Ipinakita ng mga kamakailang pag-aaral ang kakayahan ng mga artificial intelligence system sa medikal na pag-diagnose ng mahahalagang sakit
Mga sistema ng Artificial Intelligence (AI). medyo matagal na at ngayon ay nagiging matalino at mas mahusay sa paglipas ng panahon. AI ay may mga application ay maraming lugar at ngayon ay isang mahalagang bahagi ng karamihan sa mga patlang. AI ay maaaring maging isang mahalaga at kapaki-pakinabang na bahagi ng medikal agham at pananaliksik dahil mayroon itong napakalaking potensyal na makaapekto sa industriya ng pangangalagang pangkalusugan.
Artificial Intelligence sa medikal na diagnosis?
Ang oras ay ang pinakamahalagang mapagkukunan sa pangangalagang pangkalusugan at ang maagang naaangkop na pagsusuri ay napakahalaga para sa huling resulta ng isang sakit. Ang pangangalagang pangkalusugan ay madalas na isang mahaba at isang proseso ng pag-ubos ng oras at mapagkukunan, na nagpapaantala sa epektibong pagsusuri at naaantala ang tamang paggamot. AI ay maaaring makatulong upang punan ang agwat sa pagitan ng pagkakaroon at pamamahala ng oras ng mga doktor sa pamamagitan ng pagsasama ng bilis at katumpakan sa pagsusuri ng mga pasyente. Makakatulong ito upang malampasan ang mga limitasyon ng mga mapagkukunan at mga propesyonal sa pangangalagang pangkalusugan lalo na sa mga bansang mababa at nasa gitna ang kita. Ang AI ay isang proseso ng pag-aaral at pag-iisip tao sa pamamagitan ng isang konsepto na tinatawag na deep-learning. Ang malalim na pag-aaral ay gumagamit ng malawak na hanay ng sample na data upang lumikha ng mga puno ng desisyon nang mag-isa. Sa malalim na pag-aaral na ito, ang isang AI system ay maaaring aktwal na mag-isip tulad ng mga tao, kung hindi mas mahusay, at samakatuwid AI ay maaaring ituring na akma upang isagawa ang mga medikal na gawain. Kapag nag-diagnose ng mga pasyente, ang mga AI system ay patuloy na naghahanap ng mga pattern sa mga pasyente na may parehong mga sakit. Sa paglipas ng panahon, ang mga pattern na ito ay maaaring bumuo ng isang pundasyon para sa paghula ng mga sakit bago sila maipakita.
Sa isang kamakailang pag-aaral1 inilathala sa Selda, ginamit ng mga mananaliksik artipisyal intelligence at machine learning techniques para makabuo ng bagong computational tool para masuri ang mga pasyente na may karaniwan ngunit nakakabulag na mga sakit sa retina, na posibleng nagpapabilis ng mga diagnosis at paggamot. Gumamit ang mga mananaliksik ng isang neural network na nakabatay sa AI upang suriin ang higit sa 200,000 pag-scan sa mata na isinagawa gamit ang isang non-invasive na teknolohiya na nagpapatalbog ng liwanag sa retina upang lumikha ng 2D at 3D na representasyon ng tissue. Pagkatapos ay gumamit sila ng isang pamamaraan na tinatawag na 'transfer learning' kung saan ang kaalaman na nakuha sa paglutas ng isang problema ay iniimbak ng isang computer at inilalapat sa iba't ibang ngunit kaugnay na mga problema. Halimbawa, ang isang AI neural network na na-optimize upang makilala ang mga discrete anatomical structures ng mata, gaya ng retina, cornea o optic nerve, ay maaaring mas mabilis at mahusay na matukoy at masuri ang mga ito kapag sinusuri nito ang mga larawan ng isang buong mata. Ang prosesong ito ay nagbibigay-daan sa AI system na unti-unting matuto gamit ang isang mas maliit na dataset kaysa sa mga tradisyonal na pamamaraan na nangangailangan ng malalaking dataset na ginagawang mahal at nakakaubos ng oras.
Nakatuon ang pag-aaral sa dalawang karaniwang sanhi ng hindi maibabalik na pagkabulag na magagamot kapag maagang natukoy. Ang mga diagnosis na nakuha sa makina ay inihambing sa mga diagnosis mula sa limang ophthalmologist na nagsuri sa parehong mga pag-scan. Bilang karagdagan sa paggawa ng medikal na diagnosis, ang AI platform ay nakabuo din ng referral at rekomendasyon sa paggamot na hindi pa nagawa sa anumang nakaraang pag-aaral. Ang sinanay na AI system na ito ay kumilos tulad ng isang mahusay na sinanay na ophthalmologist at maaaring makabuo ng isang desisyon sa loob ng 30 segundo kung ang pasyente ay dapat i-refer para sa paggamot, na may higit sa 95 porsyento na katumpakan. Sinubukan din nila ang AI tool sa pag-diagnose ng childhood pneumonia, isang nangungunang sanhi ng kamatayan sa buong mundo sa mga bata (sa ilalim ng edad na 5) batay sa machine analysis ng chest X-ray. Kapansin-pansin, nagawa ng computer program na makilala ang pagitan ng viral at bacterial pneumonia na may higit sa 90 porsiyentong katumpakan. Ito ay mahalaga dahil kahit na ang viral pneumonia ay natural na inaalis ng katawan pagkatapos ng kurso nito, ang bacterial pneumonia sa kabilang banda ay may posibilidad na maging isang mas malubhang banta sa kalusugan at nangangailangan ng agarang paggamot na may mga antibiotics.
Sa isa pang malaking lukso2 sa mga sistema ng artificial intelligence para sa medikal na diagnosis, natuklasan ng mga siyentipiko na ang mga litratong kinunan ng retina ng isang indibidwal ay maaaring masuri ng mga algorithm ng machine-learning o software upang mahulaan ang panganib sa cardiovascular sa puso sa pamamagitan ng pagtukoy ng mga signal na nagpapahiwatig ng sakit sa puso. Ang katayuan ng mga daluyan ng dugo sa mata na nakunan sa mga larawan ay ipinakita upang tumpak na mahulaan ang edad, kasarian, etnisidad, presyon ng dugo, anumang naunang pag-atake sa puso at mga gawi sa paninigarilyo at lahat ng mga salik na ito ay sama-samang hinuhulaan ang mga sakit na nauugnay sa puso sa isang indibidwal.
Ang mata bilang bloke ng impormasyon
Ang ideya ng pagtingin sa mga larawan ng mata upang masuri ang kalusugan ay matagal nang umiral. Mahusay na itinatag na ang likurang panloob na dingding ng mga mata ng tao ay may maraming mga daluyan ng dugo na sumasalamin sa pangkalahatang kalusugan ng katawan. Sa pamamagitan ng pag-aaral at pagsusuri ng hitsura ng mga daluyan ng dugo na ito gamit ang isang kamera at mikroskopyo, maraming impormasyon tungkol sa presyon ng dugo, edad, naninigarilyo o hindi naninigarilyo, atbp ng isang indibidwal ang maaaring mahulaan at lahat ito ay mahalagang mga tagapagpahiwatig ng kalusugan ng puso ng isang indibidwal. . Ang Cardiovascular disease (CVD) ay ang numero unong sanhi ng kamatayan sa buong mundo at mas maraming tao ang namamatay sa CVD kumpara sa anumang iba pang sakit o kondisyon. Ito ay higit na laganap sa mga bansang mababa at nasa gitna ang kita at isang malaking pasanin sa ekonomiya at sangkatauhan. Ang panganib sa cardiovascular ay nakasalalay sa maraming mga kadahilanan tulad ng mga gene, edad, etnisidad, kasarian, kasama ng ehersisyo at diyeta. Karamihan sa mga sakit sa cardiovascular ay maiiwasan sa pamamagitan ng pagtugon sa mga panganib sa pag-uugali tulad ng paggamit ng tabako, labis na katabaan, pisikal na kawalan ng aktibidad at hindi malusog na diyeta sa pamamagitan ng paggawa ng mga makabuluhang pagbabago sa pamumuhay upang matugunan ang mga posibleng panganib.
Diagnosis ng kalusugan gamit ang mga retinal na larawan
Ang pag-aaral na ito na isinagawa ng mga mananaliksik sa Google at ng sarili nitong kumpanya ng teknolohiyang pangkalusugan na Verily Life Sciences, ay nagpakita na ang isang Artificial Intelligence algorithm ay ginamit sa isang malaking dataset ng mga retinal na larawan ng humigit-kumulang 280,000 mga pasyente at ang algorithm na ito ay matagumpay na nahuhulaan ang mga salik sa panganib sa puso sa dalawang ganap. mga independiyenteng dataset ng humigit-kumulang 12000 at 1000 mga pasyente na may mahusay na katumpakan. Ginamit ng algorithm ang buong litrato ng retina upang mabilang ang kaugnayan sa pagitan ng imahe at ang panganib ng atake sa puso. Ang algorithm na ito ay maaaring mahulaan ang isang cardiovascular na kaganapan sa 70 porsiyento ng oras sa isang pasyente at sa katunayan ang isang naninigarilyo at isang hindi naninigarilyo ay nakikilala rin sa pagsusulit na ito 71 porsiyento ng oras. Ang algorithm ay maaari ring hulaan ang mataas na presyon ng dugo na nagpapahiwatig ng isang kondisyon ng puso at hulaan ang systolic na presyon ng dugo - ang presyon sa mga sisidlan kapag ang puso ay tumibok- sa loob ng hanay ng karamihan sa mga pasyente na may mataas o walang altapresyon. Ang katumpakan ng hulang ito, ayon sa mga may-akda ay halos kapareho sa isang cardiovascular check sa laboratoryo, kung saan kinukuha ang dugo mula sa pasyente upang sukatin ang mga antas ng kolesterol na kahanay sa kasaysayan ng pasyente. Ang algorithm sa pag-aaral na ito, na inilathala sa Kalikasan Biomedical Engineering, ay malamang na mahulaan din ang paglitaw ng isang pangunahing kaganapan sa cardiovascular -hal. atake sa puso.
Ang isang lubhang kawili-wili at napakahalagang aspeto ng mga pag-aaral na ito ay ang masasabi ng computer kung saan ito tumitingin sa isang imahe upang makarating sa isang diagnosis, na nagpapahintulot sa amin na maunawaan ang proseso ng paghula. Halimbawa, eksaktong ipinakita ng pag-aaral ng Google "kung aling mga bahagi ng retina" ang nag-ambag sa algorithm ng paghula, sa madaling salita kung paano ginagawa ng algorithm ang hula. Ang pag-unawa na ito ay mahalaga hindi lamang upang maunawaan ang paraan ng pag-aaral ng makina sa partikular na kaso na ito, ngunit para din sa pagbuo ng kumpiyansa at pananampalataya sa buong pamamaraang ito sa pamamagitan ng paggawa nitong transparent.
Hamon
Ang ganitong mga medikal na larawan ay may kasamang mga hamon dahil ang pagmamasid at pagkatapos ay ang pagbibilang ng mga asosasyon batay sa mga naturang larawan ay hindi tuwiran pangunahin dahil sa ilang mga tampok, mga kulay, mga halaga, mga hugis atbp sa mga larawang ito. Ang pag-aaral na ito ay gumagamit ng malalim na pag-aaral upang ilabas ang mga koneksyon, asosasyon at relasyon sa pagitan ng mga pagbabago sa anatomya ng tao (internal na morpolohiya ng katawan) at sakit sa parehong paraan tulad ng gagawin ng isang propesyonal sa pangangalagang pangkalusugan kapag iniuugnay niya ang mga sintomas ng mga pasyente sa isang sakit. . Ang mga algorithm na ito ay nangangailangan ng higit pang pagsubok bago sila magamit sa isang klinikal na setting.
Sa kabila ng mga talakayan at hamon, ang AI ay may malaking potensyal na baguhin ang diagnosis at pamamahala ng sakit sa pamamagitan ng paggawa ng mga pagsusuri at pag-uuri na kinasasangkutan ng napakaraming data na mahirap para sa mga eksperto ng tao. Nagbibigay ito ng mabilis, cost-effective, non-invasive na alternatibong mga tool sa diagnostic na nakabatay sa imahe. Ang mahahalagang salik para sa tagumpay ng mga AI system ay ang mas mataas na kapangyarihan sa pag-compute at mas maraming karanasan ng mga tao. Sa isang posibleng hinaharap, ang mga bagong medikal na insight at diagnosis ay maaaring makamit gamit ang AI nang walang direksyon o pangangasiwa ng tao.
***
{Maaari mong basahin ang orihinal na papel ng pananaliksik sa pamamagitan ng pag-click sa link ng DOI na ibinigay sa ibaba sa listahan ng (mga) binanggit na pinagmulan}
Pinagmulan (s)
1. Kermany DS et al. 2018. Pagkilala sa Mga Medikal na Diagnose at Mga Sakit na Nagagamot sa pamamagitan ng Malalim na Pag-aaral na Nakabatay sa Imahe. Cell. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. Prediction ng cardiovascular risk factors mula sa retinal fundus photographs sa pamamagitan ng deep learning. Kalikasan Biomedical Engineering. 2. https://doi.org/10.1038/s41551-018-0195-0
