Watson nie ugryzł lekarza i to bardzo dobrze

Choć, podobnie jak w wielu innych dziedzinach, entuzjazm do zastąpienia lekarzy sztuczną inteligencją nieco osłabł po serii niepowodzeń diagnostycznych, prace nad rozwojem medycyny opartej na sztucznej inteligencji wciąż trwają. Bo mimo to wciąż dają ogromne możliwości i szansę na poprawę efektywności działania w wielu jej obszarach.

IBM został ogłoszony w 2015 r., aw 2016 r. uzyskał dostęp do danych czterech głównych firm zajmujących się danymi pacjentów (1). Najgłośniejszy, dzięki licznym doniesieniom medialnym, a zarazem najambitniejszy projekt wykorzystujący zaawansowaną sztuczną inteligencję od IBM związany był z onkologią. Naukowcy próbują wykorzystać ogromne zasoby danych do ich przetwarzania w celu przekształcenia ich w dobrze dostosowane terapie przeciwnowotworowe. Długoterminowym celem było doprowadzenie Watsona do roli sędziego Badania kliniczne i wyniki jak lekarz.

1. Jedna z wizualizacji systemu medycznego Watson Health

Okazało się jednak, że Watson nie może samodzielnie powoływać się na literaturę medyczną, a także nie może wydobywać informacji z elektronicznej dokumentacji medycznej pacjentów. Jednak najpoważniejszym zarzutem wobec niego było to niepowodzenie w skutecznym porównaniu nowego pacjenta z innymi starszymi chorymi na raka i wykryciu objawów, które są niewidoczne na pierwszy rzut oka.

Trzeba przyznać, że niektórzy onkolodzy twierdzili, że mają zaufanie do jego osądu, choć głównie w zakresie sugestii Watsona dotyczących standardowych metod leczenia lub dodatkowej, dodatkowej opinii medycznej. Wiele osób zwracało uwagę, że ten system będzie świetnym zautomatyzowanym bibliotekarzem dla lekarzy.

W wyniku niezbyt pochlebnych recenzji IBM problemy ze sprzedażą systemu Watson w amerykańskich placówkach medycznych. Przedstawicielom handlowym IBM udało się sprzedać go do niektórych szpitali w Indiach, Korei Południowej, Tajlandii i innych krajach. W Indiach lekarze () ocenili zalecenia Watsona dotyczące 638 przypadków raka piersi. Stopień przestrzegania zaleceń dotyczących leczenia wynosi 73%. Gorzej Watson odpadł z Gachon Medical Center w Korei Południowej, gdzie jego najlepsze zalecenia dla 656 pacjentów z rakiem jelita grubego były zgodne z zaleceniami ekspertów tylko w 49 procentach przypadków. Lekarze to ocenili Watson nie radził sobie dobrze ze starszymi pacjentaminie oferując im pewnych standardowych leków i popełnił krytyczny błąd, podejmując agresywny nadzór nad leczeniem niektórych pacjentów z chorobą przerzutową.

Ostatecznie, choć jego praca jako diagnosty i lekarza jest uważana za nieudaną, są dziedziny, w których okazał się niezwykle przydatny. Produkt Watson dla genomiki, który został opracowany we współpracy z Uniwersytetem Północnej Karoliny, Uniwersytetem Yale i innymi instytucjami laboratoria genetyczne do sporządzania raportów dla onkologów. Watson plik z listą pobrań mutacje genetyczne pacjenta i może wygenerować raport w ciągu kilku minut, który zawiera sugestie dotyczące wszystkich ważnych leków i badań klinicznych. Watson radzi sobie z informacją genetyczną ze względną łatwościąponieważ są prezentowane w ustrukturyzowanych plikach i nie zawierają dwuznaczności – albo jest mutacja, albo nie ma mutacji.

Partnerzy IBM z University of North Carolina opublikowali artykuł na temat wydajności w 2017 roku. Watson znalazł potencjalnie ważne mutacje, które nie zostały zidentyfikowane w badaniach na ludziach w 32% z nich. badanych pacjentów, co czyni ich dobrymi kandydatami do nowego leku. Jednak nadal nie ma dowodów na to, że stosowanie prowadzi do lepszych wyników leczenia.

Udomowienie białek

Ten i wiele innych przykładów przyczynia się do narastania przekonania, że ​​wszystkie braki w ochronie zdrowia są usuwane, ale trzeba szukać obszarów, w których to naprawdę może pomóc, bo ludzie tam nie mają się najlepiej. Takim polem jest np. badania białek. W zeszłym roku pojawiły się informacje, że może dokładnie przewidywać kształt białek na podstawie ich sekwencji (2). To tradycyjne zadanie, poza zasięgiem nie tylko ludzi, ale nawet potężnych komputerów. Jeśli opanujemy precyzyjne modelowanie skręcania cząsteczek białek, pojawią się ogromne możliwości terapii genowej. Naukowcy mają nadzieję, że z pomocą AlphaFold zbadamy funkcje tysięcy, a to z kolei pozwoli nam zrozumieć przyczyny wielu chorób.

Rysunek 2. Skręcanie białek modelowane za pomocą AlphaFold firmy DeepMind.

Teraz znamy dwieście milionów białek, ale w pełni rozumiemy budowę i funkcję niewielkiej ich części. Białka jest podstawowym budulcem żywych organizmów. Odpowiadają za większość procesów zachodzących w komórkach. To, jak działają i co robią, zależy od ich struktury 50D. Przybierają odpowiednią formę bez żadnych instrukcji, kierując się prawami fizyki. Przez dziesięciolecia metody eksperymentalne były główną metodą określania kształtu białek. W latach XNUMX. użycie Metody krystalografii rentgenowskiej. W ostatniej dekadzie stał się narzędziem badawczym z wyboru. mikroskopia krystaliczna. W latach 80. i 90. rozpoczęto prace nad wykorzystaniem komputerów do określania kształtu białek. Jednak wyniki nadal nie satysfakcjonowały naukowców. Metody, które działały w przypadku niektórych białek, nie działały w przypadku innych.

Już w 2018 r AlfaFold zyskał uznanie ekspertów ds modelowanie białek. Jednak w tamtym czasie używał metod bardzo podobnych do innych programów. Naukowcy zmienili taktykę i stworzyli inną, która również wykorzystywała informacje o fizycznych i geometrycznych ograniczeniach w fałdowaniu cząsteczek białka. AlfaFold dawał nierówne wyniki. Czasem radził sobie lepiej, czasem gorzej. Ale prawie dwie trzecie jego przewidywań pokrywało się z wynikami uzyskanymi metodami eksperymentalnymi. Na początku drugiego roku algorytm opisał strukturę kilku białek wirusa SARS-CoV-2. Później okazało się, że przewidywania dla białka Orf3a są zgodne z wynikami uzyskanymi eksperymentalnie.

Nie chodzi tylko o badanie wewnętrznych sposobów fałdowania białek, ale także o projektowanie. Wykorzystali je naukowcy z inicjatywy NIH BRAIN nauczanie maszynowe opracować białko, które może śledzić poziom serotoniny w mózgu w czasie rzeczywistym. Serotonina jest neurochemikalikiem, który odgrywa kluczową rolę w kontrolowaniu przez mózg naszych myśli i uczuć. Na przykład wiele leków przeciwdepresyjnych ma na celu zmianę sygnałów serotoninowych, które są przekazywane między neuronami. W artykule w czasopiśmie Cell naukowcy opisali, w jaki sposób wykorzystują zaawansowane metody inżynierii genetycznej przekształcić białko bakteryjne w nowe narzędzie badawcze, które może pomóc w śledzeniu transmisji serotoniny z większą dokładnością niż obecne metody. Eksperymenty przedkliniczne, głównie na myszach, wykazały, że czujnik może natychmiast wykrywać subtelne zmiany poziomu serotoniny w mózgu podczas snu, strachu i interakcji społecznych oraz testować skuteczność nowych leków psychoaktywnych.

Walka z pandemią nie zawsze kończyła się sukcesem

W końcu była to pierwsza epidemia, o której pisaliśmy w MT. Jeśli jednak np. mówimy o samym procesie rozwoju pandemii, to na początkowym etapie AI wydawała się czymś w rodzaju porażki. Uczeni na to narzekali Sztuczna inteligencja nie potrafi prawidłowo przewidzieć zasięgu rozprzestrzeniania się koronawirusa na podstawie danych z poprzednich epidemii. „Rozwiązania te sprawdzają się w niektórych obszarach, takich jak rozpoznawanie twarzy, które mają określoną liczbę oczu i uszu. Epidemia SARS-CoV-2 Są to wcześniej nieznane zdarzenia i wiele nowych zmiennych, więc sztuczna inteligencja oparta na danych historycznych, które służyły jej do trenowania, nie działa dobrze. Pandemia pokazała, że ​​musimy szukać innych technologii i podejść” – powiedział Maxim Fedorov ze Skoltech w oświadczeniu dla rosyjskich mediów z kwietnia 2020 roku.

Z czasem pojawiły się jednak algorytmy, które zdają się dowodzić ogromnej przydatności AI w walce z COVID-19. Naukowcy z USA opracowali jesienią 2020 r. system rozpoznawania charakterystycznych wzorców kaszlu u osób z COVID-19, nawet jeśli nie miały one innych objawów.

Kiedy pojawiły się szczepionki, narodził się pomysł, aby pomóc zaszczepić populację. Mogła np pomóc modelować transport i logistykę szczepionek. Również przy ustalaniu, które populacje należy zaszczepić w pierwszej kolejności, aby szybciej uporać się z pandemią. Pomogłoby to również w prognozowaniu popytu oraz optymalizacji czasu i szybkości szczepień poprzez szybkie identyfikowanie problemów i wąskich gardeł w logistyce. Połączenie algorytmów z ciągłym monitorowaniem może również szybko dostarczyć informacji o możliwych skutkach ubocznych i zdarzeniach zdrowotnych.

te systemy wykorzystujące sztuczną inteligencję w optymalizacji i poprawie opieki zdrowotnej są już znane. Doceniono ich praktyczne zalety; na przykład system opieki zdrowotnej opracowany przez Macro-Eyes na Uniwersytecie Stanforda w USA. Podobnie jak w wielu innych placówkach medycznych problemem był brak pacjentów, którzy nie zgłaszali się na wizyty. makro oczy zbudowali system, który mógł wiarygodnie przewidywać, którzy pacjenci prawdopodobnie tam nie będą. W niektórych sytuacjach mógłby również zaproponować alternatywne terminy i lokalizacje przychodni, co zwiększyłoby szanse na pojawienie się pacjenta. Później podobna technologia została zastosowana w różnych miejscach od Arkansas po Nigerię przy wsparciu, w szczególności Amerykańskiej Agencji ds. Rozwoju Międzynarodowego i.

W Tanzanii firma Macro-Eyes pracowała nad projektem mającym na celu zwiększenie liczby szczepień dzieci. Oprogramowanie analizowało, ile dawek szczepionek trzeba wysłać do danego punktu szczepień. Potrafił też ocenić, które rodziny mogą niechętnie szczepić swoje dzieci, ale można je było przekonać odpowiednimi argumentami i lokalizacją punktu szczepień w dogodnym miejscu. Korzystając z tego oprogramowania, rząd Tanzanii był w stanie zwiększyć skuteczność swojego programu szczepień o 96%. i ograniczyć odpady szczepionek do 2,42 na 100 osób.

W Sierra Leone, gdzie brakowało danych dotyczących zdrowia mieszkańców, firma próbowała dopasować je do informacji o edukacji. Okazało się, że sama liczba nauczycieli i ich uczniów wystarczyła, by przewidzieć 70 proc. dokładność tego, czy lokalna przychodnia ma dostęp do czystej wody, co już jest śladem danych o stanie zdrowia mieszkających tam ludzi (3).

3. Ilustracja Macro-Eyes przedstawiająca programy opieki zdrowotnej oparte na sztucznej inteligencji w Afryce.

Mit lekarza-maszyny nie znika

Pomimo niepowodzeń Watson wciąż powstają nowe podejścia diagnostyczne, które uznawane są za coraz bardziej zaawansowane. Porównanie dokonane w Szwecji we wrześniu 2020 r. stosowane w diagnostyce obrazowej raka piersi pokazał, że najlepszy z nich pracuje tak samo, jak radiolog. Algorytmy przetestowano na prawie dziewięciu tysiącach obrazów mammograficznych uzyskanych podczas rutynowych badań przesiewowych. Trzy systemy, oznaczone jako AI-1, AI-2 i AI-3, osiągnęły celność na poziomie 81,9%, 67%. i 67,4%. Dla porównania, dla radiologów, którzy interpretują te obrazy jako pierwsze, odsetek ten wyniósł 77,4%, a w przypadku radiologówkto jako drugi to opisał, było to 80,1 proc. Najlepszy z algorytmów był również w stanie wykryć przypadki, które radiolodzy przeoczyli podczas badań przesiewowych, a kobiety zostały zdiagnozowane jako chore w mniej niż rok.

Zdaniem naukowców wyniki te to potwierdzają algorytmy sztucznej inteligencji pomagają korygować fałszywie ujemne diagnozy postawione przez radiologów. Połączenie możliwości AI-1 z przeciętnym radiologiem zwiększyło liczbę wykrywanych raków piersi o 8%. Zespół z Royal Institute prowadzący to badanie oczekuje, że jakość algorytmów sztucznej inteligencji będzie nadal rosła. Pełny opis eksperymentu został opublikowany w JAMA Oncology.

W w pięciostopniowej skali. Obecnie jesteśmy świadkami znacznego przyspieszenia technologicznego i osiągnięcia poziomu IV (wysoka automatyzacja), kiedy to system samodzielnie przetwarza otrzymane dane i przekazuje specjaliście wcześniej przeanalizowane informacje. Oszczędza to czas, pozwala uniknąć błędów ludzkich i zapewnia bardziej efektywną opiekę nad pacjentem. Tak ocenił kilka miesięcy temu Stan AI w bliskiej mu dziedzinie medycyny prof. Janusza Braziewicza z Polskiego Towarzystwa Medycyny Nuklearnej w oświadczeniu dla PAP.

4. Maszynowe przeglądanie obrazów medycznych

Algorytmy zdaniem takich ekspertów jak prof. Braziewiczwręcz niezbędny w tej branży. Powodem jest szybki wzrost liczby badań diagnostycznych. Tylko na lata 2000-2010. liczba badań i badań MRI wzrosła dziesięciokrotnie. Niestety nie zwiększyła się liczba dostępnych lekarzy specjalistów, którzy mogliby je wykonać szybko i solidnie. Brakuje również wykwalifikowanych techników. Wdrożenie algorytmów opartych na sztucznej inteligencji pozwala zaoszczędzić czas i umożliwia pełną standaryzację procedur, a także uniknięcie błędu ludzkiego i bardziej efektywne, spersonalizowane leczenie pacjentów.

Jak się okazało, również Medycyna sądowa może skorzystać rozwój sztucznej inteligencji. Specjaliści w tej dziedzinie potrafią określić dokładny czas śmierci zmarłego na podstawie chemicznej analizy wydzielin robaków i innych stworzeń żywiących się martwymi tkankami. Problem pojawia się, gdy do analizy włączane są mieszaniny wydzielin różnych typów nekrofagów. W tym miejscu pojawia się uczenie maszynowe. Naukowcy z University of Albany opracowali metoda sztucznej inteligencji, która pozwala na szybszą identyfikację gatunków robaków na podstawie ich „chemicznych odcisków palców”. Zespół przeszkolił swój program komputerowy przy użyciu mieszanin różnych kombinacji chemicznych wydzielin sześciu gatunków much. Rozszyfrował sygnatury chemiczne larw owadów za pomocą spektrometrii masowej, która identyfikuje substancje chemiczne poprzez dokładny pomiar stosunku masy do ładunku elektrycznego jonu.

Więc jak widać jednak AI jako detektyw śledczy niezbyt dobry, może być bardzo przydatny w laboratorium kryminalistycznym. Być może na tym etapie oczekiwaliśmy od niej zbyt wiele, przewidując algorytmy, które pozbawiłyby lekarzy pracy (5). Kiedy patrzymy Sztuczna inteligencja bardziej realistycznie, skupiając się na konkretnych korzyściach praktycznych, a nie ogólnych, jej kariera w medycynie znów wygląda bardzo obiecująco.

5. Wizja samochodu lekarza