Watson nuk e kafshoi doktorin dhe shumë mirë

Edhe pse, si në shumë fusha të tjera, entuziazmi për të zëvendësuar mjekët me AI është zbehur disi pas një sërë dështimesh diagnostikuese, puna për zhvillimin e mjekësisë së bazuar në AI është ende në vazhdim. Sepse, megjithatë, ato ende ofrojnë mundësi të mëdha dhe një shans për të përmirësuar efikasitetin e operacioneve në shumë prej fushave të saj.

IBM u njoftua në vitin 2015 dhe në vitin 2016 fitoi akses në të dhëna nga katër kompani të mëdha të të dhënave për pacientët (1). Më i famshmi, falë raportimeve të shumta në media, dhe në të njëjtën kohë projekti më ambicioz që përdor inteligjencën artificiale të avancuar nga IBM, lidhej me onkologjinë. Shkencëtarët janë përpjekur të përdorin burimet e mëdha të të dhënave për t'i përpunuar ato në mënyrë që t'i kthejnë ato në terapi të mirëpërshtatura kundër kancerit. Synimi afatgjatë ishte që Watson të merrej si gjyqtar provat klinike dhe rezultatet si një mjek.

1. Një nga vizualizimet e sistemit mjekësor Watson Health

Megjithatë, doli që Watson nuk mund t'i referohet në mënyrë të pavarur literaturës mjekësore, dhe gjithashtu nuk mund të nxjerrë informacion nga të dhënat elektronike mjekësore të pacientëve. Megjithatë, akuza më e rëndë ndaj tij ishte ajo pamundësia për të krahasuar në mënyrë efektive një pacient të ri me pacientë të tjerë të moshuar me kancer dhe për të zbuluar simptoma që janë të padukshme në shikim të parë.

Pa dyshim, kishte disa onkologë që pretendonin se kishin besim në gjykimin e tij, megjithëse kryesisht për sa i përket sugjerimeve të Watson-it për trajtime standarde, ose si një opinion shtesë mjekësor shtesë. Shumë kanë theksuar se ky sistem do të jetë një bibliotekar i madh i automatizuar për mjekët.

Si rezultat i rishikimeve jo shumë të këndshme nga IBM problemet me shitjen e sistemit Watson në institucionet mjekësore amerikane. Përfaqësuesit e shitjeve të IBM arritën ta shesin atë në disa spitale në Indi, Kore të Jugut, Tajlandë dhe vende të tjera. Në Indi, mjekët () vlerësuan rekomandimet e Watson për 638 raste të kancerit të gjirit. Shkalla e pajtueshmërisë për rekomandimet e trajtimit është 73%. Më keq Watson e la në Qendrën Mjekësore Gachon në Korenë e Jugut, ku rekomandimet e tij më të mira për 656 pacientë me kancer kolorektal përputheshin me rekomandimet e ekspertëve vetëm 49 për qind të rasteve. Këtë e kanë vlerësuar mjekët Watson nuk ia doli mirë me pacientët e moshuarduke mos u ofruar disa ilaçe standarde dhe bëri gabimin kritik duke ndërmarrë mbikëqyrje agresive të trajtimit për disa pacientë me sëmundje metastatike.

Në fund të fundit, megjithëse puna e tij si diagnostikues dhe mjek konsiderohet si e pasuksesshme, ka fusha në të cilat ai u tregua jashtëzakonisht i dobishëm. Produkt Watson për Gjenomikën, i cili u zhvillua në bashkëpunim me Universitetin e Karolinës së Veriut, Universitetin Yale dhe institucione të tjera, është përdorur laboratorët gjenetikë për përgatitjen e raporteve për onkologët. Skedari i listës së shkarkimeve të Watson mutacione gjenetike në një pacient dhe mund të gjenerojë një raport në minuta që përfshin sugjerime për të gjitha barnat e rëndësishme dhe provat klinike. Watson trajton informacionin gjenetik me lehtësi relativesepse ato janë paraqitur në skedarë të strukturuar dhe nuk përmbajnë paqartësi - ose ka mutacion ose nuk ka mutacion.

Partnerët e IBM në Universitetin e Karolinës së Veriut publikuan një punim mbi efikasitetin në 2017. Watson gjeti mutacione potencialisht të rëndësishme që nuk ishin identifikuar nga studimet njerëzore në 32% të tyre. pacientët e studiuar, duke i bërë ata kandidatë të mirë për ilaçin e ri. Megjithatë, nuk ka ende asnjë provë që përdorimi të çon në rezultate më të mira të trajtimit.

Domestikimi i proteinave

Ky dhe shumë shembuj të tjerë kontribuojnë në besimin në rritje se të gjitha mangësitë në kujdesin shëndetësor po adresohen, por ne duhet të kërkojmë fusha ku kjo mund të ndihmojë vërtet, sepse njerëzit nuk po ecin shumë mirë atje. Një fushë e tillë është, për shembull, Hulumtimi i proteinave. Vitin e kaluar, doli informacioni se mund të parashikonte me saktësi formën e proteinave bazuar në sekuencën e tyre (2). Kjo është një detyrë tradicionale, përtej fuqisë së jo vetëm njerëzve, por edhe kompjuterëve të fuqishëm. Nëse ne zotërojmë modelimin e saktë të përdredhjes së molekulave të proteinave, do të ketë mundësi të mëdha për terapi gjenetike. Shkencëtarët shpresojnë se me ndihmën e AlphaFold do të studiojmë funksionet e mijërave, dhe kjo, nga ana tjetër, do të na lejojë të kuptojmë shkaqet e shumë sëmundjeve.

Figura 2. Përdredhja e proteinave e modeluar me AlphaFold të DeepMind.

Tani ne njohim dyqind milionë proteina, por ne e kuptojmë plotësisht strukturën dhe funksionin e një pjese të vogël të tyre. Proteinat është elementi themelor ndërtues i organizmave të gjallë. Ata janë përgjegjës për shumicën e proceseve që ndodhin në qeliza. Mënyra se si punojnë dhe çfarë bëjnë ata përcaktohet nga struktura e tyre 50D. Ata marrin formën e duhur pa asnjë udhëzim, të udhëhequr nga ligjet e fizikës. Për dekada, metodat eksperimentale kanë qenë metoda kryesore për përcaktimin e formës së proteinave. Në vitet 'XNUMX, përdorimi Metodat kristalografike me rreze X. Në dekadën e fundit, ai është bërë mjeti i zgjedhur i kërkimit. mikroskopi kristal. Në vitet '80 dhe '90 filloi puna për përdorimin e kompjuterëve për të përcaktuar formën e proteinave. Megjithatë, rezultatet ende nuk i kënaqën shkencëtarët. Metodat që funksionuan për disa proteina nuk funksionuan për të tjerët.

Tashmë në 2018 Palos Alphafa mori njohjen nga ekspertët në modelimi i proteinave. Megjithatë, në atë kohë përdorte metoda shumë të ngjashme me programet e tjera. Shkencëtarët ndryshuan taktikën dhe krijuan një tjetër, e cila përdorte gjithashtu informacione rreth kufizimeve fizike dhe gjeometrike në palosjen e molekulave të proteinave. Palos Alphafa dha rezultate të pabarabarta. Ndonjëherë ai bënte më mirë, ndonjëherë më keq. Por pothuajse dy të tretat e parashikimeve të tij përkonin me rezultatet e marra me metoda eksperimentale. Në fillim të vitit 2, algoritmi përshkroi strukturën e disa proteinave të virusit SARS-CoV-3. Më vonë, u zbulua se parashikimet për proteinën Orf2020a janë në përputhje me rezultatet e marra eksperimentalisht.

Nuk ka të bëjë vetëm me studimin e mënyrave të brendshme të palosjes së proteinave, por edhe me dizajnin. Studiuesit nga iniciativa NIH BRAIN përdorën mësimi i makinës zhvillojnë një proteinë që mund të gjurmojë nivelet e serotoninës në tru në kohë reale. Serotonina është një neurokimik që luan një rol kyç në mënyrën se si truri kontrollon mendimet dhe ndjenjat tona. Për shembull, shumë ilaqet kundër depresionit janë krijuar për të ndryshuar sinjalet e serotoninës që transmetohen midis neuroneve. Në një artikull në revistën Cell, shkencëtarët përshkruan se si përdorin ato të avancuara metodat e inxhinierisë gjenetike shndërroni një proteinë bakteriale në një mjet të ri kërkimor që mund të ndihmojë në gjurmimin e transmetimit të serotoninës me saktësi më të madhe se metodat aktuale. Eksperimentet paraklinike, kryesisht në minj, kanë treguar se sensori mund të zbulojë menjëherë ndryshimet delikate në nivelet e serotoninës në tru gjatë gjumit, frikës dhe ndërveprimeve sociale, dhe të testojë efektivitetin e barnave të reja psikoaktive.

Lufta kundër pandemisë nuk ka qenë gjithmonë e suksesshme

Në fund të fundit, kjo ishte epidemia e parë për të cilën shkruam në MT. Sidoqoftë, për shembull, nëse flasim për vetë procesin e zhvillimit të pandemisë, atëherë në fazën fillestare, AI dukej se ishte diçka si një dështim. Dijetarët janë ankuar se Inteligjence artificiale nuk mund të parashikojë saktë shtrirjen e përhapjes së koronavirusit bazuar në të dhënat nga epidemitë e mëparshme. “Këto zgjidhje funksionojnë mirë në disa fusha, siç është njohja e fytyrave që kanë një numër të caktuar sysh dhe veshësh. Epidemia SARS-CoV-2 Këto janë ngjarje të panjohura më parë dhe shumë ndryshore të reja, kështu që inteligjenca artificiale e bazuar në të dhënat historike që janë përdorur për ta trajnuar atë nuk funksionon mirë. Pandemia ka treguar se ne duhet të kërkojmë teknologji dhe qasje të tjera, "tha Maxim Fedorov nga Skoltech në prill 2020 në një deklaratë për mediat ruse.

Me kalimin e kohës kishte megjithatë algoritme që duket se vërtetojnë dobinë e madhe të AI në luftën kundër COVID-19. Shkencëtarët në SHBA zhvilluan një sistem në vjeshtën e vitit 2020 për të njohur modelet karakteristike të kollës tek njerëzit me COVID-19, edhe nëse nuk kishin simptoma të tjera.

Kur u shfaqën vaksinat, lindi ideja për të ndihmuar në vaksinimin e popullatës. Ajo mund, për shembull ndihmojnë në modelimin e transportit dhe logjistikës së vaksinave. Gjithashtu në përcaktimin se cilat popullata duhet të vaksinohen së pari për të përballuar më shpejt pandeminë. Do të ndihmonte gjithashtu në parashikimin e kërkesës dhe optimizimin e kohës dhe shpejtësisë së vaksinimit duke identifikuar shpejt problemet dhe pengesat në logjistikë. Kombinimi i algoritmeve me monitorim të vazhdueshëm mund të sigurojë gjithashtu informacion shpejt për efektet anësore të mundshme dhe ngjarjet shëndetësore.

эти sistemet që përdorin AI në optimizimin dhe përmirësimin e kujdesit shëndetësor janë tashmë të njohura. Përparësitë e tyre praktike u vlerësuan; për shembull, sistemi i kujdesit shëndetësor i zhvilluar nga Macro-Eyes në Universitetin Stanford në SHBA. Ashtu siç është rasti me shumë institucione të tjera mjekësore, problem ishte mungesa e pacientëve që nuk paraqiteshin në termin. Sytë makro ndërtoi një sistem që mund të parashikonte me besueshmëri se cilët pacientë nuk kishte gjasa të ishin atje. Në disa situata, ai gjithashtu mund të sugjeronte orare dhe vendndodhje alternative për klinika, të cilat do të rrisnin shanset për paraqitjen e një pacienti. Më vonë, teknologji e ngjashme u aplikua në vende të ndryshme nga Arkansas në Nigeri me mbështetjen, në veçanti, Agjencia e SHBA për Zhvillim Ndërkombëtar i.

Në Tanzani, Macro-Eyes punoi në një projekt që synonte rritja e shkallës së imunizimit të fëmijëve. Softueri analizoi se sa doza vaksinash duheshin dërguar në një qendër të caktuar vaksinimi. Ai ishte gjithashtu në gjendje të vlerësonte se cilat familje mund të hezitonin të vaksinonin fëmijët e tyre, por ata mund të binden me argumentet e duhura dhe vendndodhjen e një qendre vaksinimi në një vend të përshtatshëm. Duke përdorur këtë softuer, qeveria e Tanzanisë ka mundur të rrisë efektivitetin e programit të saj të imunizimit me 96%. dhe të reduktojë mbetjet e vaksinave në 2,42 për 100 njerëz.

Në Sierra Leone, ku mungonin të dhënat shëndetësore të banorëve, kompania u përpoq ta përputhte këtë me informacionin për arsimin. Doli se vetëm numri i mësuesve dhe nxënësve të tyre ishte i mjaftueshëm për të parashikuar 70 për qind. saktësinë nëse klinika lokale ka qasje në ujë të pastër, që tashmë është një gjurmë e të dhënave për shëndetin e njerëzve që jetojnë atje (3).

3. Ilustrim Macro-Eyes i programeve të kujdesit shëndetësor të drejtuar nga AI në Afrikë.

Miti i mjekut të makinës nuk zhduket

Pavarësisht dështimeve Watson Qasjet e reja diagnostikuese janë ende duke u zhvilluar dhe konsiderohen të jenë gjithnjë e më të avancuara. Krahasimi i bërë në Suedi në shtator 2020. përdoret në diagnostikimin imazheral të kancerit të gjirit tregoi se më i miri prej tyre punon në të njëjtën mënyrë si radiologu. Algoritmet janë testuar duke përdorur gati nëntë mijë imazhe mamografike të marra gjatë ekzaminimit rutinë. Tre sisteme, të përcaktuara si AI-1, AI-2 dhe AI-3, arritën një saktësi prej 81,9%, 67%. dhe 67,4%. Për krahasim, për radiologët që i interpretojnë këto pamje si të parat, kjo shifër ishte 77,4%, dhe në rastin e radiologëkush ishte i dyti që e përshkroi, ishte 80,1 për qind. Më i miri nga algoritmet ishte gjithashtu në gjendje të zbulonte rastet që radiologët humbën gjatë ekzaminimit dhe gratë u diagnostikuan si të sëmura në më pak se një vit.

Sipas studiuesve, këto rezultate e vërtetojnë këtë algoritme të inteligjencës artificiale ndihmojnë në korrigjimin e diagnozave false-negative të bëra nga radiologët. Kombinimi i aftësive të AI-1 me një radiolog mesatar rriti numrin e kancereve të gjirit të zbuluar me 8%. Ekipi në Institutin Mbretëror që kryen këtë studim pret që cilësia e algoritmeve të AI të vazhdojë të rritet. Një përshkrim i plotë i eksperimentit u botua në JAMA Oncology.

W në një shkallë me pesë pikë. Aktualisht, jemi dëshmitarë të një përshpejtimi të ndjeshëm teknologjik dhe arritjes së nivelit IV (automatizimi i lartë), kur sistemi në mënyrë të pavarur përpunon automatikisht të dhënat e marra dhe i siguron specialistit informacion të para-analizuar. Kjo kursen kohë, shmang gabimet njerëzore dhe siguron kujdes më efikas të pacientit. Kështu ka gjykuar disa muaj më parë Stan A.I. në fushën e mjekësisë pranë tij, prof. Janusz Braziewicz nga Shoqata Polake për Mjekësinë Bërthamore në një deklaratë për Agjencinë Polake të Shtypit.

4. Shikimi me makinë i imazheve mjekësore

Algoritmet, sipas ekspertëve të tillë si prof. Brazieviçmadje i domosdoshëm në këtë industri. Arsyeja është rritja e shpejtë e numrit të testeve diagnostike imazherike. Vetëm për periudhën 2000-2010. numri i ekzaminimeve dhe ekzaminimeve MRI është dhjetëfishuar. Fatkeqësisht, nuk është rritur numri i mjekëve specialistë që mund t'i kryejnë ato shpejt dhe me besueshmëri. Ka edhe mungesë të teknikëve të kualifikuar. Zbatimi i algoritmeve të bazuara në AI kursen kohë dhe lejon standardizimin e plotë të procedurave, si dhe shmangien e gabimeve njerëzore dhe trajtime më efikase dhe të personalizuara për pacientët.

Siç doli, gjithashtu Mjekësia Ligjore mund të përfitojnë nga zhvillimi i inteligjencës artificiale. Specialistët në këtë fushë mund të përcaktojnë kohën e saktë të vdekjes së të ndjerit me anë të analizave kimike të sekrecioneve të krimbave dhe krijesave të tjera që ushqehen me inde të vdekura. Një problem lind kur në analizë përfshihen përzierjet e sekrecioneve nga lloje të ndryshme nekrofagësh. Këtu hyn në lojë mësimi i makinerisë. Shkencëtarët në Universitetin e Albany kanë zhvilluar një metodë e inteligjencës artificiale që lejon identifikimin më të shpejtë të specieve të krimbave bazuar në “gjurmët kimike të gishtave”. Ekipi trajnoi programin e tyre kompjuterik duke përdorur përzierje të kombinimeve të ndryshme të sekrecioneve kimike nga gjashtë lloje mizash. Ai deshifroi nënshkrimet kimike të larvave të insekteve duke përdorur spektrometrinë e masës, e cila identifikon kimikatet duke matur me saktësi raportin e masës ndaj ngarkesës elektrike të një joni.

Pra, siç mund ta shihni, megjithatë AI si një detektiv hetues jo shumë i mirë, mund të jetë shumë i dobishëm në një laborator mjekoligjor. Ndoshta ne prisnim shumë prej saj në këtë fazë, duke parashikuar algoritme që do t'i linin mjekët pa punë (5). Kur shikojmë Inteligjence artificiale Në mënyrë më reale, duke u fokusuar në përfitimet praktike specifike dhe jo në ato të përgjithshme, karriera e saj në mjekësi duket përsëri shumë premtuese.

5. Vizioni i makinës së mjekut