Watson bed ikke lægen, og meget godt

Selvom entusiasmen for at erstatte læger med AI, som på mange andre områder, er aftaget noget efter en række diagnostiske fejl, er arbejdet med at udvikle AI-baseret medicin stadig i gang. For ikke desto mindre tilbyder de stadig store muligheder og en chance for at forbedre effektiviteten af ​​driften på mange af dens områder.

IBM blev annonceret i 2015 og fik i 2016 adgang til data fra fire store patientdatavirksomheder (1). Det mest berømte, takket være adskillige medierapporter, og samtidig det mest ambitiøse projekt med IBMs avancerede kunstige intelligens var relateret til onkologi. Forskere har forsøgt at udnytte de enorme dataressourcer til at behandle dem for at gøre dem til veltilpassede anti-kræftbehandlinger. Det langsigtede mål var at få Watson til at dømme kliniske forsøg og resultater, ligesom en læge ville gøre.

1. En af visualiseringerne af Watson Health medicinske system

Det viste det sig dog Watson kan ikke selvstændigt konsultere medicinsk litteratur og kan ikke hente oplysninger fra patienters elektroniske journaler. Den mest alvorlige anklage mod ham var dog det manglende evne til effektivt at sammenligne en ny patient med andre ældre kræftpatienter og opdage symptomer, der ikke er synlige ved første øjekast.

Der var ganske vist nogle onkologer, der hævdede at stole på hans dømmekraft, dog mest i form af Watsons forslag til standardbehandlinger eller som supplerende, supplerende medicinsk udtalelse. Mange antydede, at dette system ville være en fremragende automatiseret bibliotekar for læger.

Som et resultat af ikke særlig flatterende anmeldelser, IBM problemer med at sælge Watson-systemet til amerikanske medicinske institutioner. IBMs salgsrepræsentanter var i stand til at sælge det til nogle hospitaler i Indien, Sydkorea, Thailand og andre lande. I Indien vurderede læger () Watsons anbefalinger om 638 tilfælde af brystkræft. Overholdelsesraten for behandlingsanbefalingerne er 73 %. Værre Watson droppede ud på Gachon Medical Center i Sydkorea, hvor hans bedste anbefalinger til 656 kolorektal cancerpatienter matchede eksperternes anbefalinger kun 49 procent af tiden. Det vurderede lægerne Watson gjorde ikke et godt stykke arbejde med ældre patienterved at undlade at tilbyde dem visse standardmedicin, og lavede en kritisk fejl ved at stille nogle patienter med metastatisk sygdom på vagt for aggressiv behandling.

I sidste ende, selvom hans arbejde som diagnostiker og læge vurderes at være mislykket, er der områder, hvor han har vist sig yderst nyttig. Produkt Watson for genomik, som er udviklet i samarbejde med University of North Carolina, Yale University og andre institutioner, anvendes genetiske laboratorier til udarbejdelse af rapporter til onkologer. Watson downloader listefilen genetiske mutationer patient og kan generere en rapport på få minutter, der indeholder forslag til alle vigtige lægemidler og kliniske forsøg. Watson håndterer genetisk information med relativ lethedfordi de præsenteres i strukturerede filer og ikke indeholder uklarheder - enten er der en mutation, eller også er der ingen mutation.

IBM-partnere ved University of North Carolina udgav et papir om effektivitet i 2017. Watson fandt potentielt vigtige mutationer, som ikke var blevet identificeret af menneskelige undersøgelser i 32 % af dem. undersøgte patienter, hvilket gjorde dem til gode kandidater til det nye lægemiddel. Der er dog stadig ingen evidens for, at brug fører til bedre behandlingsresultater.

At tæmme egern

Dette og mange andre eksempler bidrager til en voksende tro på, at alle huller i sundhedsvæsenet bliver løst, men vi er nødt til at lede efter områder, hvor det virkelig kan hjælpe, for det er der, folk ikke har det særlig godt. Et sådant felt er f.eks. proteinforskning. Sidste år blev det rapporteret, at det nøjagtigt kunne forudsige formen af ​​proteiner baseret på deres sekvens (2). Dette er traditionelt en opgave, der ligger uden for magten hos ikke kun mennesker, men endda kraftfulde computere. Hvis vi nøjagtigt kan modellere foldningen af ​​proteinmolekyler, vil potentialet for genterapi være enormt. Forskere håber, at vi med AlphaFold vil studere tusindvis af funktioner, og dette vil igen give os mulighed for at forstå årsagerne til mange sygdomme.

2. Proteinfoldning modelleret ved hjælp af DeepMind's AlphaFold.

Nu vi kender to hundrede millioner proteiner, men vi forstår fuldt ud strukturen og funktionen af ​​en lille del af dem. Proteiner det er den grundlæggende byggesten i levende organismer. De er ansvarlige for de fleste af de processer, der forekommer i celler. Hvordan de arbejder, og hvad de gør, er bestemt af deres tredimensionelle struktur. De antager den passende form uden nogen instruktioner, styret af fysikkens love. I årtier har den vigtigste metode til at bestemme formen af ​​proteiner været eksperimentelle metoder. I 50'erne brug Røntgen krystallografiske metoder. I det sidste årti er det blevet det foretrukne forskningsværktøj krystalmikroskopi. I 80'erne og 90'erne begyndte arbejdet med at bruge computere til at bestemme formen på proteiner. Resultaterne tilfredsstillede dog stadig ikke forskerne. Metoder, der virkede for nogle proteiner, virkede ikke for andre.

Allerede i 2018 AlphaFold modtaget anerkendelse fra eksperter i proteinmodellering. Men på det tidspunkt brugte den metoder meget lig andre programmer. Forskerne ændrede deres taktik og skabte en anden, der også brugte information om de fysiske og geometriske begrænsninger af proteinfoldning. AlphaFold gav ujævne resultater. Nogle gange gik det bedre for ham, nogle gange værre. Men næsten to tredjedele af hans forudsigelser faldt sammen med resultaterne opnået ved eksperimentelle metoder. I begyndelsen af ​​2 år beskrev algoritmen strukturen af ​​adskillige proteiner af SARS-CoV-3-virus. Forudsigelserne for Orf2020a-proteinet viste sig senere at være i overensstemmelse med de eksperimentelle resultater.

Det handler ikke kun om at lære, hvordan proteiner foldes internt, det handler også om design. Forskere fra NIH BRAIN Initiative brugte maskinelæring udvikle et protein, der kan overvåge serotoninniveauet i hjernen i realtid. Serotonin er et neurokemisk stof, der spiller en nøglerolle i, hvordan hjernen styrer vores tanker og følelser. For eksempel er mange antidepressiva designet til at ændre serotoninsignaler, der overføres mellem neuroner. I en artikel i tidsskriftet Cell beskrev forskerne, hvordan de bruger avanceret genteknologiske metoder forvandle et bakterielt protein til et nyt forskningsværktøj, der kan hjælpe med at spore serotonintransmission med større præcision end nuværende metoder. Prækliniske eksperimenter, mest i mus, har vist, at sensoren øjeblikkeligt kan registrere subtile ændringer i serotoninniveauer i hjernen under søvn, frygt og sociale interaktioner, samt teste effektiviteten af ​​nye psykoaktive stoffer.

Kampen mod pandemien har ikke altid været vellykket

Det var trods alt den første epidemi, vi skrev om i MT. Men hvis vi for eksempel taler om udviklingen af ​​selve pandemien, så virkede AI i den indledende fase som noget af en fiasko. Forskere klagede over det Kunstig intelligens kan ikke korrekt forudsige omfanget af spredningen af ​​coronavirus baseret på data fra tidligere epidemier. “Disse løsninger fungerer godt på nogle områder, såsom at genkende ansigter med et vist antal øjne og ører. SARS-CoV-2-epidemi Det er hidtil ukendte hændelser og mange nye variabler, så kunstig intelligens baseret på de historiske data, der blev brugt til at træne den, fungerer ikke godt. Pandemien har vist, at vi er nødt til at lede efter andre teknologier og tilgange,” sagde Maxim Fedorov fra Skoltech i april 2020 i en erklæring til russiske medier.

Med tiden dukkede der op dog algoritmer, der ser ud til at bevise den større anvendelighed af AI i kampen mod COVD-19. Forskere i USA udviklede i efteråret 2020 et system til at genkende de karakteristiske hostemønstre hos mennesker med COVID-19, selvom de ikke havde andre symptomer.

Da vacciner blev tilgængelige, opstod ideen om at hjælpe befolkningens vaccinationskampagne. Hun kunne f.eks hjælpe med at modellere vaccinetransport og logistik. Også ved at afgøre, hvilke befolkningsgrupper der skal vaccineres først for hurtigt at kunne klare pandemien. Det ville også hjælpe med at forudsige efterspørgsel og optimere timingen og hastigheden af ​​vaccinationer, hurtigt identificere problemer og logistiske flaskehalse. Kombination af algoritmer med kontinuerlig overvågning kan også hurtigt give information om mulige bivirkninger og helbredshændelser.

disse systemer, der bruger AI i at optimere og forbedre sundhedsvæsenet er allerede kendt. Deres praktiske fordele blev værdsat; for eksempel sundhedssystemet udviklet af Macro-Eyes ved det amerikanske Stanford University. Som det er tilfældet med mange andre medicinske institutioner, var problemet manglen på patienter, der ikke mødte op til aftaler. Makro øjne bygget et system, der pålideligt kunne forudsige, hvilke patienter der sandsynligvis ikke ville være der. I visse situationer kunne han også foreslå alternative kliniktider og -steder, hvilket ville øge chancerne for, at en patient dukker op. Lignende teknologi blev senere anvendt på steder fra Arkansas til Nigeria med støtte fra blandt andet US Agency for International Development, dvs.

I Tanzania arbejdede Macro-Eyes på et projekt rettet mod øge antallet af børnevaccinationer. Softwaren analyserede, hvor mange vaccinedoser der skulle sendes til et givet vaccinationscenter. Han var også i stand til at vurdere, hvilke familier der kunne være tilbageholdende med at vaccinere deres børn, men som kunne overtales gennem passende argumenter og identifikation af et vaccinationscenter på et passende sted. Ved at bruge denne software var den tanzaniske regering i stand til at øge effektiviteten af ​​sit immuniseringsprogram med 96 %. og reducere vaccinespild til 2,42 pr. 100 mennesker.

I Sierra Leone, hvor data om beboernes helbred manglede, forsøgte virksomheden at matche dette med information om uddannelse. Det viste sig, at antallet af lærere og deres elever alene var nok til at forudsige 70 pct. nøjagtigheden af, om den lokale klinik har adgang til rent vand, hvilket allerede er et spor af sundhedsdata for de mennesker, der bor der (3).

3. Macro-Eyes-illustration af AI-drevne sundhedsprogrammer i Afrika.

Myten om maskinlægen består

På trods af fiaskoerne Watson Nye diagnostiske tilgange er stadig under udvikling og anses for at være mere avancerede. Sammenligning foretaget i Sverige i september 2020. bruges til billeddiagnostik af brystkræft viste, at de bedste af dem klarede sig lige så godt som en radiolog. Algoritmerne blev testet ved hjælp af næsten ni tusinde mammografibilleder opnået under rutinemæssig screening. Tre systemer, betegnet som AI-1, AI-2 og AI-3, opnåede en nøjagtighed på 81,9 %, 67 %. og 67,4%. Til sammenligning, blandt radiologer, der fortolkede disse billeder som de første, var dette tal 77,4 %, og i tilfældet radiologerhvem var den anden til at beskrive det, det var 80,1 pct. Den bedste algoritme var også i stand til at opdage tilfælde, som radiologer gik glip af under screeningen, og kvinder blev diagnosticeret med sygdommen på mindre end et år.

Det beviser disse resultater ifølge forskerne kunstig intelligens algoritmer hjælpe med at rette falsk negative diagnoser stillet af radiologer. Kombinationen af ​​AI-1's egenskaber med en gennemsnitlig radiolog øgede antallet af opdagede brystkræfttilfælde med 8 %. Royal Institution-teamet, der udfører denne forskning, forventer, at kvaliteten af ​​AI-algoritmer fortsætter med at blive bedre. En fuldstændig beskrivelse af eksperimentet blev offentliggjort i JAMA Oncology.

W på en fem-punkts skala. I øjeblikket ser vi en betydelig teknologisk acceleration og når niveau IV (høj automatisering), når systemet uafhængigt automatisk behandler de modtagne data og giver specialisten forudanalyseret information. Dette sparer tid, undgår menneskelige fejl og giver en mere effektiv patientbehandling. Det vurderede han for et par måneder siden Stan A.I. på det ham nærliggende lægevidenskabelige område, prof. Janusz Braziewicz fra det polske selskab for nuklearmedicin i en erklæring til det polske presseagentur.

4. Maskingennemgang af medicinske billeder

Algoritmer, ifølge eksperter som prof. Brazievichendda uerstattelig i denne branche. Årsagen er den hurtige stigning i antallet af billeddiagnostiske tests. Kun for perioden 2000-2010. antallet af MR-undersøgelser og undersøgelser er tidoblet. Desværre er antallet af tilgængelige lægespecialister, som kunne udføre dem hurtigt og pålideligt, ikke steget. Der er også mangel på kvalificerede teknikere. Introduktionen af ​​kunstig intelligens-baserede algoritmer sparer tid og giver mulighed for fuldstændig standardisering af procedurer, samt undgåelse af menneskelige fejl og mere effektive, personaliserede behandlinger til patienter.

Som det også viste sig retsmedicin kan nyde godt af udvikling af kunstig intelligens. Eksperter på dette område kan bestemme det nøjagtige tidspunkt for døden af ​​den afdøde ved kemisk analyse af sekreterne fra orme og andre væsner, der lever af dødt væv. Et problem opstår, når blandinger af sekreter fra forskellige typer nekrofager indgår i analysen. Det er her maskinlæring kommer i spil. Forskere fra universitetet i Albany har udviklet kunstig intelligens-metode, der muliggør hurtigere identifikation af ormearter baseret på deres "kemiske fingeraftryk". Holdet trænede deres computerprogram ved at bruge blandinger af forskellige kombinationer af kemiske sekreter fra seks arter af fluer. Han dechiffrerede insektlarvernes kemiske signaturer ved hjælp af en massespektrometrisk teknik, der identificerer kemikalier ved præcist at måle forholdet mellem masse og elektrisk ladning af en ion.

Så som du dog kan se AI som efterforskningsdetektiv ikke særlig godt, det kunne være meget nyttigt i et kriminallaboratorium. Vi har måske forventet for meget af det på dette stadium, idet vi forudser algoritmer, der ville sætte læger uden arbejde (5). Når vi ser på Kunstig intelligens mere realistisk, ved at fokusere på specifikke praktiske fordele frem for helheden, ser hendes karriere inden for medicin meget lovende ud igen.

5. Syn af lægens bil