Ватсон не вкусив лікаря, і дуже добре

Хоча, як і в багатьох інших областях, захоплене прагнення замінити лікарів ІІ після серії діагностичних невдач дещо ослабло, робота з розробки медицини на основі ІІ все ще продовжується. Тому що вони, як і раніше, пропонують великі можливості і шанс підвищити ефективність операцій у багатьох її областях.

У 2015 році було оголошено про створення IBM, а в 2016 році вона отримала доступ до даних чотирьох великих компаній, що займаються збором даних про пацієнтів (1). Найвідоміший, завдяки численним повідомленням у ЗМІ, і водночас найамбіційніший проект із використанням просунутого штучного інтелекту IBM був пов'язаний з онкологією. Вчені намагалися використовувати величезні ресурси даних для їх обробки, щоб перетворити їх на добре адаптовані протиракові методи лікування. Довгостроковою метою було змусити Вотсона судити клінічні випробування та результати, як це зробив би лікар.

1. Одна із візуалізацій медичної системи Watson Health

Проте виявилося, що Уотсон не може самостійно звертатися до медичної літератури, а також не може отримувати інформацію з електронних медичних карток пацієнтів. Проте найтяжчим звинуваченням проти нього було те, що нездатність ефективно порівняти нового пацієнта з іншими старішими онкологічними хворими та виявити симптоми, невидимі на перший погляд.

Були, за загальним визнанням, і деякі онкологи, які стверджували, що довіряють його міркуванням, хоча в основному з погляду пропозицій Уотсона за стандартними методами лікування або як додатковий, додатковий медичний висновок. Багато хто вказував, що ця система стане відмінним автоматизованим бібліотекарем для лікарів.

В результаті не дуже приємних відгуків IBM проблеми з продажем системи Watson у медзакладах США. Торговим представникам IBM вдалося продати його деяким лікарням Індії, Південної Кореї, Таїланду та інших країн. В Індії лікарі оцінили рекомендації Вотсона щодо 638 ​​випадків раку молочної залози. Рівень дотримання рекомендацій щодо лікування становить 73%. Гірше Уотсон вибув у Медичному центрі Гачон у Південній Кореї, де його найкращі рекомендації для 656 пацієнтів із колоректальним раком співпадали з рекомендаціями експертів лише у 49 відсотках випадків. Лікарі оцінили, що Watson погано справлявся з літніми пацієнтамине запропонувавши їм певні стандартні ліки, та здійснив критичну помилку, призначивши спостереження за агресивним лікуванням деяким пацієнтам із метастатичним захворюванням.

Зрештою, хоча його робота як діагноста та лікаря оцінюється як невдала, є області, в яких він виявився надзвичайно корисним. Товар Вотсон для геноміки, який був розроблений у співпраці з Університетом Північної Кароліни, Єльським університетом та іншими установами, використовується генетичні лабораторії для підготовки звітів для онкологів. Watson завантажує файл списку генетичні мутації у пацієнта та за лічені хвилини може створити звіт, що включає пропозиції щодо всіх важливих ліків та клінічних випробувань. Вотсон відносно легко справляється з генетичною інформацієютому що вони представлені в структурованих файлах і не містять двозначностей - або є мутація або немає мутації.

Партнери IBM з Університету Північної Кароліни опублікували у 2017 році статтю про ефективність. Уотсон виявив потенційно важливі мутації, які були ідентифіковані дослідженнями на людях, у 32% їх. досліджених пацієнтів, що зробило їх добрими кандидатами для застосування нового препарату. Однак досі немає доказів того, що використання призводить до найкращих результатів лікування.

Приручення білків

Цей та багато інших прикладів сприяють зростаючому переконанню в тому, що всі недоліки в галузі охорони здоров'я усуваються, але потрібно шукати області, де це дійсно може допомогти, тому що там люди не дуже добре почуваються. Таким полем є, наприклад, дослідження білка. Минулого року з'явилася інформація, що він може точно пророкувати форму білків на основі їхньої послідовності (2). Це традиційно завдання, не під силу не тільки людям, а й навіть потужним комп'ютерам. Якщо ми освоїмо точне моделювання скручування білкових молекул, перед генною терапією відкриються великі можливості. Вчені сподіваються, що за допомогою AlphaFold ми вивчимо функції тисяч, а це, у свою чергу, дозволить зрозуміти причини багатьох захворювань.

2. Скручування білкових молекул, змодельоване за допомогою AlphaFold від DeepMind.

Зараз ми знаємо двісті мільйонів білків, але ми повністю розуміємо структуру та функції невеликої їх частини. білки це основний будівельний блок живих організмів. Вони відповідальні більшість процесів, які у клітинах. Те, як вони працюють і що вони роблять, визначається їхньою тривимірною структурою. Вони набувають відповідної форми без будь-яких інструкцій, керуючись законами фізики. Протягом десятиліть основним способом визначення форми білків були експериментальні способи. У 50-х роках використання Рентгенокристалографічні методи. В останнє десятиліття він став доцільним інструментом дослідження кристалічна мікроскопія. У 80-х та 90-х роках розпочалися роботи з використання комп'ютерів для визначення форми білків. Проте результати все одно не задовольнили вчених. Методи, що працювали для одних білків, не працювали для інших.

Уже в 2018 році AlphaFold отримали визнання фахівців у моделювання білків. Проте тоді він використовував методи, дуже схожі інші програми. Вчені змінили тактику та створили іншу, в якій також використовувалася інформація про фізичні та геометричні обмеження при згортанні білкових молекул. AlphaFold дав нерівномірний результат. Іноді в нього справи йшли краще, іноді гірше. Але майже дві третини його пророцтв збіглися з результатами, отриманими експериментальними методами. На початку 2 року алгоритм описав структуру кількох білків вірусу SARS-CoV-3. Пізніше було виявлено, що пророцтво для білка Orf2020a узгоджуються з результатами, отриманими експериментально.

Йдеться не лише про вивчення внутрішніх способів згортання білків, а й про дизайн. Дослідники з ініціативи NIH BRAIN використали машинне навчання розробити білок, який може відслідковувати рівень серотоніну у мозку в режимі реального часу. Серотонін - це нейрохімічна речовина, яка відіграє ключову роль у тому, як мозок контролює наші думки та почуття. Наприклад, багато антидепресантів призначені для зміни сигналів серотоніну, які передаються між нейронами. У статті у журналі «Клітка» вчені розповіли, як вони використовують передові методи генної інженерії перетворити бактеріальний білок на новий дослідницький інструмент, який може допомогти відстежувати передачу серотоніну з більшою точністю, ніж сучасні методи. Доклінічні експерименти, в основному на мишах, показали, що датчик може миттєво виявляти тонкі зміни рівня серотоніну в мозку під час сну, страху та соціальних взаємодій, а також перевіряти ефективність нових психоактивних препаратів.

Боротьба з пандемією не завжди була успішною

Зрештою, це була перша епідемія, про яку ми писали у МТ. Однак, наприклад, якщо говорити про сам процес розвитку пандемії, то на початковому етапі ІІ здавався чимось на кшталт провалу. Вчені скаржилися, що штучний інтелект не може правильно передбачити масштаби поширення коронавірусу на основі даних про попередні епідемії. «Ці рішення добре працюють у деяких областях, таких як розпізнавання осіб, які мають певну кількість очей та вух. Епідемія SARS-CoV-2 Це невідомі раніше події та безліч нових змінних, тому штучний інтелект, що базується на історичних даних, які використовувалися для його навчання, працює погано. Пандемія показала, що треба шукати інші технології та підходи», — заявив Максим Федоров зі Сколтеха у квітні 2020 року у заяві для російських ЗМІ.

Згодом з'явилися однак алгоритми, які, здається, доводять велику корисність ІІ у боротьбі з COVD-19. Вчені в США восени 2020 року розробили систему для розпізнавання характерних моделей кашлю у людей з COVID-19, навіть якщо вони не мали інших симптомів.

Коли з'явилися вакцини, народилася ідея допомогти кампанії з вакцинації населення. Вона могла б, наприклад допомогти змоделювати транспортування та логістику вакцин. Також у визначенні того, які групи населення слід вакцинувати насамперед, щоб швидше впоратися з пандемією. Це також допомогло б прогнозувати попит та оптимізувати терміни та швидкість вакцинації, швидко виявляючи проблеми та вузькі місця у логістиці. Поєднання алгоритмів з постійним моніторингом також може швидко надати інформацію про можливі побічні ефекти та явища для здоров'я.

ці системи з використанням ІІ в оптимізації та покращенні охорони здоров'я вже відомі. Їх практичні переваги були гідно оцінені; наприклад система охорони здоров'я, розроблена компанією Macro-Eyes в американському Стенфордському університеті. Як і у випадку з багатьма іншими медичними установами, проблемою була відсутність пацієнтів, які не з'явилися на прийом. Макро-Очі збудували систему, яка могла надійно передбачити, яких пацієнтів там, мабуть, не буде. В окремих ситуаціях він також міг запропонувати альтернативний час та місцезнаходження клінік, що збільшило б шанси появи пацієнта. Пізніше аналогічна технологія була застосована в різних місцях від Арканзасу до Нігерії за підтримки, зокрема Агентства США з міжнародного розвитку i.

У Танзанії Macro-Eyes працювала над проектом, спрямованим на підвищення показників імунізації дітей. Програмне забезпечення аналізувало, скільки доз вакцин необхідно відправити до центру вакцинації. Він також зміг оцінити, які сім'ї можуть не захотіти вакцинувати своїх дітей, але їх можна було переконати за допомогою відповідних аргументів та вказівки центру вакцинації у зручному місці. Використовуючи це програмне забезпечення, уряд Танзанії зміг підвищити ефективність своєї програми імунізації на 96%. та скоротити кількість відходів вакцини до 2,42 на 100 осіб.

У Сьєрра-Леоне, де були відсутні дані про здоров'я жителів, компанія спробувала зіставити це з інформацією про освіту. Виявилося, що лише показника кількості вчителів та їхніх учнів було достатньо, щоб передбачити 70 відсотків. точність того, чи є в місцевій поліклініці доступ до чистої води, що вже є слідом даних про здоров'я людей (3).

3. Ілюстрація Macro-Eyes про програми охорони здоров'я на основі ІІ в Африці.

Міф про машинного лікаря не зникає

Незважаючи на невдачі Ватсон нові підходи до діагностики все ще розробляються і вважаються більш досконалими. Порівняння зроблено у Швеції у вересні 2020 р. використовується у візуалізаційній діагностиці раку молочної залози. показало, що найкращий із них працює так само, як і лікар-рентгенолог. Алгоритми були протестовані з використанням майже дев'яти тисяч мамографічних зображень, отриманих під час звичайного скринінгу. Три системи, позначені як АІ-1, АІ-2 та АІ-3, досягли точності 81,9%, 67%. та 67,4%. Для порівняння, у рентгенологів, які інтерпретують дані зображення як перші, цей показник становив 77,4%, а у разі рентгенологихто був другим, хто описав це, це було 80,1 відсотка. Найкращий алгоритм також зміг виявити випадки, які рентгенологи пропустили під час скринінгу, і жінки були діагностовані як хворі менш ніж за рік.

На думку дослідників, ці результати доводять, що алгоритми штучного інтелекту допомагають виправити помилково-негативні діагнози, поставлені радіологами. Об'єднання можливостей АІ-1 із середнім лікарем-рентгенологом збільшило кількість раків молочної залози, що виявляються, на 8%. Команда з Королівського інституту, яка проводить це дослідження, очікує, що якість алгоритмів ІІ продовжуватиме зростати. Повний опис експерименту було опубліковано у «JAMA Oncology».

W за п'ятибальною шкалою. В даний час ми спостерігаємо значне технологічне прискорення та вихід на IV рівень (висока автоматизація), коли система самостійно автоматично обробляє отримані дані та надає спеціалісту попередньо проаналізовану інформацію. Це заощаджує час, дозволяє уникнути людських помилок та забезпечує більш ефективне лікування пацієнтів. Ось що він судив кілька місяців тому Стен А.І. у близькій йому галузі медицини проф. Януш Бражевич з Польського товариства ядерної медицини у заяві для Польської агенції друку.

4. Машинний перегляд медичних зображень

Алгоритми, на думку фахівців, як проф. Бразієвичнавіть незамінні у цій галузі. Причина в швидкому збільшенні кількості діагностичних тестів, що візуалізують. Лише за період 2000-2010 років. кількість МРТ-досліджень та обстежень збільшилася в десятки разів. На жаль, кількість доступних лікарів-фахівців, які могли б провести їх швидко та надійно, не побільшало. Також відчувається нестача кваліфікованих технічних спеціалістів. Впровадження алгоритмів на основі штучного інтелекту заощаджує час і дозволяє повністю стандартизувати процедури, а також уникнути людських помилок та ефективніших, персоналізованих методів лікування для пацієнтів.

Як виявилося, також судова медицина може отримати вигоду з розвиток штучного інтелекту. Фахівці у цій галузі можуть визначити точний час смерті померлого шляхом хімічного аналізу виділень хробаків та інших істот, які харчуються мертвими тканинами. Проблема виникає, коли аналіз включають суміші виділень різних видів некрофагов. Тут у гру вступає машинне навчання. Вчені з Університету Олбані розробили метод штучного інтелекту, який дозволяє швидше визначати види хробаків з урахуванням їх «хімічних відбитків пальців». Команда навчила комп'ютерну програму, використовуючи суміші різних комбінацій хімічних виділень шести видів мух. Він розшифрував хімічні ознаки личинок комах, використовуючи мас-спектрометричний метод, який ідентифікує хімічні речовини шляхом точного виміру ставлення маси до електричного заряду іона.

Так що, як бачите, однак ІІ у ролі детектива-розслідувача не дуже добре, це може бути дуже корисно у лабораторії криміналістики. Можливо, ми очікували від неї дуже багато на цьому етапі, передбачаючи алгоритми, які позбавлять лікарів роботи (5). Коли ми дивимося на штучний інтелект якщо говорити більш реалістично, зосередивши увагу на конкретних практичних перевагах, а не загалом, її кар'єра в медицині знову виглядає дуже перспективно.

5. Бачення машини лікаря