Nedavne studije pokazale su sposobnost sustava umjetne inteligencije u medicinskom dijagnosticiranju važnih bolesti
Sustavi umjetne inteligencije (AI). postoje već neko vrijeme i s vremenom postaju sve pametniji i bolji. AI ima primjenu u mnogim područjima i sada je sastavni dio većine područja. AI može biti bitna i korisna komponenta medicinski znanost i istraživanje jer ima golem potencijal da utječe na zdravstvenu industriju.
Umjetna inteligencija u medicinskoj dijagnostici?
Vrijeme je najvrjedniji resurs u zdravstvu, a rana pravilna dijagnoza vrlo je važna za konačni ishod bolesti. Zdravstvena skrb je često dugotrajan proces koji zahtijeva vrijeme i resurse, odgađa učinkovitu dijagnozu i zauzvrat odgađa ispravno liječenje. AI može pomoći u popunjavanju jaza između dostupnosti i upravljanja vremenom od strane liječnika uključivanjem brzine i točnosti u dijagnozu pacijenata. To bi moglo pomoći u prevladavanju ograničenja resursa i zdravstvenih radnika, posebno u zemljama s niskim i srednjim dohotkom. AI je proces učenja i razmišljanja baš kao ljudi kroz koncept koji se zove dubinsko učenje. Duboko učenje koristi široke skupove uzoraka podataka za samo stvaranje stabla odlučivanja. S ovim dubokim učenjem, AI sustav zapravo može razmišljati poput ljudi, ako ne i bolje, i stoga bi se AI mogao smatrati prikladnim za obavljanje medicinskih zadataka. Prilikom dijagnosticiranja pacijenata, sustavi umjetne inteligencije nastavljaju tražiti uzorke među pacijentima s istim bolestima. Tijekom vremena ti obrasci mogu izgraditi temelj za predviđanje bolesti prije nego što se manifestiraju.
U nedavnoj studiji1 Objavljeno u Ćelija, koristili su istraživači vještački inteligencije i tehnika strojnog učenja za razvoj novog računalnog alata za pregled pacijenata s uobičajenim, ali zasljepljujućim bolestima mrežnice, potencijalno ubrzavajući dijagnozu i liječenje. Istraživači su koristili neuronsku mrežu temeljenu na umjetnoj inteligenciji kako bi pregledali više od 200,000 skeniranja oka provedenih neinvazivnom tehnologijom koja odbija svjetlost od mrežnice kako bi stvorila 2D i 3D prikaz tkiva. Zatim su upotrijebili tehniku nazvanu 'transfer learning' u kojoj se znanje stečeno u rješavanju jednog problema pohranjuje u računalo i primjenjuje na različite, ali povezane probleme. Na primjer, AI neuronska mreža optimizirana za prepoznavanje diskretnih anatomskih struktura oka, kao što su mrežnica, rožnica ili optički živac, može ih brže i učinkovitije identificirati i procijeniti kada ispituje slike cijelog oka. Ovaj proces omogućuje AI sustavu da postupno uči s mnogo manjim skupom podataka od tradicionalnih metoda koje zahtijevaju velike skupove podataka što ih čini skupim i dugotrajnim.
Studija se usredotočila na dva uobičajena uzroka nepovratne sljepoće koji se mogu liječiti ako se rano otkriju. Strojno izvedene dijagnoze uspoređene su s dijagnozama pet oftalmologa koji su pregledali iste snimke. Osim postavljanja medicinske dijagnoze, AI platforma također je generirala uputnicu i preporuku liječenja što nije učinjeno ni u jednoj prethodnoj studiji. Ovaj obučeni AI sustav djelovao je poput dobro obučenog oftalmologa i mogao je donijeti odluku u roku od 30 sekundi o tome treba li pacijenta uputiti na liječenje ili ne, s više od 95 posto točnosti. Također su testirali alat umjetne inteligencije u dijagnosticiranju dječje upale pluća, vodećeg uzroka smrti diljem svijeta kod djece (mlađe od 5 godina) na temelju strojne analize rendgenskih snimaka prsnog koša. Zanimljivo je da je računalni program uspio razlikovati virusne i bakterijski upale pluća s više od 90 posto točnosti. Ovo je ključno jer iako se virusna upala pluća tijelo prirodno riješi nakon njezinog tijeka, bakterijska upala pluća s druge strane ima tendenciju da bude ozbiljnija prijetnja zdravlju i zahtijeva hitno liječenje antibioticima.
U još jednom velikom skoku2 u sustavima umjetne inteligencije za medicinsku dijagnozu, znanstvenici su otkrili da se fotografije snimljene mrežnice pojedinca mogu analizirati algoritmima za strojno učenje ili softverom za predviđanje kardiovaskularnog rizika od srca identificiranjem signala koji ukazuju na srčanu bolest. Pokazalo se da status krvnih žila u oku koji je prikazan na fotografijama točno predviđa dob, spol, etničku pripadnost, krvni tlak, sve prethodne srčane udare i navike pušenja, a svi ti čimbenici zajedno predviđaju srčane bolesti kod pojedinca.
Oko kao informacijski blok
Ideja o gledanju fotografija oka radi dijagnosticiranja zdravlja postoji već neko vrijeme. Dobro je poznato da stražnja unutarnja stijenka ljudskih očiju ima mnogo krvnih žila koje odražavaju cjelokupno zdravlje tijela. Proučavanjem i analizom izgleda ovih krvnih žila kamerom i mikroskopom može se predvidjeti puno podataka o krvnom tlaku pojedinca, dobi, pušaču ili nepušaču itd., a sve su to važni pokazatelji zdravlja srca pojedinca. . Kardiovaskularna bolest (KVB) je broj jedan uzrok smrti u svijetu i više ljudi umire od KVB-a u usporedbi s bilo kojom drugom bolešću ili stanjem. To je češći u zemljama s niskim i srednjim dohotkom i veliki je teret za gospodarstvo i čovječanstvo. Kardiovaskularni rizik ovisi o mnoštvu čimbenika kao što su geni, dob, etnička pripadnost, spol, u kombinaciji s tjelovježbom i prehranom. Većina kardiovaskularnih bolesti može se spriječiti rješavanjem bihejvioralnih rizika kao što su pušenje, pretilost, tjelesna neaktivnost i nezdrava prehrana značajnim promjenama u načinu života kako bi se riješili mogući rizici.
Dijagnoza zdravlja pomoću slika retine
Ova studija koju su proveli istraživači u Googleu i vlastitoj tvrtki za zdravstvenu tehnologiju Verily Life Sciences, pokazala je da je algoritam umjetne inteligencije korišten na velikom skupu podataka fotografija mrežnice oko 280,000 pacijenata i ovaj algoritam je bio u stanju uspješno predvidjeti čimbenike srčanog rizika u dva potpuno neovisni skupovi podataka od oko 12000 i 1000 pacijenata s razumno dobrom točnošću. Algoritam je koristio cijelu fotografiju mrežnice kako bi kvantificirao povezanost između slike i rizika od srčanog udara. Ovaj je algoritam mogao predvidjeti kardiovaskularni događaj u 70 posto vremena kod pacijenta, a zapravo su se pušač i nepušač također razlikovali u ovom testu 71 posto vremena. Algoritam bi također mogao predvidjeti visoki krvni tlak koji ukazuje na stanje srca i predvidjeti sistolički krvni tlak – tlak u žilama kada srce kuca – unutar raspona većine pacijenata sa ili bez visokog krvnog tlaka. Točnost ovog predviđanja, prema autorima, vrlo je slična laboratorijskoj provjeri kardiovaskularnog sustava, gdje se pacijentu vadi krv kako bi se izmjerila razina kolesterola gledajući usporedno s anamnezom pacijenta. Algoritam u ovoj studiji, objavljenoj u Biomedicinsko inženjerstvo prirode, najvjerojatnije bi također mogao predvidjeti pojavu velikog kardiovaskularnog događaja - npr. srčanog udara.
Iznimno zanimljiv i presudan aspekt ovih studija bio je da računalo može reći gdje gleda na slici kako bi došlo do dijagnoze, što nam omogućuje razumijevanje procesa predviđanja. Primjerice, Googleova studija je točno pokazala "koji dijelovi mrežnice" pridonose algoritmu predviđanja, drugim riječima kako je algoritam napravio predviđanje. Ovo razumijevanje važno je ne samo za razumijevanje metode strojnog učenja u ovom konkretnom slučaju, već i za stvaranje povjerenja i vjere u cijelu ovu metodologiju čineći je transparentnom.
Izazovi
Takve medicinske slike dolaze sa svojim izazovima jer promatranje i zatim kvantificiranje asocijacija na temelju takvih slika nije jednostavno, uglavnom zbog nekoliko značajki, boja, vrijednosti, oblika itd. na ovim slikama. Ova studija koristi duboko učenje kako bi izvukla veze, asocijacije i odnose između promjena u ljudskoj anatomiji (unutarnje morfologije tijela) i bolesti na isti način kao što bi to činio zdravstveni djelatnik kada bi povezivao simptome pacijenata s bolešću. . Ovi algoritmi zahtijevaju više testiranja prije nego što se mogu koristiti u kliničkom okruženju.
Unatoč raspravama i izazovima, AI ima ogroman potencijal za revoluciju u dijagnostici i upravljanju bolestima radeći analize i klasifikacije koje uključuju goleme količine podataka koji su teški ljudskim stručnjacima. Omogućuje brze, isplative, neinvazivne alternativne dijagnostičke alate temeljene na slici. Važni čimbenici za uspjeh AI sustava bili bi veća računalna snaga i više iskustva ljudi. U vjerojatnoj budućnosti novi medicinski uvidi i dijagnoza mogli bi se postići pomoću AI bez ljudskog usmjeravanja ili nadzora.
***
{Izvorni istraživački rad možete pročitati klikom na vezu DOI koja se nalazi u nastavku na popisu citiranih izvora}
Izvor (i)
1. Kermany DS i sur. 2018. Identificiranje medicinskih dijagnoza i liječivih bolesti dubokim učenjem na temelju slika. stanica. 172 (5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R i sur. 2018. Predviđanje kardiovaskularnih čimbenika rizika iz fotografija fundusa retine putem dubokog učenja. Biomedicinsko inženjerstvo prirode. 2. https://doi.org/10.1038/s41551-018-0195-0
