Неодамнешните студии ја покажаа способноста на системите за вештачка интелигенција за медицински дијагностицирање на важни болести
Системи за вештачка интелигенција (ВИ). постојат подолго време и сега стануваат попаметни и подобри со текот на времето. AI има апликации е мноштво области и сега е составен од повеќето полиња. ВИ може да биде суштинска и корисна компонента на медицински науката и истражувањето бидејќи има огромен потенцијал да влијае на здравствената индустрија.
Вештачка интелигенција во медицинската дијагноза?
Времето е највредниот ресурс во здравството и раната соодветна дијагноза е многу важна за конечниот исход на болеста. Здравствената заштита често е долг и процес кој одзема време и ресурси, што ја одложува ефективната дијагноза и за возврат го одложува правилниот третман. AI може да помогне да се пополни јазот помеѓу достапноста и управувањето со времето од страна на лекарите со инкорпорирање на брзина и точност во дијагнозата на пациентите. Тоа би можело да помогне да се надминат ограничувањата на ресурсите и здравствените работници, особено во земјите со низок и среден приход. ВИ е процес на учење и размислување исто како луѓето преку концепт наречен длабоко учење. Длабокото учење користи широки групи на податоци за примероци за да создаде стебла на одлуки самостојно. Со ова длабоко учење, системот за вештачка интелигенција всушност може да размислува исто како луѓето, ако не и подобро, и затоа вештачката интелигенција може да се смета за погодна за извршување медицински задачи. При дијагностицирање на пациентите, системите за вештачка интелигенција продолжуваат да бараат модели кај пациентите со исти болести. Со текот на времето, овие модели можат да создадат основа за предвидување на болестите пред да се манифестираат.
Во една неодамнешна студија1 објавен во Мобилен, истражувачите користеле вештачки интелигенција и техники за машинско учење за да се развие нова компјутерска алатка за скрининг на пациенти со вообичаени, но заслепувачки болести на мрежницата, потенцијално забрзување на дијагнозите и третманот. Истражувачите користеа невронска мрежа заснована на вештачка интелигенција за да прегледаат повеќе од 200,000 скенови на очите спроведени со неинвазивна технологија која ја одбива светлината од мрежницата за да создаде 2D и 3D претстави на ткивото. Тие потоа примениле техника наречена „учење за пренос“ во која знаењето стекнато при решавање на еден проблем се складира на компјутер и се применува на различни, но поврзани проблеми. На пример, нервната мрежа со вештачка интелигенција оптимизирана да ги препознава дискретните анатомски структури на окото, како што се мрежницата, рожницата или оптичкиот нерв, може побрзо и поефикасно да ги идентификува и процени кога ги испитува сликите на целото око. Овој процес му овозможува на системот за вештачка интелигенција постепено да учи со многу помали податоци од традиционалните методи кои бараат големи збирки на податоци што ги прави скапи и одземаат многу време.
Студијата се фокусираше на две вообичаени причини за неповратно слепило кои се лекуваат кога ќе се откријат рано. Дијагнозите добиени од машина беа споредени со дијагнозите од пет офталмолози кои ги прегледаа истите скенирања. Покрај поставувањето медицинска дијагноза, платформата за вештачка интелигенција, исто така, генерира препорака за упатување и третман што не е направено во ниту една претходна студија. Овој обучен систем за вештачка интелигенција делуваше исто како добро обучен офталмолог и можеше да донесе одлука во рок од 30 секунди дали пациентот треба да се упати на лекување или не, со повеќе од 95 проценти точност. Тие, исто така, ја тестираа алатката за вештачка интелигенција за дијагностицирање на детска пневмонија, водечка причина за смрт кај децата (на возраст под 5 години) ширум светот, врз основа на машински анализи на рендгенски зраци на градниот кош. Интересно е тоа што компјутерската програма можеше да направи разлика помеѓу вирусни и бактериски пневмонија со повеќе од 90 проценти точност. Ова е клучно затоа што иако вирусната пневмонија природно се ослободува од телото по нејзиниот тек, бактериската пневмонија од друга страна има тенденција да биде посериозна закана за здравјето и бара итен третман со антибиотици.
Во уште еден голем скок2 во системите за вештачка интелигенција за медицинска дијагноза, научниците открија дека фотографиите направени од мрежницата на поединецот може да се анализираат со алгоритми за машинско учење или софтвер за да се предвиди кардиоваскуларниот срцев ризик преку идентификување на сигнали кои укажуваат на срцеви заболувања. Се покажа дека статусот на крвните садови во окото што е забележан на фотографиите точно ја предвидува возраста, полот, етничката припадност, крвниот притисок, сите претходни срцеви удари и навиките за пушење и сите овие фактори колективно ги предвидуваат болестите поврзани со срцето кај поединецот.
Окото како информативен блок
Идејата да се гледаат фотографиите на окото за да се дијагностицира здравјето постои веќе некое време. Добро е докажано дека задниот внатрешен ѕид на човечките очи има многу крвни садови кои го одразуваат целокупното здравје на телото. Со проучување и анализа на изгледот на овие крвни садови со камера и микроскоп, може да се предвидат многу информации за крвниот притисок на поединецот, возраста, пушачот или непушачот итн. и сето тоа се важни показатели за здравјето на срцето на поединецот. . Кардиоваскуларните болести (CVD) се причина број еден за смрт на глобално ниво и повеќе луѓе умираат од CVD во споредба со која било друга болест или состојба. Ова е позастапено во земјите со низок и среден приход и претставува огромен товар за економијата и човештвото. Кардиоваскуларниот ризик зависи од мноштво фактори како гени, возраст, етничка припадност, пол, во комбинација со вежбање и исхрана. Повеќето кардиоваскуларни болести може да се спречат со справување со ризиците во однесувањето, како што се употребата на тутун, дебелината, физичката неактивност и нездравата исхрана со правење значителни промени во животниот стил за да се решат можните ризици.
Здравствена дијагноза со помош на слики од ретина
Оваа студија спроведена од истражувачи од Google и неговата сопствена компанија за здравствена технологија Verily Life Sciences, покажа дека алгоритам за вештачка интелигенција бил користен на голема база на фотографии од ретина од околу 280,000 пациенти и овој алгоритам успеал успешно да ги предвиди факторите на ризик за срце во два целосно независни сетови на податоци од околу 12000 и 1000 пациенти со разумно добра прецизност. Алгоритмот ја користел целата фотографија на мрежницата за да ја измери поврзаноста помеѓу сликата и ризикот од срцев удар. Овој алгоритам може да предвиди кардиоваскуларен настан во 70 проценти од времето кај пациент, а всушност пушач и непушач исто така се разликуваат во овој тест 71 процент од времето. Алгоритмот може да предвиди и висок крвен притисок што укажува на срцева состојба и да го предвиди систолниот крвен притисок - притисокот во садовите кога срцето чука - во опсег од повеќето пациенти со или без висок крвен притисок. Точноста на ова предвидување, според авторите е многу слична на кардиоваскуларната проверка во лабораторија, каде што крвта се вади од пациентот за да се измери нивото на холестерол, гледајќи паралелно со историјата на пациентот. Алгоритмот во оваа студија, објавена во Биомедицински инженеринг на природата, со голема веројатност може да предвиди и појава на голем кардиоваскуларен настан - на пр. срцев удар.
Исклучително интересен и клучен аспект на овие студии беше тоа што компјутерот може да каже каде гледа во сликата за да дојде до дијагноза, што ни овозможува да го разбереме процесот на предвидување. На пример, студијата на Google точно покажа „кои делови од мрежницата“ придонеле за алгоритмот за предвидување, со други зборови како алгоритмот го прави предвидувањето. Ова разбирање е важно не само за разбирање на методот на машинско учење во овој конкретен случај, туку и за генерирање доверба и верба во целата оваа методологија со тоа што ќе ја направиме транспарентна.
Предизвици
Ваквите медицински слики доаѓаат со своите предизвици бидејќи набљудувањето и потоа квантифицирањето на асоцијациите врз основа на таквите слики не е едноставно, главно поради неколку карактеристики, бои, вредности, форми итн. на овие слики. Оваа студија користи длабоко учење за да ги извлече врските, асоцијациите и врските помеѓу промените во човечката анатомија (внатрешна морфологија на телото) и болеста на ист начин како што би направил здравствениот работник кога ги поврзува симптомите на пациентите со некоја болест. . Овие алгоритми бараат повеќе тестирање пред да можат да се користат во клинички услови.
И покрај дискусиите и предизвиците, вештачката интелигенција има огромен потенцијал да ја револуционизира дијагнозата и управувањето со болеста со правење анализи и класификации кои вклучуваат огромни количини на податоци кои се тешки за човечките експерти. Обезбедува брзи, ефективни, неинвазивни алтернативни дијагностички алатки засновани на слики. Важните фактори за успехот на системите за вештачка интелигенција би биле поголемата пресметковна моќ и поголемото искуство на луѓето. Во веројатна иднина, нови медицински увиди и дијагноза би можеле да се постигнат со вештачка интелигенција без човечко водство или надзор.
***
Извор (и)
1. Kermany DS et al. 2018. Идентификување медицински дијагнози и болести кои може да се лекуваат со длабоко учење базирано на слика. Ќелија. 172 (5). https://doi.org/10.1016/j.cell.2018.02.010
2. Поплин Р и сор. 2018. Предвидување на фактори на кардиоваскуларни ризик од фотографии на ретинално дно преку длабоко учење. Природа биомедицинско инженерство. 2. https://doi.org/10.1038/s41551-018-0195-0
***
