Уотсън не ухапа доктора и то много добре

Въпреки че, както в много други области, ентусиазмът да се заменят лекарите с AI е намалял донякъде след поредица от диагностични неуспехи, работата по разработването на базирана на AI медицина все още продължава. Защото въпреки това те все още предлагат големи възможности и шанс за подобряване на ефективността на операциите в много от неговите области.

IBM беше обявена през 2015 г., а през 2016 г. получи достъп до данни от четири големи компании за данни за пациенти (1). Най-известният, благодарение на многобройни медийни съобщения, и в същото време най-амбициозният проект, използващ усъвършенстван изкуствен интелект от IBM, беше свързан с онкологията. Учените са се опитали да използват огромните ресурси от данни, за да ги обработват, за да ги превърнат в добре адаптирани противоракови терапии. Дългосрочната цел беше да накара Уотсън да съдия клинични изпитвания и резултати като лекар.

1. Една от визуализациите на медицинската система Watson Health

Оказа се обаче, че уотсън не може самостоятелно да се позовава на медицинска литература, както и не може да извлича информация от електронни медицински досиета на пациенти. Най-сериозното обвинение към него обаче беше това неуспех при ефективно сравняване на нов пациент с други по-възрастни пациенти с рак и откриване на симптоми, които са невидими на пръв поглед.

Разбира се, имаше някои онколози, които твърдяха, че имат доверие в неговата преценка, макар и най-вече по отношение на предложенията на Уотсън за стандартно лечение или като допълнително, допълнително медицинско мнение. Мнозина изтъкват, че тази система ще бъде страхотен автоматизиран библиотекар за лекарите.

В резултат на не особено ласкави отзиви от IBM проблеми с продажбата на системата Watson в американските медицински заведения. Търговските представители на IBM успяха да го продадат на някои болници в Индия, Южна Корея, Тайланд и други страни. В Индия лекарите () оцениха препоръките на Уотсън за 638 случая на рак на гърдата. Степента на спазване на препоръките за лечение е 73%. по-лошо уотсън отпадна в Медицински център Гачон в Южна Корея, където най-добрите му препоръки за 656 пациенти с колоректален рак съвпадаха с препоръките на експертите само в 49 процента от случаите. Това са преценили лекарите Уотсън не се справяше добре с по-възрастните пациентикато не успяха да им предложат определени стандартни лекарства и направиха критичната грешка да предприемат агресивно наблюдение на лечението на някои пациенти с метастатично заболяване.

В крайна сметка, въпреки че работата му като диагностик и лекар се счита за неуспешна, има области, в които той се оказа изключително полезен. Продукт Уотсън за геномика, който е разработен в сътрудничество с Университета на Северна Каролина, Йейлския университет и други институции, се използва генетични лаборатории за изготвяне на доклади за онколози. Watson изтегляния файл със списък генетични мутации при пациент и може да генерира доклад за минути, който включва предложения за всички важни лекарства и клинични изпитвания. Уотсън се справя с генетичната информация с относителна лекотазащото са представени в структурирани файлове и не съдържат неясноти - или има мутация, или няма мутация.

Партньорите на IBM от Университета на Северна Каролина публикуваха документ за ефективността през 2017 г. Уотсън открива потенциално важни мутации, които не са били идентифицирани от проучвания при хора в 32% от тях. изследвани пациенти, което ги прави добри кандидати за новото лекарство. Въпреки това, все още няма доказателства, че употребата води до по-добри резултати от лечението.

Опитомяване на протеини

Този и много други примери допринасят за нарастващото убеждение, че всички недостатъци в здравеопазването се отстраняват, но трябва да търсим области, в които това наистина може да помогне, защото хората не се справят много добре там. Такова поле е напр. изследване на протеини. Миналата година се появи информация, че може точно да предскаже формата на протеините въз основа на тяхната последователност (2). Това е традиционна задача, която не е по силите не само на хората, но дори и на мощните компютри. Ако овладеем точното моделиране на усукването на протеиновите молекули, ще има огромни възможности за генна терапия. Учените се надяват, че с помощта на AlphaFold ще проучим функциите на хиляди, а това от своя страна ще ни позволи да разберем причините за много заболявания.

Фигура 2. Усукване на протеин, моделирано с AlphaFold на DeepMind.

Сега познаваме двеста милиона протеини, но ние напълно разбираме структурата и функцията на малка част от тях. Протеини той е основният градивен елемент на живите организми. Те са отговорни за повечето процеси, протичащи в клетките. Как работят и какво правят се определя от тяхната 50D структура. Те приемат съответната форма без никакви инструкции, ръководени от законите на физиката. В продължение на десетилетия експерименталните методи са основният метод за определяне на формата на протеините. През XNUMX-те години употребата Рентгенови кристалографски методи. През последното десетилетие той се превърна в предпочитан инструмент за изследване. кристална микроскопия. През 80-те и 90-те години започва работата по използването на компютри за определяне на формата на протеините. Резултатите обаче все още не задоволяват учените. Методите, които работят за някои протеини, не работят за други.

Още през 2018г AlphaFold получи признание от експерти в протеиново моделиране. Въпреки това, по това време той използва методи, много подобни на други програми. Учените промениха тактиката и създадоха друга, която също използва информация за физическите и геометричните ограничения при сгъването на протеиновите молекули. AlphaFold даде неравномерни резултати. Понякога се справяше по-добре, понякога по-зле. Но почти две трети от неговите прогнози съвпаднаха с резултатите, получени чрез експериментални методи. В началото на година 2 алгоритъмът описва структурата на няколко протеина на вируса SARS-CoV-3. По-късно беше установено, че прогнозите за протеина Orf2020a са в съответствие с резултатите, получени експериментално.

Става дума не само за изучаване на вътрешните начини за сгъване на протеини, но и за дизайн. Използвани са изследователи от инициативата NIH BRAIN машинно обучение разработва протеин, който може да проследява нивата на серотонин в мозъка в реално време. Серотонинът е неврохимикал, който играе ключова роля в това как мозъкът контролира нашите мисли и чувства. Например, много антидепресанти са предназначени да променят серотониновите сигнали, които се предават между невроните. В статия в списание Cell учените описват как използват Advanced методи на генно инженерство превърнете бактериален протеин в нов инструмент за изследване, който може да помогне за проследяване на предаването на серотонин с по-голяма точност от настоящите методи. Предклиничните експерименти, предимно с мишки, показват, че сензорът може незабавно да открие фини промени в нивата на мозъчния серотонин по време на сън, страх и социални взаимодействия и да тества ефективността на новите психоактивни лекарства.

Борбата с пандемията не винаги е била успешна

Все пак това беше първата епидемия, за която писахме в МТ. Въпреки това, например, ако говорим за самия процес на развитие на пандемията, тогава в началния етап AI изглеждаше нещо като провал. Учените се оплакват от това Изкуствен интелект не може правилно да предвиди степента на разпространение на коронавирус въз основа на данни от предишни епидемии. „Тези решения работят добре в някои области, като например разпознаване на лица, които имат определен брой очи и уши. Епидемия от SARS-CoV-2 Това са неизвестни досега събития и много нови променливи, така че изкуственият интелект, базиран на историческите данни, които са били използвани за обучението му, не работи добре. Пандемията показа, че трябва да търсим други технологии и подходи“, каза Максим Федоров от Сколтех в изявление от април 2020 г. до руските медии.

С течение на времето имаше обаче алгоритми, които изглежда доказват голямата полезност на AI в борбата срещу COVID-19. Учени в САЩ разработиха система през есента на 2020 г. за разпознаване на характерни модели на кашлица при хора с COVID-19, дори и да нямат други симптоми.

Когато се появиха ваксините, се роди идеята да се помогне за ваксинирането на населението. Тя би могла например помагат при моделирането на транспорта и логистиката на ваксините. Също така при определяне кои популации трябва да бъдат ваксинирани първо, за да се справят по-бързо с пандемията. Това също така би помогнало за прогнозиране на търсенето и за оптимизиране на времето и скоростта на ваксинацията чрез бързо идентифициране на проблеми и тесни места в логистиката. Комбинацията от алгоритми с непрекъснато наблюдение също може бързо да предостави информация за възможни странични ефекти и здравни събития.

тези системи, използващи AI в оптимизирането и подобряването на здравеопазването вече са известни. Техните практически предимства бяха оценени; например системата за здравеопазване, разработена от Macro-Eyes в Станфордския университет в САЩ. Както и в много други лечебни заведения, проблемът беше в липсата на пациенти, които не се явиха на час. Макро очи изгради система, която може надеждно да предскаже кои пациенти е малко вероятно да бъдат там. В някои ситуации той би могъл също да предложи алтернативни часове и места за клиники, което би увеличило шансовете пациент да се появи. По-късно подобна технология беше приложена на различни места от Арканзас до Нигерия с подкрепата, по-специално на Американската агенция за международно развитие i.

В Танзания Macro-Eyes работи по проект, насочен към увеличаване на процента на имунизация на деца. Софтуерът анализира колко дози ваксини трябва да бъдат изпратени до даден център за ваксинация. Той също така успя да прецени кои семейства може да не са склонни да ваксинират децата си, но могат да бъдат убедени с подходящи аргументи и местоположението на център за ваксинация на удобно място. Използвайки този софтуер, правителството на Танзания успя да увеличи ефективността на своята имунизационна програма с 96%. и намаляване на отпадъците от ваксини до 2,42 на 100 души.

В Сиера Леоне, където здравните данни на жителите липсваха, компанията се опита да съпостави това с информация за образованието. Оказа се, че само броят на учителите и техните ученици е достатъчен за прогнозиране на 70 процента. точността на това дали местният здравен център има достъп до чиста вода, което вече е отпечатък на данните за здравето на хората, живеещи там (3).

3. Илюстрация на макро-очи на управлявани от изкуствен интелект здравни програми в Африка.

Митът за лекаря на машината не изчезва

Въпреки неуспехите Уотсън нови диагностични подходи все още се разработват и се считат за все по-напреднали. Сравнение, направено в Швеция през септември 2020 г. използва се при образна диагностика на рак на гърдата показа, че най-добрият от тях работи по същия начин като рентгенолог. Алгоритмите са тествани с помощта на близо девет хиляди мамографски изображения, получени по време на рутинен скрининг. Три системи, обозначени като AI-1, AI-2 и AI-3, постигнаха точност от 81,9%, 67%. и 67,4%. За сравнение, за рентгенолозите, които интерпретират тези изображения като първите, тази цифра е 77,4%, а в случай на рентгенолозикойто е вторият, който го описва, това е 80,1 процента. Най-добрият от алгоритмите също успя да открие случаи, които рентгенолозите са пропуснали по време на скрининг, а жените са диагностицирани като болни за по-малко от година.

Според изследователите тези резултати доказват това алгоритми за изкуствен интелект помагат за коригиране на фалшиво-отрицателни диагнози, поставени от рентгенолози. Комбинирането на възможностите на AI-1 със среден рентгенолог увеличи броя на откритите ракови заболявания на гърдата с 8%. Екипът на Кралския институт, провеждащ това проучване, очаква качеството на AI алгоритмите да продължи да расте. Пълно описание на експеримента е публикувано в JAMA Oncology.

W по петобална скала. В момента сме свидетели на значително технологично ускорение и достигане на IV ниво (висока автоматизация), когато системата самостоятелно автоматично обработва получените данни и предоставя на специалиста предварително анализирана информация. Това спестява време, избягва човешка грешка и осигурява по-ефективна грижа за пациентите. Това прецени той преди няколко месеца Стан А.И. в близката му област на медицината проф. Януш Бразиевич от Полското дружество за нуклеарна медицина в изявление пред Полската агенция за печата.

4. Машинно разглеждане на медицински изображения

Алгоритмите, според експерти като проф. Бразиевичдори незаменим в тази индустрия. Причината е бързото нарастване на броя на диагностичните образни тестове. Само за периода 2000-2010г. броят на изследванията и изследванията с ЯМР се е увеличил десетократно. За съжаление броят на наличните лекари специалисти, които биха могли да ги извършат бързо и надеждно, не се е увеличил. Има и недостиг на квалифицирани техници. Внедряването на базирани на AI алгоритми спестява време и позволява пълна стандартизация на процедурите, както и избягване на човешка грешка и по-ефективни, персонализирани лечения за пациентите.

Както се оказа, също съдебна медицина може да се възползва от развитие на изкуствен интелект. Специалистите в тази област могат да определят точното време на смъртта на починалия чрез химичен анализ на секретите на червеи и други същества, които се хранят с мъртви тъкани. Проблем възниква, когато в анализа се включват смеси от секрети от различни видове некрофаги. Това е мястото, където машинното обучение влиза в игра. Учени от университета в Олбани са разработили метод на изкуствен интелект, който позволява по-бързо идентифициране на видовете червеи въз основа на техните "химични отпечатъци". Екипът тренира своята компютърна програма, използвайки смеси от различни комбинации от химически секрети от шест вида мухи. Той дешифрира химичните сигнатури на ларвите на насекоми с помощта на масспектрометрия, която идентифицира химикалите чрез точно измерване на съотношението на масата към електрическия заряд на йон.

Така че, както виждате обаче AI като разследващ детектив не е много добър, може да бъде много полезен в криминалистична лаборатория. Може би очаквахме твърде много от нея на този етап, предвиждайки алгоритми, които биха изкарали лекарите без работа (5). Когато гледаме Изкуствен интелект по-реалистично, фокусирайки се върху конкретни практически ползи, а не върху общите, кариерата й в медицината отново изглежда много обещаваща.

5. Визия на лекарската кола