Нещодавні дослідження показали здатність систем штучного інтелекту діагностувати важливі захворювання
Системи штучного інтелекту (ШІ). існують уже досить давно і з часом стають розумнішими та кращими. AI має застосування в багатьох областях і тепер є невід’ємною частиною більшості сфер. ШІ може бути важливим і корисним компонентом медичний науки та досліджень, оскільки вони мають величезний потенціал для впливу на галузь охорони здоров’я.
Штучний інтелект у медичній діагностиці?
Час є найціннішим ресурсом в охороні здоров'я, і рання відповідна діагностика дуже важлива для остаточного результату захворювання. Охорона здоров’я часто є тривалим і трудомістким процесом, що затримує ефективну діагностику та, у свою чергу, затримує правильне лікування. AI може допомогти заповнити прогалину між доступністю та управлінням часом лікарями, використовуючи швидкість і точність у діагностиці пацієнтів. Це може допомогти подолати обмеження ресурсів і медичних працівників, особливо в країнах з низьким і середнім рівнем доходу. ШІ — це процес навчання та мислення людей через концепцію глибокого навчання. Глибоке навчання використовує широкі набори вибіркових даних для самостійного створення дерев рішень. Завдяки цьому глибокому навчанню система штучного інтелекту може думати так само, як люди, якщо не краще, і тому штучний інтелект можна вважати придатним для виконання медичних завдань. Під час діагностики пацієнтів системи штучного інтелекту продовжують шукати закономірності серед пацієнтів із однаковими хворобами. Згодом ці закономірності можуть створити основу для прогнозування захворювань ще до їх прояву.
У недавньому дослідженні1 опубліковані в Осередок, використовували дослідники штучний інтелекту та техніки машинного навчання для розробки нового обчислювального інструменту для скринінгу пацієнтів із поширеними, але сліпучими захворюваннями сітківки, що потенційно прискорює діагностику та лікування. Дослідники використали нейронну мережу на основі штучного інтелекту, щоб переглянути понад 200,000 2 сканувань очей, проведених за неінвазивною технологією, яка відбиває світло від сітківки для створення 3D і XNUMXD зображень тканин. Потім вони застосували техніку під назвою «навчання з перенесенням», за якою знання, отримані під час вирішення однієї проблеми, зберігаються в комп’ютері та застосовуються до різних, але пов’язаних проблем. Наприклад, нейронна мережа AI, оптимізована для розпізнавання дискретних анатомічних структур ока, таких як сітківка, рогівка або зоровий нерв, може швидше та ефективніше ідентифікувати та оцінити їх, коли розглядає зображення цілого ока. Цей процес дозволяє системі штучного інтелекту поступово навчатися з набагато меншим набором даних, ніж традиційні методи, які вимагають великих наборів даних, що робить їх дорогими та трудомісткими.
Дослідження було зосереджено на двох поширених причинах незворотної сліпоти, які піддаються лікуванню за умови раннього виявлення. Діагнози, отримані машиною, порівнювали з діагнозами п’яти офтальмологів, які переглядали ті самі скани. Окрім постановки медичного діагнозу, платформа штучного інтелекту також створила рекомендації щодо направлення та лікування, чого не було зроблено в жодному попередньому дослідженні. Ця навчена система штучного інтелекту діяла так само, як добре навчений офтальмолог, і могла протягом 30 секунд прийняти рішення про те, чи слід направити пацієнта на лікування, з більш ніж 95-відсотковою точністю. Вони також випробували інструмент штучного інтелекту для діагностики дитячої пневмонії, основної причини смерті дітей у всьому світі (віком до 5 років), на основі машинного аналізу рентгенівських знімків грудної клітки. Цікаво, що комп’ютерна програма змогла відрізнити вірусні та бактеріальний пневмонія з більш ніж 90-відсотковою точністю. Це надзвичайно важливо, оскільки, хоча вірусна пневмонія природним чином позбавляється організмом після її перебігу, бактеріальна пневмонія, з іншого боку, має тенденцію бути більш серйозною загрозою для здоров’я та вимагає негайного лікування антибіотиками.
В черговий великий стрибок2 У системах штучного інтелекту для медичної діагностики вчені виявили, що фотографії, зроблені сітківкою ока людини, можна проаналізувати за допомогою алгоритмів машинного навчання або програмного забезпечення для прогнозування серцево-судинного ризику за допомогою виявлення сигналів, які вказують на захворювання серця. Показано, що стан кровоносних судин в оці, знятий на фотографіях, дозволяє точно передбачити вік, стать, етнічну приналежність, артеріальний тиск, будь-які попередні серцеві напади та звички до куріння, і всі ці фактори разом передбачають серцеві захворювання у людини.
Око як інформаційний блок
Ідея дивитися на фотографії ока для діагностики здоров’я існує вже деякий час. Добре відомо, що на задній внутрішній стінці людського ока є багато кровоносних судин, які відображають загальне здоров’я організму. Вивчаючи та аналізуючи зовнішній вигляд цих кровоносних судин за допомогою камери та мікроскопа, можна передбачити багато інформації про артеріальний тиск людини, вік, курця чи некурця тощо, і все це є важливими показниками здоров’я серця людини. . Серцево-судинні захворювання (ССЗ) є причиною смертності номер один у всьому світі, і більше людей помирає від ССЗ порівняно з будь-яким іншим захворюванням або станом. Це більш поширене в країнах з низьким і середнім рівнем доходів і є величезним тягарем для економіки та людства. Серцево-судинний ризик залежить від безлічі факторів, таких як гени, вік, етнічна приналежність, стать, у поєднанні з фізичними вправами та дієтою. Більшості серцево-судинних захворювань можна запобігти шляхом подолання поведінкових ризиків, таких як вживання тютюну, ожиріння, гіподинамія та нездорове харчування, шляхом істотних змін у способі життя для усунення можливих ризиків.
Діагностика здоров’я за допомогою зображень сітківки ока
Це дослідження, проведене дослідниками з Google і її власної компанії в галузі охорони здоров’я Verily Life Sciences, показало, що алгоритм штучного інтелекту був використаний на великому наборі даних фотографій сітківки ока близько 280,000 12000 пацієнтів, і цей алгоритм зміг успішно передбачити фактори ризику серця у двох повністю. незалежні набори даних близько 1000 і 70 пацієнтів з досить високою точністю. Алгоритм використовував всю фотографію сітківки для кількісної оцінки зв’язку між зображенням і ризиком серцевого нападу. Цей алгоритм міг передбачити серцево-судинні події в 71% випадків у пацієнта, і фактично в цьому тесті можна було розрізняти курців і некурців у XNUMX% випадків. Алгоритм також міг передбачити високий кров’яний тиск, що вказує на стан серця, і передбачити систолічний кров’яний тиск – тиск у судинах, коли серце б’ється, – у діапазоні більшості пацієнтів з високим кров’яним тиском або без нього. Точність цього прогнозу, за словами авторів, дуже схожа на перевірку серцево-судинної системи в лабораторії, коли у пацієнта береться кров для вимірювання рівня холестерину паралельно з анамнезом пацієнта. Алгоритм у цьому дослідженні, опублікованому в Природа Біомедична інженерія, може, швидше за все, також передбачити виникнення серйозної серцево-судинної події - наприклад, серцевого нападу.
Надзвичайно цікавим і важливим аспектом цих досліджень було те, що комп’ютер може визначити, куди він дивиться на зображенні, щоб поставити діагноз, що дозволяє нам зрозуміти процес прогнозування. Наприклад, дослідження Google точно показало, «які частини сітківки» сприяли алгоритму передбачення, іншими словами, як алгоритм робив прогноз. Це розуміння важливо не тільки для розуміння методу машинного навчання в цьому конкретному випадку, а й для створення впевненості та віри в всю цю методологію, роблячи її прозорою.
Виклики
Такі медичні зображення мають свої проблеми, тому що спостереження, а потім кількісна оцінка асоціацій на основі таких зображень не є простими, головним чином через декілька ознак, кольорів, значень, форм тощо на цих зображеннях. У цьому дослідженні використовується глибоке навчання, щоб виявити зв’язки, асоціації та зв’язки між змінами в анатомії людини (внутрішня морфологія тіла) і хворобою так само, як це робив би медичний працівник, коли він чи вона співвідносить симптоми у пацієнтів із захворюванням. . Ці алгоритми потребують додаткового тестування, перш ніж їх можна буде використовувати в клінічних умовах.
Незважаючи на дискусії та виклики, ШІ має величезний потенціал для революції в діагностиці та лікуванні захворювань, проводячи аналізи та класифікації з використанням величезної кількості даних, які є складними для експертів. Він забезпечує швидкі, економічно ефективні, неінвазивні альтернативні інструменти діагностики на основі зображень. Важливими факторами успіху систем ШІ були б більша обчислювальна потужність і більше досвіду людей. У імовірному майбутньому нові медичні ідеї та діагностика можуть бути досягнуті за допомогою ШІ без людського керівництва чи контролю.
***
{Ви можете прочитати оригінальну дослідницьку роботу, натиснувши посилання DOI, наведене нижче в списку цитованих джерел(ів)}
Джерела
1. Кермани Д.С. та ін. 2018. Визначення медичних діагнозів і виліковних захворювань шляхом глибокого навчання на основі зображень. клітинка. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Поплін Р. та ін. 2018. Прогнозування серцево-судинних факторів ризику за фотографіями очного дна сітківки за допомогою глибокого навчання. Природа біомедична інженерія. 2. https://doi.org/10.1038/s41551-018-0195-0
