Nedávné studie prokázaly schopnost systémů umělé inteligence v lékařské diagnostice důležitých nemocí
Systémy umělé inteligence (AI). existují již nějakou dobu a nyní jsou postupem času chytřejší a lepší. AI má aplikace v mnoha oblastech a je nyní nedílnou součástí většiny oborů. AI může být nezbytnou a užitečnou součástí zdravotní vědy a výzkumu, protože má obrovský potenciál ovlivnit zdravotnický průmysl.
Umělá inteligence v lékařské diagnostice?
Čas je ve zdravotnictví nejcennějším zdrojem a pro konečný výsledek onemocnění je velmi důležitá včasná správná diagnóza. Zdravotní péče je často zdlouhavý a časově i finančně náročný proces, který oddaluje účinnou diagnózu a následně oddaluje správnou léčbu. AI může pomoci vyplnit mezeru mezi dostupností a časovým řízením ze strany lékařů tím, že do diagnostiky pacientů začlení rychlost a přesnost. Mohlo by to pomoci překonat omezení zdrojů a zdravotníků, zejména v zemích s nízkými a středními příjmy. AI je stejně jako proces učení a myšlení lidé prostřednictvím konceptu zvaného deep-learning. Hluboké učení využívá široké sady vzorových dat k samotnému vytváření rozhodovacích stromů. Díky tomuto hlubokému učení může systém umělé inteligence skutečně myslet stejně jako lidé, ne-li lépe, a proto by umělá inteligence mohla být považována za vhodnou k provádění lékařských úkolů. Při diagnostice pacientů systémy umělé inteligence neustále hledají vzorce mezi pacienty se stejnými nemocemi. Postupem času mohou tyto vzorce vytvořit základ pro předpovídání nemocí dříve, než se projeví.
V nedávné studii1 Publikováno v Buňka, použili výzkumníci umělý inteligence a techniky strojového učení k vývoji nového výpočetního nástroje pro screening pacientů s běžnými, ale oslepujícími onemocněními sítnice, což může urychlit diagnostiku a léčbu. Výzkumníci použili neuronovou síť založenou na umělé inteligenci k posouzení více než 200,000 2 očních skenů provedených neinvazivní technologií, která odráží světlo od sítnice a vytváří 3D a XNUMXD reprezentace tkáně. Poté použili techniku zvanou „učení s přenosem“, ve které jsou znalosti získané při řešení jednoho problému uloženy v počítači a aplikovány na různé, ale související problémy. Neuronová síť AI optimalizovaná pro rozpoznávání diskrétních anatomických struktur oka, jako je sítnice, rohovka nebo zrakový nerv, je může například rychleji a efektivněji identifikovat a vyhodnotit, když zkoumá snímky celého oka. Tento proces umožňuje systému AI postupně se učit s mnohem menší datovou sadou než tradiční metody, které vyžadují velké datové sady, což je činí drahými a časově náročnými.
Studie se zaměřila na dvě běžné příčiny nevratné slepoty, které jsou léčitelné, když jsou včas odhaleny. Strojově odvozené diagnózy byly porovnány s diagnózami od pěti oftalmologů, kteří přezkoumali stejné skeny. Kromě stanovení lékařské diagnózy platforma AI také vygenerovala doporučení a doporučení k léčbě, což nebylo provedeno v žádné předchozí studii. Tento vyškolený systém umělé inteligence se choval stejně jako dobře vyškolený oftalmolog a dokázal do 30 sekund vygenerovat rozhodnutí, zda má být pacient odeslán k léčbě, s více než 95procentní přesností. Testovali také nástroj AI při diagnostice dětské pneumonie, která je celosvětově hlavní příčinou úmrtí dětí (do 5 let), na základě strojových analýz rentgenových snímků hrudníku. Zajímavé je, že počítačový program dokázal rozlišit virové a bakteriální zápal plic s více než 90procentní přesností. To je zásadní, protože ačkoli se virové pneumonie tělo po jejím průběhu přirozeně zbaví, bakteriální pneumonie na druhé straně bývá závažnější zdravotní hrozbou a vyžaduje okamžitou léčbu antibiotiky.
V dalším velkém skoku2 v systémech umělé inteligence pro lékařskou diagnostiku vědci zjistili, že fotografie pořízené sítnicí jednotlivce lze analyzovat pomocí algoritmů strojového učení nebo softwaru k předpovědi kardiovaskulárního srdečního rizika identifikací signálů, které naznačují srdeční onemocnění. Ukázalo se, že stav krevních cév v oku, který je zachycen na fotografiích, přesně předpovídá věk, pohlaví, etnický původ, krevní tlak, předchozí infarkty a kuřácké návyky a všechny tyto faktory společně předpovídají onemocnění související se srdcem u jednotlivce.
Oko jako informační blok
Myšlenka podívat se na fotografie oka k diagnostice zdraví existuje již nějakou dobu. Je dobře známo, že zadní vnitřní stěna lidských očí má mnoho krevních cév, které odrážejí celkové zdraví těla. Studiem a analýzou vzhledu těchto krevních cév kamerou a mikroskopem lze předpovědět mnoho informací o krevním tlaku jednotlivce, věku, kuřákovi nebo nekuřákovi atd., a to vše jsou důležité ukazatele zdraví srdce jednotlivce. . Kardiovaskulární onemocnění (CVD) je celosvětově nejčastější příčinou úmrtí a na KVO umírá více lidí ve srovnání s jakýmkoli jiným onemocněním nebo stavem. To je rozšířenější v zemích s nízkými a středními příjmy a představuje obrovskou zátěž pro ekonomiku a lidstvo. Kardiovaskulární riziko závisí na mnoha faktorech, jako jsou geny, věk, etnická příslušnost, pohlaví, v kombinaci s cvičením a stravou. Většině kardiovaskulárních chorob lze předejít tím, že se zaměříme na behaviorální rizika, jako je užívání tabáku, obezita, fyzická nečinnost a nezdravá strava, a to provedením významných změn životního stylu s cílem řešit možná rizika.
Diagnostika zdraví pomocí snímků sítnice
Tato studie provedená výzkumníky společnosti Google a její vlastní zdravotnickou společností Verily Life Sciences ukázala, že algoritmus umělé inteligence byl použit na rozsáhlém datovém souboru fotografií sítnice přibližně 280,000 12000 pacientů a tento algoritmus byl schopen úspěšně předpovědět srdeční rizikové faktory u dvou zcela nezávislé datové soubory přibližně 1000 70 a 71 XNUMX pacientů s přiměřeně dobrou přesností. Algoritmus použil celou fotografii sítnice ke kvantifikaci spojení mezi obrázkem a rizikem srdečního infarktu. Tento algoritmus dokázal předpovědět kardiovaskulární příhodu v XNUMX procentech případů u pacienta a ve skutečnosti byly v tomto testu v XNUMX procentech případů rozlišitelné také kuřák a nekuřák. Algoritmus by také mohl předpovídat vysoký krevní tlak indikující onemocnění srdce a předpovídat systolický krevní tlak – tlak v cévách, když srdce bije – v rozsahu většiny pacientů s vysokým krevním tlakem nebo bez něj. Přesnost této predikce je podle autorů velmi podobná kardiovaskulární kontrole v laboratoři, kdy se pacientovi odebírá krev pro měření hladiny cholesterolu souběžně s pacientovou anamnézou. Algoritmus v této studii, publikované v Přírodní biomedicínské inženýrství, mohl s největší pravděpodobností také předpovědět výskyt závažné kardiovaskulární příhody – např. srdečního infarktu.
Mimořádně zajímavým a zásadním aspektem těchto studií bylo, že počítač dokáže určit, kam se na obrázku dívá, aby dospěl k diagnóze, což nám umožňuje pochopit proces predikce. Například studie společnosti Google přesně ukázala, „které části sítnice“ přispěly k predikčnímu algoritmu, jinými slovy, jak algoritmus předpovídal. Toto porozumění je důležité nejen pro pochopení metody strojového učení v tomto konkrétním případě, ale také pro vytvoření důvěry a důvěry v celou tuto metodologii tím, že bude transparentní.
Výzvy
Takové lékařské obrazy přicházejí s určitými problémy, protože pozorování a následné kvantifikování asociací na základě takových obrazů není přímočaré hlavně kvůli několika rysům, barvám, hodnotám, tvarům atd. v těchto obrazech. Tato studie využívá hluboké učení k vykreslení souvislostí, asociací a vztahů mezi změnami v lidské anatomii (vnitřní morfologie těla) a nemocí stejným způsobem, jako by to dělal zdravotnický pracovník, když dává do souvislosti symptomy pacienta s nemocí. . Tyto algoritmy vyžadují více testování, než mohou být použity v klinickém prostředí.
Navzdory diskusím a výzvám má umělá inteligence obrovský potenciál způsobit revoluci v diagnostice a léčbě nemocí tím, že provádí analýzy a klasifikace zahrnující obrovské množství dat, které jsou pro lidské odborníky obtížné. Poskytuje rychlé, nákladově efektivní, neinvazivní alternativní diagnostické nástroje založené na obrazech. Důležitými faktory úspěchu systémů AI by byl vyšší výpočetní výkon a více zkušeností lidí. V pravděpodobné budoucnosti by bylo možné pomocí umělé inteligence dosáhnout nových lékařských poznatků a diagnózy bez lidského vedení nebo dohledu.
***
{Původní výzkumný dokument si můžete přečíst kliknutím na odkaz DOI uvedený níže v seznamu citovaných zdrojů}
Zdroje)
1. Kermany DS et al. 2018. Identifikace lékařských diagnóz a léčitelných nemocí pomocí hloubkového učení založeného na obrazech. Buňka. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R a kol. 2018. Predikce kardiovaskulárních rizikových faktorů z fotografií fundu sítnice prostřednictvím hlubokého učení. Přírodní biomedicínské inženýrství. 2. https://doi.org/10.1038/s41551-018-0195-0
