Watson doktora nekousl a velmi dobře

Přestože, stejně jako v mnoha jiných oborech, nadšení nahradit lékaře umělou inteligencí po řadě diagnostických neúspěchů poněkud opadlo, práce na vývoji medicíny založené na umělé inteligenci stále pokračují. Protože přesto stále nabízejí velké možnosti a šanci zefektivnit provoz v mnoha jejích oblastech.

IBM byla oznámena v roce 2015 a v roce 2016 získala přístup k datům od čtyř velkých společností zabývajících se daty pacientů (1). Nejznámější, díky četným zprávám v médiích, a zároveň nejambicióznější projekt využívající pokročilou umělou inteligenci od IBM se týkal onkologie. Vědci se pokusili využít obrovské zdroje dat k jejich zpracování, aby je přeměnili na dobře přizpůsobené protirakovinné terapie. Dlouhodobým cílem bylo dostat Watsona k rozhodčímu klinické testy a výsledky jako lékař.

1. Jedna z vizualizací lékařského systému Watson Health

Ukázalo se však, že Watson nemůže samostatně odkazovat na lékařskou literaturu a také nemůže získávat informace z elektronických lékařských záznamů pacientů. Nejzávažnější obvinění proti němu však bylo to neschopnost efektivně porovnat nového pacienta s jinými staršími pacienty s rakovinou a odhalit příznaky, které jsou na první pohled neviditelné.

Bylo pravda, že někteří onkologové tvrdili, že mají důvěru v jeho úsudek, i když většinou ve smyslu Watsonových návrhů na standardní léčbu nebo jako dodatečného, ​​dodatečného lékařského posudku. Mnozí poukazovali na to, že tento systém bude pro lékaře skvělým automatizovaným knihovníkem.

V důsledku nepříliš lichotivých recenzí od IBM problémy s prodejem systému Watson v amerických lékařských ústavech. Obchodním zástupcům IBM se jej podařilo prodat do některých nemocnic v Indii, Jižní Koreji, Thajsku a dalších zemích. V Indii lékaři () vyhodnotili Watsonova doporučení pro 638 případů rakoviny prsu. Míra souladu s doporučeními léčby je 73 %. Horší Watson vypadl v Gachon Medical Center v Jižní Koreji, kde jeho nejlepší doporučení pro 656 pacientů s kolorektálním karcinomem odpovídala doporučením odborníků pouze ve 49 procentech případů. Zhodnotili to lékaři Watsonovi se nedařilo u starších pacientůtím, že jim nenabízeli určité standardní léky, a udělali zásadní chybu, když u některých pacientů s metastatickým onemocněním provedli agresivní dohled nad léčbou.

Přestože je jeho práce diagnostika a lékaře považována za neúspěšnou, existují oblasti, ve kterých se ukázal jako mimořádně užitečný. Produkt Watson pro genomiku, který byl vyvinut ve spolupráci s University of North Carolina, Yale University a dalšími institucemi genetické laboratoře pro přípravu zpráv pro onkology. Watson stahuje soubor seznamu genetické mutace u pacienta a může během několika minut vygenerovat zprávu, která obsahuje návrhy pro všechny důležité léky a klinické studie. Watson zvládá genetickou informaci relativně snadnoprotože jsou prezentovány ve strukturovaných souborech a neobsahují nejednoznačnosti – buď je tam mutace, nebo není žádná mutace.

Partneři IBM na University of North Carolina publikovali v roce 2017 dokument o efektivitě. Watson našel potenciálně důležité mutace, které nebyly identifikovány studiemi na lidech u 32 % z nich. pacienti studovali, což z nich udělalo dobré kandidáty na nový lék. Stále však neexistuje důkaz, že užívání vede k lepším výsledkům léčby.

Domestikace proteinů

Tento a mnoho dalších příkladů přispívá k rostoucímu přesvědčení, že všechny nedostatky ve zdravotnictví se řeší, ale je třeba hledat oblasti, kde to může skutečně pomoci, protože se tam lidem příliš nedaří. Takovým oborem je např. výzkum bílkovin. Minulý rok se objevily informace, že dokáže přesně předpovědět tvar proteinů na základě jejich sekvence (2). To je tradiční úkol, nad síly nejen lidí, ale i výkonných počítačů. Pokud zvládneme přesné modelování kroucení proteinových molekul, objeví se obrovské možnosti pro genovou terapii. Vědci doufají, že s pomocí AlphaFold budeme studovat funkce tisíců, a to nám zase umožní pochopit příčiny mnoha nemocí.

Obrázek 2. Proteinové kroucení modelované pomocí AlphaFold od DeepMind.

Nyní známe dvě stě milionů bílkovin, ale plně rozumíme struktuře a funkci malé části z nich. Proteiny je základním stavebním kamenem živých organismů. Jsou zodpovědné za většinu procesů probíhajících v buňkách. To, jak fungují a co dělají, je určeno jejich 50D strukturou. Mají patřičnou formu bez jakýchkoli pokynů, řídí se fyzikálními zákony. Experimentální metody byly po desetiletí hlavní metodou určování tvaru proteinů. V XNUMX. letech používání Rentgenové krystalografické metody. V posledním desetiletí se stal preferovaným výzkumným nástrojem. krystalová mikroskopie. V 80. a 90. letech se začalo pracovat na použití počítačů k určení tvaru bílkovin. Výsledky však vědce stále neuspokojily. Metody, které fungovaly pro některé proteiny, nefungovaly pro jiné.

Již v roce 2018 AlphaFold dostalo uznání od odborníků v proteinové modelování. V té době však používal metody velmi podobné jiným programům. Vědci změnili taktiku a vytvořili jinou, která také využívala informace o fyzických a geometrických omezeních při skládání proteinových molekul. AlphaFold dávaly nerovnoměrné výsledky. Někdy mu to šlo lépe, někdy hůř. Ale téměř dvě třetiny jeho předpovědí se shodovaly s výsledky získanými experimentálními metodami. Na začátku roku 2 algoritmus popsal strukturu několika proteinů viru SARS-CoV-3. Později bylo zjištěno, že předpovědi pro protein Orf2020a jsou v souladu s výsledky získanými experimentálně.

Nejde jen o studium vnitřních způsobů skládání proteinů, ale také o design. Využili výzkumníci z iniciativy NIH BRAIN strojové učení vyvinout protein, který dokáže sledovat hladiny serotoninu v mozku v reálném čase. Serotonin je neurochemická látka, která hraje klíčovou roli v tom, jak mozek řídí naše myšlenky a pocity. Například mnoho antidepresiv je navrženo tak, aby změnilo signály serotoninu, které se přenášejí mezi neurony. V článku v časopise Cell vědci popsali, jak používají pokročilé metody genetického inženýrství přeměnit bakteriální protein na nový výzkumný nástroj, který by mohl pomoci sledovat přenos serotoninu s větší přesností než současné metody. Preklinické experimenty, většinou na myších, ukázaly, že senzor dokáže okamžitě detekovat jemné změny hladiny serotoninu v mozku během spánku, strachu a sociálních interakcí a testovat účinnost nových psychoaktivních léků.

Boj s pandemií nebyl vždy úspěšný

Ostatně to byla první epidemie, o které jsme v MT psali. Pokud však například mluvíme o samotném procesu vývoje pandemie, pak se v počáteční fázi zdálo, že AI je něco jako selhání. Vědci si na to stěžovali Umělá inteligence neumí správně předvídat rozsah šíření koronaviru na základě dat z předchozích epidemií. „Tato řešení fungují dobře v některých oblastech, jako je rozpoznávání tváří, které mají určitý počet očí a uší. Epidemie SARS-CoV-2 Jedná se o dříve neznámé události a mnoho nových proměnných, takže umělá inteligence založená na historických datech, která byla použita k jejímu trénování, nefunguje dobře. Pandemie ukázala, že musíme hledat jiné technologie a přístupy,“ uvedl Maxim Fedorov ze Skoltechu v dubnu 2020 v prohlášení pro ruská média.

Postupem času tam byly nicméně algoritmy, které, jak se zdá, dokazují velkou užitečnost AI v boji proti COVID-19. Vědci v USA vyvinuli na podzim roku 2020 systém, který rozpoznává charakteristické vzorce kašle u lidí s COVID-19, i když neměli žádné jiné příznaky.

Když se objevily vakcíny, zrodil se nápad pomoci očkovat populaci. Mohla by např pomáhá modelovat přepravu a logistiku vakcín. Také při určování, které populace by měly být očkovány jako první, aby se rychleji vypořádaly s pandemií. Pomohlo by to také předpovídat poptávku a optimalizovat načasování a rychlost očkování rychlou identifikací problémů a úzkých míst v logistice. Kombinace algoritmů s neustálým monitorováním může také rychle poskytnout informace o možných vedlejších účincích a zdravotních událostech.

tyto systémy využívající AI v optimalizaci a zlepšování zdravotní péče jsou již známy. Byly oceněny jejich praktické výhody; například systém zdravotní péče vyvinutý společností Macro-Eyes na Stanfordské univerzitě v USA. Stejně jako v mnoha jiných zdravotnických zařízeních byl problémem nedostatek pacientů, kteří se nedostavili na schůzky. Makro oči vybudovali systém, který dokázal spolehlivě předpovědět, kteří pacienti tam pravděpodobně nebudou. V některých situacích by také mohl navrhnout alternativní časy a umístění klinik, což by zvýšilo šance, že se pacient objeví. Později byla podobná technologie aplikována na různých místech od Arkansasu po Nigérii s podporou, zejména americké agentury pro mezinárodní rozvoj i.

V Tanzanii Macro-Eyes pracoval na projektu zaměřeném na zvýšení proočkovanosti dětí. Software analyzoval, kolik dávek vakcín je třeba poslat do daného očkovacího centra. Dokázal také posoudit, které rodiny by se mohly zdráhat své děti očkovat, ale daly se přesvědčit vhodnými argumenty a umístěním očkovacího centra na vhodném místě. Pomocí tohoto softwaru se tanzanské vládě podařilo zvýšit účinnost svého imunizačního programu o 96 %. a snížit plýtvání vakcínami na 2,42 na 100 lidí.

V Sierra Leone, kde údaje o zdravotním stavu obyvatel chyběly, se společnost snažila spojit to s informacemi o vzdělání. Ukázalo se, že samotný počet učitelů a jejich studentů stačil k predikci 70 procent. přesnost toho, zda má místní zdravotní středisko přístup k čisté vodě, což je již stopa údajů o zdraví tamních lidí (3).

3. Macro-Eyes ilustrace programů zdravotní péče řízených umělou inteligencí v Africe.

Mýtus o strojovém lékaři nemizí

Navzdory neúspěchům Watson stále se vyvíjejí nové diagnostické přístupy, které jsou považovány za stále pokročilejší. Srovnání provedeno ve Švédsku v září 2020. používá se v zobrazovací diagnostice rakoviny prsu ukázal, že nejlepší z nich pracuje stejným způsobem jako radiolog. Algoritmy byly testovány pomocí téměř devíti tisíc mamografických snímků získaných během rutinního screeningu. Tři systémy označené jako AI-1, AI-2 a AI-3 dosáhly přesnosti 81,9 %, 67 %. a 67,4 %. Pro srovnání, u radiologů, kteří tyto snímky interpretují jako první, bylo toto číslo 77,4 % a v případě radiologovékdo to popsal jako druhý, bylo to 80,1 procenta. Nejlepší z algoritmů také dokázal odhalit případy, které radiologové při screeningu přehlédli, a ženy byly diagnostikovány jako nemocné za méně než rok.

Tyto výsledky to podle vědců dokazují algoritmy umělé inteligence pomáhají opravit falešně negativní diagnózy provedené radiology. Spojení schopností AI-1 s průměrným radiologem zvýšilo počet detekovaných karcinomů prsu o 8 %. Tým z Královského institutu provádějící tuto studii očekává, že kvalita algoritmů umělé inteligence bude nadále růst. Úplný popis experimentu byl publikován v JAMA Oncology.

W na pětibodové škále. V současné době jsme svědky výrazného technologického zrychlení a dosažení IV úrovně (vysoká automatizace), kdy systém samostatně automaticky zpracovává přijatá data a poskytuje specialistovi předem analyzované informace. To šetří čas, zabraňuje lidské chybě a poskytuje efektivnější péči o pacienty. Tak soudil před pár měsíci Stan A.I. v jemu blízkém lékařství prof. Janusz Braziewicz z Polské společnosti pro nukleární medicínu v prohlášení Polské tiskové agentuře.

4. Strojové prohlížení lékařských snímků

Algoritmy podle odborníků jako prof. Brazievičdokonce nepostradatelné v tomto odvětví. Důvodem je rychlý nárůst počtu diagnostických zobrazovacích testů. Pouze pro období 2000-2010. počet MRI vyšetření a vyšetření vzrostl desetinásobně. Bohužel se nezvýšil počet dostupných odborných lékařů, kteří je dokázali rychle a spolehlivě provést. Nedostatek je také kvalifikovaných techniků. Implementace algoritmů založených na AI šetří čas a umožňuje plnou standardizaci postupů, stejně jako zamezení lidských chyb a účinnější personalizovanou léčbu pro pacienty.

Jak se ukázalo, také forenzní medicína může těžit z vývoj umělé inteligence. Specialisté v tomto oboru dokážou určit přesný čas smrti zemřelého pomocí chemického rozboru sekretů červů a dalších tvorů, kteří se živí mrtvými tkáněmi. Problém nastává, když jsou do analýzy zahrnuty směsi sekretů z různých typů nekrofágů. Zde vstupuje do hry strojové učení. Vědci z University of Albany vyvinuli metoda umělé inteligence, která umožňuje rychlejší identifikaci druhů červů na základě jejich „chemických otisků prstů“. Tým trénoval svůj počítačový program pomocí směsí různých kombinací chemických sekretů šesti druhů much. Rozluštil chemické podpisy larev hmyzu pomocí hmotnostní spektrometrie, která identifikuje chemikálie přesným měřením poměru hmotnosti k elektrickému náboji iontu.

Takže, jak vidíte, nicméně AI jako investigativní detektiv není moc dobrý, může být velmi užitečný ve forenzní laboratoři. Možná jsme od ní v této fázi očekávali příliš mnoho a očekávali jsme algoritmy, které by lékaře připravily o práci (5). Když se podíváme na Umělá inteligence realističtěji, se zaměřením na konkrétní praktické přínosy spíše než na obecné, její kariéra v medicíně vypadá opět velmi slibně.

5. Vize doktorova auta