Ուոթսոնը չի կծել բժշկին և շատ լավ

Չնայած, ինչպես շատ այլ ոլորտներում, բժիշկներին արհեստական ​​ինտելեկտով փոխարինելու ոգևորությունը որոշ չափով թուլացել է մի շարք ախտորոշիչ ձախողումներից հետո, AI-ի վրա հիմնված բժշկության զարգացման ուղղությամբ աշխատանքները դեռ շարունակվում են: Որովհետև, այնուամենայնիվ, դրանք դեռևս մեծ հնարավորություններ և հնարավորություն են տալիս բարելավելու գործառնությունների արդյունավետությունը իր շատ ոլորտներում:

IBM-ը հայտարարվել է 2015 թվականին և 2016 թվականին մուտք է գործել հիվանդների տվյալների չորս խոշոր ընկերությունների տվյալներ (1): Ամենահայտնին, շնորհիվ բազմաթիվ լրատվամիջոցների հաղորդումների, և միևնույն ժամանակ IBM-ի առաջադեմ արհեստական ​​ինտելեկտի օգտագործմամբ ամենահավակնոտ նախագիծը կապված էր ուռուցքաբանության հետ: Գիտնականները փորձել են օգտագործել տվյալների հսկայական ռեսուրսները՝ դրանք մշակելու համար, որպեսզի դրանք վերածեն լավ ադապտացված հակաքաղցկեղային բուժման: Երկարաժամկետ նպատակն էր Վաթսոնին մրցավար դարձնել Կլինիկական փորձարկումներ և արդյունքները, ինչպես բժիշկը:

1. Watson Health բժշկական համակարգի վիզուալիզացիաներից մեկը

Սակայն պարզվեց, որ Ուոթսոն չի կարող ինքնուրույն հղում կատարել բժշկական գրականությանը, ինչպես նաև չի կարող տեղեկատվություն քաղել հիվանդների էլեկտրոնային բժշկական գրառումներից: Նրան, սակայն, ամենալուրջ մեղադրանքը դա էր անկարողությունը արդյունավետորեն համեմատել նոր հիվանդին այլ տարեց քաղցկեղով հիվանդների հետ և հայտնաբերել ախտանիշներ, որոնք առաջին հայացքից անտեսանելի են..

Անշուշտ, կային որոշ ուռուցքաբաններ, ովքեր պնդում էին, որ վստահում էին նրա դատողություններին, թեև հիմնականում ստանդարտ բուժման վերաբերյալ Ուոթսոնի առաջարկությունների կամ որպես լրացուցիչ, լրացուցիչ բժշկական եզրակացության առումով: Շատերն են նշել, որ այս համակարգը հիանալի ավտոմատացված գրադարանավար կլինի բժիշկների համար:

IBM-ի ոչ այնքան շոյող ակնարկների արդյունքում ԱՄՆ բժշկական հաստատություններում Watson համակարգի վաճառքի հետ կապված խնդիրներ. IBM-ի վաճառքի ներկայացուցիչներին հաջողվել է այն վաճառել Հնդկաստանի, Հարավային Կորեայի, Թաիլանդի և այլ երկրների որոշ հիվանդանոցների։ Հնդկաստանում բժիշկները () գնահատել են Ուոթսոնի առաջարկությունները կրծքագեղձի քաղցկեղի 638 դեպքի վերաբերյալ: Բուժման առաջարկությունների համապատասխանության մակարդակը 73% է: Ավելի վատ Ուոթսոն դուրս է եկել Հարավային Կորեայի Գաչոնի բժշկական կենտրոնում, որտեղ նրա լավագույն առաջարկությունները կոլոռեկտալ քաղցկեղով 656 հիվանդների համար համընկնում էին փորձագետների առաջարկություններին միայն 49 տոկոսով: Բժիշկները գնահատել են դա Ուոթսոնը լավ չէր վարվում տարեց հիվանդների հետչառաջարկելով նրանց որոշակի ստանդարտ դեղամիջոցներ և թույլ տվեց վճռական սխալ՝ ձեռնարկելով ագրեսիվ բուժման հսկողություն մետաստատիկ հիվանդությամբ որոշ հիվանդների համար:

Ի վերջո, թեև նրա աշխատանքը որպես ախտորոշիչ և բժիշկ համարվում է անհաջող, կան ոլորտներ, որտեղ նա չափազանց օգտակար է եղել: Ապրանք Ուոթսոնը գենոմիկայի համար, որը մշակվել է Հյուսիսային Կարոլինայի համալսարանի, Յեյլի համալսարանի և այլ հաստատությունների հետ համագործակցությամբ, օգտագործվում է Ուռուցքաբանների համար զեկույցների պատրաստման գենետիկական լաբորատորիաներ. Watson-ի ներբեռնումների ցուցակի ֆայլը գենետիկ մուտացիաներ հիվանդի մոտ և կարող է րոպեների ընթացքում ստեղծել զեկույց, որը ներառում է առաջարկներ բոլոր կարևոր դեղամիջոցների և կլինիկական փորձարկումների համար: Ուոթսոնը համեմատաբար հեշտությամբ է մշակում գենետիկական տեղեկատվությունըքանի որ դրանք ներկայացված են կառուցվածքային ֆայլերում և չեն պարունակում երկիմաստություններ՝ կա՛մ մուտացիա կա, կա՛մ մուտացիա չկա։

Հյուսիսային Կարոլինայի համալսարանի IBM-ի գործընկերները 2017թ.-ին հրապարակեցին աշխատություն արդյունավետության մասին: Ուոթսոնը նրանց 32%-ի մոտ հայտնաբերել է պոտենցիալ կարևոր մուտացիաներ, որոնք չեն հայտնաբերվել մարդկային ուսումնասիրությունների արդյունքում: հիվանդները ուսումնասիրել են՝ դարձնելով նրանց լավ թեկնածուներ նոր դեղամիջոցի համար: Այնուամենայնիվ, դեռևս չկա որևէ ապացույց, որ օգտագործումը հանգեցնում է բուժման ավելի լավ արդյունքների:

Սպիտակուցների ընտելացում

Այս և շատ այլ օրինակներ նպաստում են աճող համոզմունքին, որ առողջապահության ոլորտում բոլոր թերությունները լուծվում են, բայց մենք պետք է փնտրենք ոլորտներ, որտեղ դա իսկապես կարող է օգնել, քանի որ այնտեղ մարդիկ այնքան էլ լավ չեն աշխատում: Նման դաշտ է, օրինակ. սպիտակուցային հետազոտություն. Անցյալ տարի տեղեկություն հայտնվեց, որ այն կարող է ճշգրիտ կանխատեսել սպիտակուցների ձևը՝ ելնելով դրանց հաջորդականությունից (2): Սա ավանդական խնդիր է, որը վեր է ոչ միայն մարդկանց, այլ նույնիսկ հզոր համակարգիչների ուժերից: Եթե ​​մենք տիրապետենք սպիտակուցի մոլեկուլների ոլորման ճշգրիտ մոդելավորմանը, գենային թերապիայի համար հսկայական հնարավորություններ կլինեն: Գիտնականները հույս ունեն, որ AlphaFold-ի օգնությամբ մենք կուսումնասիրենք հազարավորների գործառույթները, իսկ դա, իր հերթին, թույլ կտա հասկանալ բազմաթիվ հիվանդությունների պատճառները։

Նկար 2. Սպիտակուցի ոլորումը մոդելավորված DeepMind-ի AlphaFold-ով:

Հիմա մենք գիտենք երկու հարյուր միլիոն սպիտակուցներ, բայց մենք լիովին հասկանում ենք դրանց մի փոքր մասի կառուցվածքն ու գործառույթը։ Սպիտակուցներ այն կենդանի օրգանիզմների հիմնական շինանյութն է: Նրանք պատասխանատու են բջիջներում տեղի ունեցող գործընթացների մեծ մասի համար: Ինչպես են նրանք աշխատում և ինչ են անում, որոշվում է նրանց 50D կառուցվածքով: Նրանք ընդունում են համապատասխան ձև՝ առանց որևէ հրահանգի՝ առաջնորդվելով ֆիզիկայի օրենքներով։ Տասնամյակներ շարունակ փորձարարական մեթոդները եղել են սպիտակուցների ձևի որոշման հիմնական մեթոդը։ XNUMX-ական թվականներին կիրառ Ռենտգենյան բյուրեղագրական մեթոդներ. Վերջին տասնամյակում այն ​​դարձել է հետազոտության ընտրության գործիք բյուրեղյա մանրադիտակ. 80-90-ական թվականներին սկսեցին աշխատել համակարգիչների օգտագործման վրա՝ սպիտակուցների ձևը որոշելու համար: Սակայն արդյունքները դեռևս չեն գոհացրել գիտնականներին։ Մեթոդները, որոնք աշխատում էին որոշ սպիտակուցների համար, չէին աշխատում մյուսների համար:

Արդեն 2018թ AlphaFold ստացել է ճանաչում փորձագետների կողմից սպիտակուցի մոդելավորում. Այնուամենայնիվ, այն ժամանակ այն օգտագործում էր մեթոդներ, որոնք շատ նման էին այլ ծրագրերին: Գիտնականները փոխել են մարտավարությունը և ստեղծել մեկ ուրիշը, որտեղ օգտագործվել են նաև սպիտակուցների մոլեկուլների ծալման ֆիզիկական և երկրաչափական սահմանափակումների մասին տեղեկատվություն։ AlphaFold անհավասար արդյունքներ տվեց. Երբեմն նա ավելի լավ էր անում, երբեմն ավելի վատ: Բայց նրա կանխատեսումների գրեթե երկու երրորդը համընկավ փորձարարական մեթոդներով ստացված արդյունքների հետ։ 2-րդ տարվա սկզբին ալգորիթմը նկարագրել է SARS-CoV-3 վիրուսի մի քանի սպիտակուցների կառուցվածքը։ Ավելի ուշ պարզվեց, որ Orf2020a սպիտակուցի կանխատեսումները համահունչ են փորձարարական եղանակով ստացված արդյունքներին։

Խոսքը ոչ միայն սպիտակուցների ծալման ներքին ուղիների ուսումնասիրության, այլեւ դիզայնի մասին է։ NIH BRAIN նախաձեռնության հետազոտողները օգտագործել են մեքենայի ուսուցում զարգացնել սպիտակուց, որը կարող է իրական ժամանակում հետևել ուղեղի սերոտոնինի մակարդակին: Սերոտոնինը նեյրոքիմիկատ է, որն առանցքային դեր է խաղում այն ​​հարցում, թե ինչպես է ուղեղը կառավարում մեր մտքերն ու զգացմունքները: Օրինակ, շատ հակադեպրեսանտներ նախատեսված են փոխելու սերոտոնինի ազդանշանները, որոնք փոխանցվում են նեյրոնների միջև: Cell ամսագրում հրապարակված հոդվածում գիտնականները նկարագրել են, թե ինչպես են նրանք օգտագործում առաջադեմը գենետիկական ինժեներիայի մեթոդներ վերածել բակտերիալ սպիտակուցը նոր հետազոտական ​​գործիքի, որը կարող է օգնել հետևել սերոտոնինի փոխանցմանը ավելի մեծ ճշգրտությամբ, քան ներկայիս մեթոդները: Նախակլինիկական փորձերը, հիմնականում մկների վրա, ցույց են տվել, որ սենսորը կարող է ակնթարթորեն հայտնաբերել ուղեղի սերոտոնինի մակարդակի նուրբ փոփոխությունները քնի, վախի և սոցիալական շփումների ժամանակ և ստուգել նոր հոգեակտիվ դեղամիջոցների արդյունավետությունը:

Պանդեմիայի դեմ պայքարը միշտ չէ, որ հաջող է եղել

Ի վերջո, սա առաջին համաճարակն էր, որի մասին գրել էինք ՄՏ-ում։ Սակայն, օրինակ, եթե խոսենք համաճարակի զարգացման բուն գործընթացի մասին, ապա սկզբնական փուլում արհեստական ​​ինտելեկտը կարծես թե ձախողված էր։ Գիտնականները բողոքել են, որ արհեստական ​​բանականություն չի կարող ճիշտ կանխատեսել կորոնավիրուսի տարածման չափը՝ հիմնվելով նախորդ համաճարակների տվյալների վրա։ «Այս լուծումները լավ են աշխատում որոշ ոլորտներում, օրինակ՝ ճանաչելով դեմքերը, որոնք ունեն որոշակի թվով աչքեր և ականջներ: SARS-CoV-2 համաճարակ Սրանք նախկինում անհայտ իրադարձություններ են և բազմաթիվ նոր փոփոխականներ, ուստի արհեստական ​​ինտելեկտը, որը հիմնված է պատմական տվյալների վրա, որոնք օգտագործվել են այն մարզելու համար, լավ չի աշխատում: Համաճարակը ցույց տվեց, որ մենք պետք է փնտրենք այլ տեխնոլոգիաներ և մոտեցումներ», - ասաց Մաքսիմ Ֆեդորովը Skoltech-ից 2020 թվականի ապրիլին ռուսական լրատվամիջոցներին ուղղված հայտարարության մեջ:

Ժամանակի ընթացքում կային սակայն ալգորիթմներ, որոնք կարծես ապացուցում են AI-ի մեծ օգտակարությունը COVID-19-ի դեմ պայքարում. ԱՄՆ-ի գիտնականները 2020 թվականի աշնանը մշակեցին համակարգ՝ COVID-19-ով հիվանդ մարդկանց մոտ հազի բնորոշ ձևերը ճանաչելու համար, նույնիսկ եթե նրանք այլ ախտանիշներ չունենան:

Երբ հայտնվեցին պատվաստանյութերը, գաղափարը ծնվեց՝ օգնելու պատվաստել բնակչությանը։ Նա կարող էր, օրինակ օգնել պատվաստանյութերի փոխադրման և լոգիստիկայի մոդելավորմանը. Նաև որոշելու, թե որ պոպուլյացիաները պետք է առաջինը պատվաստվեն, որպեսզի ավելի արագ հաղթահարեն համաճարակը: Այն նաև կօգնի կանխատեսել պահանջարկը և օպտիմալացնել պատվաստումների ժամանակն ու արագությունը՝ արագ բացահայտելով լոգիստիկայի խնդիրներն ու խոչընդոտները: Ալգորիթմների համադրությունը շարունակական մոնիտորինգի հետ կարող է նաև արագ տեղեկատվություն տրամադրել հնարավոր կողմնակի ազդեցությունների և առողջական իրադարձությունների մասին:

դրանք համակարգեր, որոնք օգտագործում են AI Առողջապահության օպտիմալացման և բարելավման գործում արդեն հայտնի են։ Նրանց գործնական առավելությունները գնահատվեցին. օրինակ՝ ԱՄՆ-ի Սթենֆորդի համալսարանում Macro-Eyes-ի կողմից մշակված առողջապահական համակարգը: Ինչպես շատ այլ բուժհաստատությունների դեպքում, խնդիրն այն հիվանդների պակասն էր, ովքեր չեն ներկայացել տեսակցության։ Մակրո Աչքեր կառուցել է մի համակարգ, որը կարող է հուսալիորեն կանխատեսել, թե որ հիվանդներն այնտեղ չեն գտնվի: Որոշ իրավիճակներում նա կարող է նաև առաջարկել կլինիկաների այլընտրանքային ժամեր և վայրեր, ինչը կբարձրացնի հիվանդի հայտնվելու հավանականությունը: Հետագայում նմանատիպ տեխնոլոգիա կիրառվեց տարբեր վայրերում՝ Արկանզասից մինչև Նիգերիա, աջակցությամբ, մասնավորապես, ԱՄՆ Միջազգային զարգացման գործակալության i.

Տանզանիայում Macro-Eyes-ն աշխատել է մի նախագծի վրա, որի նպատակն էր երեխաների պատվաստումների մակարդակի բարձրացում. Ծրագրային ապահովումը վերլուծել է, թե պատվաստանյութերի քանի չափաբաժին պետք է ուղարկվի տվյալ պատվաստման կենտրոն: Նա նաև կարողացավ գնահատել, թե որ ընտանիքները կարող են չցանկանալ պատվաստել իրենց երեխաներին, սակայն նրանց կարելի էր համոզել համապատասխան փաստարկներով և պատվաստումների կենտրոնի գտնվելու վայրում հարմար վայրում: Օգտագործելով այս ծրագրաշարը՝ Տանզանիայի կառավարությունը կարողացել է 96%-ով բարձրացնել իմունիզացիայի ծրագրի արդյունավետությունը։ և կրճատել պատվաստանյութերի թափոնները մինչև 2,42 100 մարդու հաշվով:

Սիերա Լեոնեում, որտեղ բացակայում էին բնակիչների առողջական տվյալները, ընկերությունը փորձեց դա համապատասխանեցնել կրթության մասին տեղեկատվությանը: Պարզվեց, որ միայն ուսուցիչների ու նրանց աշակերտների թիվը բավարար էր 70 տոկոսը կանխատեսելու համար։ ճշտությունը, թե արդյոք տեղական կլինիկան հասանելի է մաքուր ջրին, որն արդեն այնտեղ ապրող մարդկանց առողջության վերաբերյալ տվյալների հետք է (3):

3. Աֆրիկայում AI-ի վրա հիմնված առողջապահական ծրագրերի Macro-Eyes նկարազարդումը:

Մեքենայի բժշկի առասպելը չի ​​վերանում

Չնայած անհաջողություններին Ուոթսոն նոր ախտորոշիչ մոտեցումներ դեռ մշակվում են և համարվում են ավելի ու ավելի առաջադեմ: Համեմատությունը կատարվել է Շվեդիայում 2020 թվականի սեպտեմբերին։ օգտագործվում է կրծքագեղձի քաղցկեղի պատկերային ախտորոշման մեջ ցույց տվեց, որ նրանցից լավագույնն աշխատում է այնպես, ինչպես ռադիոլոգը։ Ալգորիթմները փորձարկվել են՝ օգտագործելով մոտ ինը հազար մամոգրաֆիկ պատկերներ, որոնք ստացվել են սովորական զննման ժամանակ: Երեք համակարգեր, որոնք նշանակված են որպես AI-1, AI-2 և AI-3, հասել են 81,9%, 67% ճշգրտության: եւ 67,4%: Համեմատության համար նշենք, որ ճառագայթաբանների համար, ովքեր այս պատկերները մեկնաբանում են որպես առաջին, այս ցուցանիշը կազմել է 77,4%, իսկ այն դեպքում. ռադիոլոգներով է երկրորդը նկարագրել, այն կազմել է 80,1 տոկոս։ Ալգորիթմներից լավագույնը կարողացավ նաև հայտնաբերել դեպքեր, որոնք ռադիոլոգները բաց են թողել սկրինինգի ժամանակ, և կանանց մոտ մեկ տարուց պակաս ժամանակում ախտորոշվել է որպես հիվանդ:

Հետազոտողների կարծիքով՝ այս արդյունքներն ապացուցում են դա արհեստական ​​ինտելեկտի ալգորիթմներ օգնում է շտկել ռադիոլոգների կողմից տրված կեղծ բացասական ախտորոշումները: AI-1-ի հնարավորությունների համադրումը միջին ռենտգենոլոգի հետ ավելացրել է կրծքագեղձի քաղցկեղի հայտնաբերված դեպքերը 8%-ով։ Այս ուսումնասիրությունն իրականացնող Թագավորական ինստիտուտի թիմն ակնկալում է, որ AI ալգորիթմների որակը կշարունակի աճել: Փորձի ամբողջական նկարագրությունը հրապարակվել է JAMA Oncology-ում։

W հինգ բալանոց սանդղակով: Ներկայումս մենք ականատես ենք տեխնոլոգիական զգալի արագացման և IV մակարդակի (բարձր ավտոմատացում) հասնելու, երբ համակարգը ինքնուրույն ավտոմատ կերպով մշակում է ստացված տվյալները և մասնագետին տրամադրում նախապես վերլուծված տեղեկատվություն։ Սա խնայում է ժամանակը, խուսափում է մարդկային սխալներից և ապահովում է ավելի արդյունավետ հիվանդների խնամք: Այդպես էր նա դատում մի քանի ամիս առաջ Սթեն Ա.Ի. իրեն հարազատ բժշկության բնագավառում պրոֆ. Յանուշ Բրազևիչ Միջուկային բժշկության լեհական ընկերության կողմից լեհական մամուլի գործակալությանը տված հայտարարության մեջ:

4. Բժշկական պատկերների մեքենայական դիտում

Ալգորիթմները, ըստ այնպիսի փորձագետների, ինչպիսիք են պրոֆ. Բրազիևիչնույնիսկ անփոխարինելի այս ոլորտում: Պատճառը ախտորոշիչ պատկերային հետազոտությունների արագ աճն է։ Միայն 2000-2010թթ. ՄՌՏ հետազոտությունների և հետազոտությունների թիվը տասնապատկվել է։ Ցավոք սրտի, հասանելի մասնագետ բժիշկների թիվը, որոնք կարող էին դրանք արագ և հուսալիորեն իրականացնել, չի ավելացել։ Նաև որակյալ տեխնիկների պակաս կա։ AI-ի վրա հիմնված ալգորիթմների ներդրումը խնայում է ժամանակը և թույլ է տալիս ընթացակարգերի լիարժեք ստանդարտացում, ինչպես նաև խուսափել մարդկային սխալներից և հիվանդների համար ավելի արդյունավետ, անհատականացված բուժումից:

Ինչպես պարզվեց, նույնպես դատաբժշկական բժշկություն կարող է օգուտ քաղել արհեստական ​​ինտելեկտի զարգացում. Այս ոլորտի մասնագետները կարող են որոշել հանգուցյալի մահվան ստույգ ժամը՝ որդերի և մեռած հյուսվածքներով սնվող այլ արարածների սեկրեցների քիմիական անալիզով։ Խնդիր է առաջանում, երբ վերլուծության մեջ ներառվում են տարբեր տեսակի նեկրոֆագների սեկրեցների խառնուրդներ: Այստեղ է, որ մեքենայական ուսուցումն ուժի մեջ է մտնում: Ալբանիի համալսարանի գիտնականները մշակել են արհեստական ​​ինտելեկտի մեթոդ, որը թույլ է տալիս ավելի արագ բացահայտել որդերի տեսակները նրանց «քիմիական մատնահետքերի» հիման վրա։ Թիմը վարժեցրեց իրենց համակարգչային ծրագիրը՝ օգտագործելով վեց տեսակի ճանճերի քիմիական սեկրեցների տարբեր համակցությունների խառնուրդներ: Նա վերծանել է միջատների թրթուրների քիմիական նշանները՝ օգտագործելով զանգվածային սպեկտրոմետրիա, որը նույնականացնում է քիմիական նյութերը՝ ճշգրիտ չափելով զանգվածի և իոնի էլեկտրական լիցքի հարաբերակցությունը:

Այսպիսով, ինչպես տեսնում եք, սակայն AI-ն որպես հետաքննող դետեկտիվ ոչ այնքան լավ, դա կարող է շատ օգտակար լինել դատաբժշկական լաբորատորիայում: Թերևս այս փուլում մենք նրանից շատ բան էինք սպասում՝ ակնկալելով ալգորիթմներ, որոնք բժիշկներին կազատեն աշխատանքից (5): Երբ մենք նայում ենք արհեստական ​​բանականություն Ավելի իրատեսորեն, կենտրոնանալով ոչ թե ընդհանուրի, այլ կոնկրետ գործնական առավելությունների վրա, նրա կարիերան բժշկության ոլորտում կրկին շատ խոստումնալից է թվում:

5. Բժշկի մեքենայի տեսլականը