A legújabb tanulmányok kimutatták, hogy a mesterséges intelligencia rendszerek alkalmasak fontos betegségek orvosi diagnosztizálására
Mesterséges intelligencia (AI) rendszerek már jó ideje jelen vannak, és idővel egyre okosabbak és jobbak lesznek. AI számos területen rendelkezik alkalmazásokkal, és ma már a legtöbb terület szerves részét képezi. A mesterséges intelligencia elengedhetetlen és hasznos összetevője lehet orvosi tudomány és kutatás, mivel hatalmas potenciállal rendelkezik az egészségügyi ágazatra gyakorolt hatásra.
Mesterséges intelligencia az orvosi diagnózisban?
Az idő a legértékesebb erőforrás az egészségügyben, és a korai megfelelő diagnózis nagyon fontos a betegség végső kimeneteléhez. Az egészségügyi ellátás gyakran hosszadalmas, idő- és erőforrásigényes folyamat, amely késlelteti a hatékony diagnózis felállítását, és késlelteti a megfelelő kezelést. AI segíthet kitölteni a rendelkezésre állás és az orvosok időbeosztása közötti űrt a gyorsaság és a pontosság beépítésével a betegek diagnózisába. Segíthet az erőforrások és az egészségügyi szakemberek korlátainak leküzdésében, különösen az alacsony és közepes jövedelmű országokban. Az AI egy tanulási és gondolkodási folyamat, csakúgy, mint emberek a mélytanulásnak nevezett koncepción keresztül. A mély tanulás mintaadatok széles készleteit használja fel a döntési fák létrehozásához. Ezzel a mélyreható tanulással egy mesterséges intelligencia-rendszer valójában ugyanúgy tud gondolkodni, mint az emberek, ha nem jobban, ezért az AI alkalmasnak tekinthető orvosi feladatok elvégzésére. A betegek diagnosztizálása során az AI-rendszerek folyamatosan keresik a mintákat az azonos betegségben szenvedő betegek között. Idővel ezek a minták megalapozhatják a betegségek előrejelzését, mielőtt azok megjelennének.
Egy nemrégiben készült tanulmányban1 kiadva Sejt, használták a kutatók mesterséges intelligencia és gépi tanulási technikák egy új számítási eszköz kifejlesztésére a gyakori, de vakító retinabetegségben szenvedő betegek szűrésére, ami felgyorsíthatja a diagnózist és a kezelést. A kutatók mesterséges intelligencia-alapú neurális hálózatot használtak több mint 200,000 2 szemvizsgálat áttekintésére, amelyeket olyan non-invazív technológiával végeztek, amely visszaveri a fényt a retináról a szövetek 3D és XNUMXD reprezentációinak létrehozása érdekében. Ezt követően a „transzfer tanulás” nevű technikát alkalmazták, amelyben az egyik probléma megoldása során megszerzett tudást egy számítógép tárolja, és különböző, de kapcsolódó problémákra alkalmazza. Például egy mesterséges intelligencia neurális hálózat, amelyet úgy optimalizáltak, hogy felismerje a szem különálló anatómiai struktúráit, mint például a retina, a szaruhártya vagy a látóideg, gyorsabban és hatékonyabban tudja azonosítani és értékelni azokat, amikor egy egész szem képeit vizsgálja. Ez a folyamat lehetővé teszi az AI-rendszer számára, hogy fokozatosan tanuljon sokkal kisebb adatkészlettel, mint a hagyományos módszereknél, amelyek nagy adatkészleteket igényelnek, ami drágává és időigényessé teszi azokat.
A tanulmány a visszafordíthatatlan vakság két gyakori okára összpontosított, amelyek korai felismerés esetén kezelhetők. A gépi eredetű diagnózisokat öt szemész diagnózisával hasonlították össze, akik ugyanazokat a felvételeket vizsgálták felül. Az orvosi diagnózis felállítása mellett a mesterséges intelligencia platform olyan beutalót és kezelési javaslatot is generált, amelyre egyetlen korábbi tanulmányban sem került sor. Ez a képzett mesterséges intelligencia rendszer úgy működött, mint egy jól képzett szemész, és több mint 30 százalékos pontossággal 95 másodpercen belül döntést tudott hozni arról, hogy a beteget kezelésre kell-e utalni vagy sem. Emellett tesztelték a mesterséges intelligencia eszközt a gyermekkori tüdőgyulladás diagnosztizálására, amely világszerte vezető halálok a gyermekek (5 év alatti) körében, a mellkasröntgen-felvételek gépi elemzése alapján. Érdekes módon a számítógépes program képes volt különbséget tenni a vírusos és a bakteriális tüdőgyulladás több mint 90 százalékos pontossággal. Ez döntő jelentőségű, mert bár a vírusos tüdőgyulladást a szervezet természetesen megszabadulja lefolyása után, a bakteriális tüdőgyulladás viszont általában komolyabb egészségügyi veszélyt jelent, és azonnali antibiotikumos kezelést igényel.
Egy újabb nagy ugrásban2 Az orvosi diagnózishoz használt mesterséges intelligencia rendszerekben a tudósok azt találták, hogy az egyén retinájáról készített fényképek gépi tanulási algoritmusokkal vagy szoftverekkel elemezhetők a szív- és érrendszeri szívkockázat előrejelzésére a szívbetegségre utaló jelek azonosításával. Kimutatták, hogy a fényképeken rögzített szem ereinek állapota pontosan előrejelzi az életkort, a nemet, az etnikai hovatartozást, a vérnyomást, az esetleges korábbi szívrohamokat és a dohányzási szokásokat, és mindezek a tényezők együttesen előrejelzik az egyén szívvel összefüggő betegségeit.
A szem mint információs blokk
Az az ötlet, hogy a szemről készült fényképeket nézzék meg az egészségi állapot diagnosztizálásához, már egy ideje létezik. Jól bebizonyosodott, hogy az emberi szem hátsó belső falában sok véredény található, amelyek tükrözik a test általános egészségi állapotát. Ezen erek megjelenésének kamerával és mikroszkóppal történő tanulmányozásával és elemzésével sok információ megjósolható az egyén vérnyomásáról, életkoráról, dohányzóról vagy nemdohányzóról stb., és ezek mind fontos mutatói az egyén szíve egészségének. . A szív- és érrendszeri betegség (CVD) az első számú halálok világszerte, és többen halnak meg szív- és érrendszeri betegségekben, mint bármely más betegségben vagy állapotban. Ez inkább az alacsony és közepes jövedelmű országokban jellemző, és óriási terhet jelent a gazdaságra és az emberiségre. A kardiovaszkuláris kockázat számos tényezőtől függ, például a génektől, az életkortól, az etnikai hovatartozástól, a nemtől, valamint a testmozgással és az étrenddel kombinálva. A legtöbb szív- és érrendszeri betegség megelőzhető a viselkedési kockázatok, például a dohányzás, az elhízás, a fizikai inaktivitás és az egészségtelen táplálkozás kezelésével, jelentős életmódbeli változtatásokkal a lehetséges kockázatok kezelése érdekében.
Egészségügyi diagnózis retina képekkel
A Google és saját egészségügyi technológiai vállalata, a Verily Life Sciences kutatói által végzett tanulmány kimutatta, hogy mesterséges intelligencia algoritmust használtak körülbelül 280,000 12000 páciens retinális fényképeinek nagy adathalmazán, és ez az algoritmus sikeresen előre jelezte a szív kockázati tényezőit két teljesen kb. 1000 és 70 beteg független adatkészlete ésszerűen jó pontossággal. Az algoritmus a retina teljes fényképét használta fel a kép és a szívroham kockázata közötti összefüggés számszerűsítésére. Ez az algoritmus az esetek 71 százalékában megjósolt egy szív- és érrendszeri eseményt egy betegnél, és valójában egy dohányos és egy nemdohányzó is megkülönböztethető volt ebben a tesztben az esetek XNUMX százalékában. Az algoritmus előrejelezheti a szívbetegségre utaló magas vérnyomást és a szisztolés vérnyomást – az erekben lévő nyomást, amikor a szív dobog – a legtöbb magas vérnyomású vagy nem magas vérnyomású beteg esetében. Ennek a jóslatnak a pontossága a szerzők szerint nagyon hasonlít egy laboratóriumi szív- és érrendszeri vizsgálathoz, ahol vért vesznek a betegtől a koleszterinszint mérésére, párhuzamosan a beteg anamnézisével. Az ebben a tanulmányban szereplő algoritmus, amelyet ben publikáltak Természet Biomedical Engineering, nagy valószínűséggel előre jelezheti egy súlyos kardiovaszkuláris esemény – például szívroham – előfordulását is.
Ezeknek a vizsgálatoknak egy rendkívül érdekes és kulcsfontosságú aspektusa volt, hogy a számítógép képes megmondani, hová néz a képen, hogy felállíthassa a diagnózist, ami lehetővé teszi számunkra, hogy megértsük az előrejelzési folyamatot. Például a Google tanulmánya pontosan megmutatta, hogy „a retina mely részei” járultak hozzá az előrejelzési algoritmushoz, más szóval, hogy az algoritmus hogyan végezte el az előrejelzést. Ez a megértés nemcsak a gépi tanulási módszer megértéséhez fontos ebben a konkrét esetben, hanem azért is, hogy átláthatóvá tegyük az egész módszertanba vetett bizalmat és hitet.
Kihívások
Az ilyen orvosi képek megvannak a maga kihívásai, mert az asszociációk megfigyelése, majd számszerűsítése az ilyen képek alapján nem egyszerű, elsősorban a képeken szereplő számos jellemző, szín, érték, forma stb. miatt. Ez a tanulmány mély tanulást alkalmaz az emberi anatómiában (a test belső morfológiájában) bekövetkezett változások és a betegség közötti összefüggések, asszociációk és kapcsolatok feltárására, ugyanúgy, ahogy azt egy egészségügyi szakember tenné, amikor a betegek tüneteit egy betegséggel korrelálja. . Ezek az algoritmusok további tesztelést igényelnek, mielőtt klinikai környezetben használhatók.
A viták és a kihívások ellenére a mesterséges intelligencia hatalmas potenciállal rendelkezik a betegségek diagnosztizálásának és kezelésének forradalmasítására azáltal, hogy hatalmas mennyiségű adatot magában foglaló elemzéseket és osztályozásokat végez, amelyek az emberi szakértők számára nehézkesek. Gyors, költséghatékony, nem invazív alternatív képalapú diagnosztikai eszközöket biztosít. Az AI-rendszerek sikerének fontos tényezője a nagyobb számítási teljesítmény és az emberek nagyobb tapasztalata. Valószínűleg a jövőben új orvosi felismerések és diagnózisok érhetők el mesterséges intelligencia segítségével emberi irányítás vagy felügyelet nélkül.
***
{Az eredeti kutatási cikket a hivatkozott forrás(ok) listájában lent található DOI linkre kattintva olvashatja el}
Forrás (ok)
1. Kermany DS et al. 2018. Orvosi diagnózisok és kezelhető betegségek azonosítása képalapú mélytanulás segítségével. Sejt. 172. (5) bekezdése alapján. https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. Szív- és érrendszeri kockázati tényezők előrejelzése retina szemfenékről készült fényképekből mély tanulással. Természetbiológiai mérnöki tudomány. 2. https://doi.org/10.1038/s41551-018-0195-0
