Watson ei purenut lääkäriä ja erittäin hyvin

Vaikka innostus korvata lääkäreitä tekoälyllä, kuten monilla muillakin aloilla, on laantunut jonkin verran diagnostisten epäonnistumisten jälkeen, tekoälyyn perustuvan lääketieteen kehitystyö jatkuu edelleen. Koska ne kuitenkin tarjoavat edelleen suuria mahdollisuuksia ja mahdollisuuden tehostaa toimintaa monilla sen alueilla.

IBM julkistettiin vuonna 2015, ja vuonna 2016 se sai pääsyn neljän suuren potilastietoyrityksen tietoihin (1). Tunnetuin, lukuisten tiedotusvälineiden ansiosta, ja samalla kunnianhimoisin projekti, jossa hyödynnettiin IBM:n kehittynyttä tekoälyä, liittyi onkologiaan. Tiedemiehet ovat yrittäneet käyttää valtavia tietoresursseja käsitelläkseen niitä muuttaakseen niistä hyvin mukautuneita syövän vastaisia ​​hoitoja. Pitkän tähtäimen tavoite oli saada Watson erotuomariksi kliiniset tutkimukset ja tulokset kuten lääkäri tekisi.

1. Yksi Watson Healthin lääketieteellisen järjestelmän visualisoinneista

Se kuitenkin kävi ilmi Watson ei voi itsenäisesti viitata lääketieteelliseen kirjallisuuteen eikä myöskään poimia tietoja potilaiden sähköisistä potilaskertomuksista. Vakavin syytös häntä kohtaan oli kuitenkin se kyvyttömyys verrata uutta potilasta tehokkaasti muihin vanhempiin syöpäpotilaisiin ja havaita oireita, jotka ovat näkymättömiä ensi silmäyksellä.

Tosin jotkut onkologit väittivät luottavansa hänen arvioonsa, vaikkakin lähinnä Watsonin standardihoitoehdotusten tai ylimääräisenä lääketieteellisen lausunnon perusteella. Monet ovat huomauttaneet, että tämä järjestelmä on loistava automatisoitu kirjastonhoitaja lääkäreille.

IBM:n ei kovin mairittelevien arvostelujen seurauksena ongelmia Watson-järjestelmän myynnissä Yhdysvaltojen lääketieteellisissä laitoksissa. IBM:n myyntiedustajat onnistuivat myymään sen joillekin sairaaloille Intiassa, Etelä-Koreassa, Thaimaassa ja muissa maissa. Intiassa lääkärit () arvioivat Watsonin suosituksia 638 rintasyöpätapauksesta. Hoitosuositusten noudattamisaste on 73 %. Huonompi Watson keskeytti opinnot Gachon Medical Centerissä Etelä-Koreassa, jossa hänen parhaat suosituksensa 656 paksusuolensyöpäpotilaalle vastasivat asiantuntijoiden suosituksia vain 49 prosentissa ajasta. Lääkärit ovat arvioineet sen Watson ei pärjännyt hyvin vanhempien potilaiden kanssakoska se ei tarjonnut heille tiettyjä vakiolääkkeitä, ja teki kriittisen virheen ryhtyessään aggressiiviseen hoidon seurantaan joidenkin potilaiden osalta, joilla on metastaattinen sairaus.

Loppujen lopuksi, vaikka hänen työtään diagnostisena ja lääkärinä pidetään epäonnistuneena, on aloja, joilla hän on osoittautunut erittäin hyödylliseksi. Tuote Watson Genomicsille, joka on kehitetty yhteistyössä Pohjois-Carolinan yliopiston, Yalen yliopiston ja muiden instituutioiden kanssa geneettiset laboratoriot raporttien laatimiseksi onkologeille. Watson latausluettelotiedosto geneettisiä mutaatioita potilaassa ja voi luoda muutamassa minuutissa raportin, joka sisältää ehdotuksia kaikista tärkeistä lääkkeistä ja kliinisistä tutkimuksista. Watson käsittelee geneettistä tietoa suhteellisen helpostikoska ne esitetään strukturoiduissa tiedostoissa eivätkä sisällä epäselvyyksiä - joko on mutaatio tai mutaatiota ei ole.

IBM-kumppanit North Carolinan yliopistosta julkaisivat tehokkuutta käsittelevän paperin vuonna 2017. Watson löysi 32 prosentista heistä mahdollisesti tärkeitä mutaatioita, joita ei ollut tunnistettu ihmistutkimuksissa. potilaita tutkittiin, mikä teki heistä hyviä ehdokkaita uudelle lääkkeelle. Ei kuitenkaan ole vielä todisteita siitä, että käyttö johtaisi parempiin hoitotuloksiin.

Proteiinien kesyttäminen

Tämä ja monet muut esimerkit lisäävät uskoa siihen, että kaikkiin terveydenhuollon puutteisiin puututaan, mutta meidän on etsittävä alueita, joilla tämä voi todella auttaa, koska ihmiset eivät voi siellä kovin hyvin. Tällainen ala on esim. proteiinitutkimus. Viime vuonna ilmestyi tietoa, että se voisi ennustaa tarkasti proteiinien muodon niiden sekvenssin perusteella (2). Tämä on perinteinen tehtävä, ei vain ihmisten, vaan jopa tehokkaiden tietokoneiden voiman ulkopuolella. Jos hallitsemme proteiinimolekyylien kiertymisen tarkan mallintamisen, geeniterapialle avautuu valtavat mahdollisuudet. Tiedemiehet toivovat, että AlphaFoldin avulla tutkimme tuhansien toimintoja, ja tämä puolestaan ​​​​auttaa meitä ymmärtämään monien sairauksien syitä.

Kuva 2. DeepMindin AlphaFoldilla mallinnettu proteiinin kiertäminen.

Nyt tiedämme kaksisataa miljoonaa proteiinia, mutta ymmärrämme täysin niiden pienen osan rakenteen ja toiminnan. Proteiinit se on elävien organismien perusrakennusaine. Ne ovat vastuussa useimmista soluissa tapahtuvista prosesseista. Niiden toimintatapa ja toiminta riippuu niiden 50D-rakenteesta. Ne ottavat sopivan muodon ilman ohjeita fysiikan lakien ohjaamana. Vuosikymmenten ajan kokeelliset menetelmät ovat olleet pääasiallinen menetelmä proteiinien muodon määrittämisessä. XNUMX-luvulla käyttö Röntgenkristallografiset menetelmät. Viime vuosikymmenen aikana siitä on tullut suosituin tutkimusväline. kristallimikroskooppi. 80- ja 90-luvuilla alettiin käyttää tietokoneita proteiinien muodon määrittämiseen. Tulokset eivät kuitenkaan vieläkään tyydyttäneet tutkijoita. Menetelmät, jotka toimivat joillekin proteiineille, eivät toimineet toisille.

Jo vuonna 2018 AlphaFold sai tunnustusta asiantuntijoilta vuonna proteiinien mallinnus. Kuitenkin tuolloin se käytti menetelmiä, jotka olivat hyvin samanlaisia ​​kuin muut ohjelmat. Tiedemiehet muuttivat taktiikkaa ja loivat toisen, jossa käytettiin myös tietoa proteiinimolekyylien laskostumisen fysikaalisista ja geometrisista rajoituksista. AlphaFold antoi epätasaisia ​​tuloksia. Joskus hän onnistui paremmin, joskus huonommin. Mutta lähes kaksi kolmasosaa hänen ennusteistaan ​​osui kokeellisilla menetelmillä saatuihin tuloksiin. Algoritmi kuvasi vuoden 2 alussa useiden SARS-CoV-3-viruksen proteiinien rakenteen. Myöhemmin havaittiin, että Orf2020a-proteiinin ennusteet ovat yhdenmukaisia ​​kokeellisesti saatujen tulosten kanssa.

Kyse ei ole vain proteiinien laskostamisen sisäisten tapojen tutkimisesta, vaan myös suunnittelusta. NIH BRAIN -aloitteen tutkijat käyttivät koneoppimista kehittää proteiinia, joka voi seurata aivojen serotoniinitasoja reaaliajassa. Serotoniini on neurokemiallinen aine, jolla on keskeinen rooli siinä, kuinka aivot hallitsevat ajatuksiamme ja tunteitamme. Esimerkiksi monet masennuslääkkeet on suunniteltu muuttamaan serotoniinisignaaleja, jotka välittyvät hermosolujen välillä. Cell-lehdessä julkaistussa artikkelissa tutkijat kuvailivat, kuinka he käyttävät edistyneitä geenitekniikan menetelmiä muuttaa bakteeriproteiinista uudeksi tutkimustyökaluksi, joka voisi auttaa seuraamaan serotoniinin siirtymistä nykyistä paremmin. Prekliiniset kokeet, enimmäkseen hiirillä, ovat osoittaneet, että anturi voi välittömästi havaita hienovaraiset muutokset aivojen serotoniinitasoissa unen, pelon ja sosiaalisen vuorovaikutuksen aikana ja testata uusien psykoaktiivisten lääkkeiden tehokkuutta.

Taistelu pandemiaa vastaan ​​ei ole aina onnistunut

Loppujen lopuksi tämä oli ensimmäinen epidemia, josta kirjoitimme MT:ssä. Kuitenkin, jos puhumme esimerkiksi pandemian kehitysprosessista, niin alkuvaiheessa tekoäly näytti olevan epäonnistunut. Tutkijat ovat valittaneet siitä Tekoäly ei voi oikein ennustaa koronaviruksen leviämisen laajuutta aikaisempien epidemioiden tietojen perusteella. ”Nämä ratkaisut toimivat hyvin joillakin alueilla, kuten sellaisten kasvojen tunnistamisessa, joissa on tietty määrä silmiä ja korvia. SARS-CoV-2-epidemia Nämä ovat aiemmin tuntemattomia tapahtumia ja monia uusia muuttujia, joten sen harjoittamiseen käytetty historiatietoihin perustuva tekoäly ei toimi hyvin. Pandemia on osoittanut, että meidän on etsittävä muita teknologioita ja lähestymistapoja”, Skoltechin Maxim Fedorov sanoi lausunnossaan huhtikuussa 2020 Venäjän tiedotusvälineille.

Ajan myötä niitä oli kuitenkin algoritmeja, jotka näyttävät osoittavan tekoälyn suuren hyödyn taistelussa COVID-19:ää vastaan. Yhdysvaltalaiset tutkijat kehittivät syksyllä 2020 järjestelmän, jolla tunnistetaan COVID-19-potilaiden tyypilliset yskät, vaikka heillä ei olisi muita oireita.

Kun rokotteet ilmestyivät, syntyi ajatus auttaa väestön rokottamisessa. Hän voisi esim auttaa mallintamaan rokotteiden kuljetusta ja logistiikkaa. Myös sen määrittämisessä, mitkä populaatiot tulisi rokottaa ensin, jotta pandemiaa voidaan käsitellä nopeammin. Se auttaisi myös ennakoimaan kysyntää ja optimoimaan rokotusten ajoituksen ja nopeuden tunnistamalla nopeasti logistiikan ongelmat ja pullonkaulat. Algoritmien yhdistäminen jatkuvaan seurantaan voi myös antaa nopeasti tietoa mahdollisista sivuvaikutuksista ja terveystapahtumista.

nämä tekoälyä käyttävät järjestelmät terveydenhuollon optimoinnissa ja parantamisessa ovat jo tiedossa. Niiden käytännön etuja arvostettiin; esimerkiksi terveydenhuoltojärjestelmä, jonka Macro-Eyes on kehittänyt Stanfordin yliopistossa Yhdysvalloissa. Kuten monissa muissakin hoitolaitoksissa, ongelmana oli potilaiden puute, jotka eivät saapuneet vastaanotolle. Makro silmät rakensi järjestelmän, joka pystyi luotettavasti ennustamaan, mitkä potilaat eivät todennäköisesti ole paikalla. Joissakin tilanteissa hän voisi myös ehdottaa klinikoille vaihtoehtoisia aikoja ja paikkoja, mikä lisäisi potilaan saapumismahdollisuuksia. Myöhemmin samanlaista tekniikkaa sovellettiin eri paikoissa Arkansasista Nigeriaan, erityisesti Yhdysvaltain kansainvälisen kehitysviraston tuella.

Tansaniassa Macro-Eyes työskenteli projektin parissa, jonka tavoitteena oli lasten rokotusasteen lisääminen. Ohjelmisto analysoi, kuinka monta rokoteannosta haluttiin lähettää tiettyyn rokotuskeskukseen. Hän pystyi myös arvioimaan, mitkä perheet saattavat olla haluttomia rokottamaan lapsiaan, mutta heidät voitiin vakuuttaa asianmukaisin perustein ja rokotuskeskuksen sijainnilla sopivalla paikalla. Tämän ohjelmiston avulla Tansanian hallitus on pystynyt lisäämään rokotusohjelmansa tehokkuutta 96%. ja vähentää rokotejätettä 2,42:een 100 ihmistä kohti.

Sierra Leonessa, jossa asukkaiden terveystiedot puuttuivat, yritys yritti yhdistää tämän koulutustietoihin. Kävi ilmi, että opettajien ja heidän oppilaidensa määrä yksin riitti ennustamaan 70 prosenttia. tarkkuus siitä, onko paikallisella klinikalla puhdasta vettä, mikä on jo jalanjälki siellä asuvien ihmisten terveydestä (3).

3. Macro-Eyes -kuva tekoälypohjaisista terveydenhuoltoohjelmista Afrikassa.

Myytti konelääkäristä ei katoa

Epäonnistuksista huolimatta Watson uusia diagnostisia lähestymistapoja kehitetään edelleen, ja niitä pidetään yhä edistyneempinä. Vertailu tehty Ruotsissa syyskuussa 2020. käytetään rintasyövän kuvantamisdiagnostiikassa osoitti, että paras niistä toimii samalla tavalla kuin radiologi. Algoritmeja on testattu rutiiniseulonnan aikana saaduilla lähes yhdeksällä tuhannella mammografiakuvalla. Kolme järjestelmää, nimetty AI-1, AI-2 ja AI-3, saavutti 81,9 %:n, 67 %:n tarkkuuden. ja 67,4 %. Vertailun vuoksi radiologien, jotka tulkitsevat nämä kuvat ensimmäisiksi, luku oli 77,4 %, ja radiologitjoka kuvaili sitä toisena, se oli 80,1 prosenttia. Parhaat algoritmit pystyivät myös havaitsemaan tapaukset, jotka radiologit jäivät huomiotta seulonnassa, ja naiset todettiin sairaiksi alle vuodessa.

Tutkijoiden mukaan nämä tulokset todistavat sen tekoälyalgoritmit auttaa korjaamaan radiologien tekemiä vääriä negatiivisia diagnooseja. AI-1:n kykyjen yhdistäminen keskivertoradiologin kanssa lisäsi todettujen rintasyöpien määrää 8 %. Tätä tutkimusta suorittava Royal Instituten tiimi odottaa tekoälyalgoritmien laadun jatkuvan kasvavan. Kokeen täydellinen kuvaus julkaistiin JAMA Oncologyssa.

W viiden pisteen asteikolla. Tällä hetkellä olemme todistamassa merkittävää teknologian kiihtymistä ja IV-tason saavuttamista (korkea automaatio), jolloin järjestelmä itsenäisesti käsittelee vastaanotetut tiedot automaattisesti ja toimittaa asiantuntijalle esianalyyseissään. Tämä säästää aikaa, välttää inhimilliset virheet ja tehostaa potilaiden hoitoa. Näin hän arvioi muutama kuukausi sitten Stan A.I. häntä lähellä olevalla lääketieteen alalla prof. Janusz Braziewicz Puolan ydinlääketieteen seuralta Puolan lehdistövirastolle antamassaan lausunnossa.

4. Lääketieteellisten kuvien koneellinen katselu

Algoritmit asiantuntijoiden, kuten prof. Brazievichjopa välttämätön tällä alalla. Syynä on diagnostisten kuvantamistutkimusten määrän nopea kasvu. Vain kaudelle 2000-2010. MRI-tutkimusten ja -tutkimusten määrä on kymmenkertaistunut. Valitettavasti saatavilla olevien erikoislääkäreiden määrä, jotka voisivat suorittaa ne nopeasti ja luotettavasti, ei ole lisääntynyt. Myös pätevistä teknikoista on pulaa. Tekoälypohjaisten algoritmien käyttöönotto säästää aikaa ja mahdollistaa toimenpiteiden täydellisen standardoinnin, sekä vältytään inhimillisiltä virheiltä ja tehokkaammista, yksilöllisemmistä potilaiden hoidoista.

Kuten kävi ilmi, myös Oikeuslääketiede voi hyötyä tekoälyn kehittämiseen. Tämän alan asiantuntijat voivat määrittää vainajan tarkan kuolinajan matojen ja muiden kuolleista kudoksista ruokkivien olentojen eritteiden kemiallisen analyysin avulla. Ongelma syntyy, kun erityyppisten nekrofagien eritteiden seoksia otetaan mukaan analyysiin. Tässä koneoppiminen tulee peliin. Albanyn yliopiston tutkijat ovat kehittäneet tekoälymenetelmä, joka mahdollistaa matolajien nopeamman tunnistamisen "kemiallisten sormenjälkiensä" perusteella. Ryhmä koulutti tietokoneohjelmansa käyttämällä kuuden kärpäslajin kemiallisten eritteiden eri yhdistelmiä. Hän selvitti hyönteisten toukkien kemialliset allekirjoitukset massaspektrometrialla, joka tunnistaa kemikaalit mittaamalla tarkasti ionin massan ja sähkövarauksen suhteen.

Joten, kuten näette kuitenkin AI tutkivana etsivänä ei kovin hyvä, se voi olla erittäin hyödyllinen oikeuslääketieteellisessä laboratoriossa. Ehkä odotimme häneltä liikaa tässä vaiheessa, ennakoiden algoritmeja, jotka saisivat lääkärit työttömäksi (5). Kun katsomme Tekoäly realistisemmin, keskittyen tiettyihin käytännön etuihin yleisen sijasta, hänen uransa lääketieteen alalla näyttää jälleen erittäin lupaavalta.

5. Visio lääkärin autosta