tilan osoitettiin ennustavan tarkasti iän, sukupuolen, etnisen taustan, verenpaineen, mahdolliset aiemmat sydänkohtaukset ja tupakointitottumukset, ja kaikki nämä tekijät yhdessä ennustavat sydämeen liittyviä sairauksia yksilössä.
Silmä tietolohkona
Ajatus silmäkuvien katsomisesta terveyden diagnosoimiseksi on ollut olemassa jo jonkin aikaa. On vakiintunutta, että ihmisen silmien sisäseinässä on paljon verisuonia, jotka kuvastavat kehon yleistä terveyttä. Tutkimalla ja analysoimalla näiden verisuonten ulkonäköä kameralla ja mikroskoopilla, voidaan ennustaa paljon tietoa yksilön verenpaineesta, iästä, tupakoitsijasta tai tupakoimattomasta jne. ja nämä ovat kaikki tärkeitä yksilön sydämen terveyden indikaattoreita. . Sydän- ja verisuonisairaudet (CVD) on ykköskuolemien syy maailmanlaajuisesti, ja enemmän ihmisiä kuolee sydän- ja verisuonisairauksiin verrattuna muihin sairauksiin tai tiloihin. Tämä on yleisempää alhaisen ja keskitulotason maissa ja on valtava taakka taloudelle ja ihmiskunnalle. Kardiovaskulaarinen riski riippuu monista tekijöistä, kuten geeneistä, iästä, etnisestä taustasta, sukupuolesta, yhdessä liikunnan ja ruokavalion kanssa. Useimpia sydän- ja verisuonisairauksia voidaan ehkäistä puuttumalla käyttäytymiseen liittyviin riskeihin, kuten tupakointiin, liikalihavuuteen, liikkumattomuuteen ja epäterveelliseen ruokavalioon, tekemällä merkittäviä elämäntapamuutoksia mahdollisten riskien poistamiseksi.
Terveysdiagnoosi verkkokalvon kuvien avulla
Tämä Googlen ja sen oman terveysteknologiayrityksen Verily Life Sciencesin tutkijoiden suorittama tutkimus osoitti, että tekoäly-algoritmia käytettiin laajassa tietojoukossa verkkokalvon valokuvista noin 280,000 12000 potilaasta, ja tämä algoritmi pystyi ennustamaan sydämen riskitekijöitä kahdessa täysin. riippumattomia tietoja noin 1000 70 ja 71 XNUMX potilaasta kohtuullisen hyvällä tarkkuudella. Algoritmi käytti koko verkkokalvon valokuvaa kvantifioidakseen kuvan ja sydänkohtausriskin välisen yhteyden. Tämä algoritmi pystyi ennustamaan kardiovaskulaarisen tapahtuman XNUMX prosenttia potilaasta, ja itse asiassa tupakoitsija ja tupakoimaton olivat myös erotettavissa tässä testissä XNUMX prosenttia ajasta. Algoritmi voi myös ennustaa korkean verenpaineen, joka viittaa sydänsairauteen, ja ennustaa systolista verenpainetta – verisuonten painetta sydämen lyödessä – useimpien potilaiden kohdalla, joilla on korkea verenpaine tai ei sitä. Tämän ennusteen tarkkuus on tekijöiden mukaan hyvin samanlainen kuin laboratoriossa tehtävä sydän- ja verisuonitarkastus, jossa potilaalta otetaan verta kolesterolitasojen mittaamiseksi rinnakkain potilaan historian kanssa. Tämän tutkimuksen algoritmi, julkaistu vuonna Luonnon biolääketieteellinen tekniikka, voisi mitä todennäköisimmin ennustaa myös suuren sydän- ja verisuonitapahtuman - esim. sydänkohtauksen - esiintymisen.
Äärimmäisen mielenkiintoinen ja ratkaiseva näkökohta näissä tutkimuksissa oli, että tietokone pystyy kertomaan, mihin se katsoo kuvassa saadakseen diagnoosin, mikä antaa meille mahdollisuuden ymmärtää ennustusprosessia. Esimerkiksi Googlen tutkimus osoitti tarkalleen, "mitkä verkkokalvon osat" vaikuttivat ennustusalgoritmiin, toisin sanoen kuinka algoritmi teki ennusteen. Tämä ymmärrys on tärkeä paitsi koneoppimismenetelmän ymmärtämiseksi tässä erityistapauksessa, myös luottamuksen ja uskon luomiseksi koko tähän metodologiaan tekemällä siitä läpinäkyvä.
Haasteet
Tällaisissa lääketieteellisissä kuvissa on haasteensa, koska tällaisten kuvien perusteella assosiaatioiden havainnointi ja sitten kvantifiointi ei ole yksinkertaista lähinnä useiden kuvien ominaisuuksien, värien, arvojen, muotojen jne. vuoksi. Tässä tutkimuksessa syväoppimisen avulla selvitetään ihmisen anatomian (kehon sisäisen morfologian) muutosten ja sairauden välisiä yhteyksiä, assosiaatioita ja suhteita samalla tavalla kuin terveydenhuollon ammattilainen tekisi korreloiessaan potilaiden oireita sairauteen. . Nämä algoritmit vaativat enemmän testausta, ennen kuin niitä voidaan käyttää kliinisissä olosuhteissa.
Keskusteluista ja haasteista huolimatta tekoälyllä on valtava potentiaali mullistaa sairauksien diagnosointi ja hallinta tekemällä analyyseja ja luokituksia, jotka sisältävät valtavia määriä tietoa, jotka ovat ihmisasiantuntijoiden kannalta vaikeita. Se tarjoaa nopeita, kustannustehokkaita, ei-invasiivisia vaihtoehtoisia kuvapohjaisia diagnostiikkatyökaluja. Tärkeitä tekijöitä tekoälyjärjestelmien menestymiselle olisivat suurempi laskentateho ja enemmän ihmisten kokemusta. Todennäköisessä tulevaisuudessa uusia lääketieteellisiä oivalluksia ja diagnooseja voidaan saavuttaa tekoälyllä ilman ihmisen ohjausta tai valvontaa.
***
Lähteet)
1. Kermany DS et ai. 2018. Lääketieteellisten diagnoosien ja hoidettavien sairauksien tunnistaminen kuvapohjaisen syväoppimisen avulla. Cell. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et ai. 2018. Kardiovaskulaaristen riskitekijöiden ennustaminen verkkokalvon silmänpohjakuvista syväoppimisen kautta. Luonnon biolääketieteen tekniikka. 2. https://doi.org/10.1038/s41551-018-0195-0
***
