Недавние исследования показали способность систем искусственного интеллекта в медицинской диагностике важных заболеваний.
Системы искусственного интеллекта (ИИ) существуют уже довольно давно и со временем становятся умнее и лучше. У ИИ есть приложения во множестве областей, и теперь он является неотъемлемой частью большинства областей. ИИ может быть важным и полезным компонентом основным медицинским наука и исследования, поскольку они обладают огромным потенциалом влияния на отрасль здравоохранения.
Искусственный интеллект в медицинской диагностике?
Время — самый ценный ресурс в здравоохранении, и ранняя правильная диагностика очень важна для окончательного исхода заболевания. Оказание медицинской помощи часто представляет собой длительный и трудоемкий процесс, который откладывает постановку эффективной диагностики и, в свою очередь, откладывает правильное лечение. AI может помочь заполнить пробел между доступностью и управлением временем врачей за счет скорости и точности диагностики пациентов. Это могло бы помочь преодолеть ограниченность ресурсов и медицинских работников, особенно в странах с низким и средним уровнем дохода. ИИ — это процесс обучения и мышления, как и у людей, посредством концепции, называемой глубоким обучением. Глубокое обучение использует широкие наборы выборочных данных для самостоятельного создания деревьев решений. Благодаря такому глубокому обучению система искусственного интеллекта действительно может думать так же, как люди, если не лучше, и, следовательно, искусственный интеллект можно считать пригодным для выполнения медицинских задач. При диагностике пациентов системы искусственного интеллекта продолжают искать закономерности среди пациентов с одинаковыми заболеваниями. Со временем эти закономерности могут стать основой для прогнозирования заболеваний до того, как они проявятся.
В недавнем исследовании1 опубликованной в Ячейкаисследователи использовали искусственный методы интеллекта и машинного обучения для разработки нового вычислительного инструмента для скрининга пациентов с распространенными, но невыносимыми заболеваниями сетчатки, что может ускорить диагностику и лечение. Исследователи использовали нейронную сеть на основе искусственного интеллекта для просмотра более 200,000 сканирований глаз, выполненных с помощью неинвазивной технологии, отражающей свет от сетчатки для создания 2D и 3D-представлений ткани. Затем они применили метод, называемый «трансферное обучение», при котором знания, полученные при решении одной проблемы, сохраняются в компьютере и применяются к различным, но связанным проблемам. Например, нейронная сеть искусственного интеллекта, оптимизированная для распознавания дискретных анатомических структур глаза, таких как сетчатка, роговица или зрительный нерв, может более быстро и эффективно идентифицировать и оценивать их при изучении изображений всего глаза. Этот процесс позволяет системе ИИ постепенно обучаться с использованием гораздо меньшего набора данных, чем традиционные методы, которые требуют больших наборов данных, что делает их дорогостоящими и трудоемкими.
Исследование было сосредоточено на двух распространенных причинах необратимой слепоты, которые поддаются лечению при раннем выявлении. Машинные диагнозы сравнивались с диагнозами пяти офтальмологов, которые просматривали те же снимки. Помимо постановки медицинского диагноза, платформа искусственного интеллекта также выдала рекомендации по направлению и лечению, чего не было ни в одном предыдущем исследовании. Эта обученная система искусственного интеллекта действовала так же, как хорошо обученный офтальмолог, и могла в течение 30 секунд принять решение о том, следует ли направить пациента на лечение, с точностью более 95 процентов. Они также протестировали инструмент искусственного интеллекта при диагностике детской пневмонии, основной причины смертности детей во всем мире (в возрасте до 5 лет), на основе машинного анализа рентгенограмм грудной клетки. Интересно, что компьютерная программа смогла отличить вирусную и бактериальную пневмонию с точностью более 90 процентов. Это очень важно, поскольку, хотя вирусная пневмония естественным образом выводится организмом после ее течения, бактериальная пневмония, с другой стороны, имеет более серьезную угрозу для здоровья и требует немедленного лечения антибиотиками.
В другом крупном прыжке2 В системах искусственного интеллекта для медицинской диагностики ученые обнаружили, что фотографии сетчатки глаза человека можно анализировать с помощью алгоритмов машинного обучения или программного обеспечения для прогнозирования риска сердечно-сосудистых заболеваний путем выявления сигналов, указывающих на сердечные заболевания. Было показано, что состояние кровеносных сосудов в глазу, которое запечатлено на фотографиях, позволяет точно предсказать возраст, пол, этническую принадлежность, артериальное давление, любые предшествующие сердечные приступы и курение, и все эти факторы в совокупности позволяют прогнозировать сердечные заболевания у человека.
Глаз как информационный блок
Идея взглянуть на фотографии глаза для диагностики здоровья существует уже некоторое время. Хорошо известно, что задняя внутренняя стенка человеческого глаза имеет множество кровеносных сосудов, которые отражают общее состояние здоровья тела. Изучая и анализируя внешний вид этих кровеносных сосудов с помощью камеры и микроскопа, можно предсказать большой объем информации об артериальном давлении, возрасте, курильщике или некурящем человеке и т. Д., И все это важные показатели здоровья сердца человека. . Сердечно-сосудистые заболевания (ССЗ) являются причиной смерти номер один во всем мире, и от ССЗ умирает больше людей, чем от любого другого заболевания или состояния. Это более распространено в странах с низким и средним уровнем доходов и ложится тяжелым бременем на экономику и человечество. Риск сердечно-сосудистых заболеваний зависит от множества факторов, таких как гены, возраст, этническая принадлежность, пол, в сочетании с физическими упражнениями и диетой. Большинство сердечно-сосудистых заболеваний можно предотвратить путем устранения поведенческих рисков, таких как употребление табака, ожирение, отсутствие физической активности и нездоровое питание, путем внесения значительных изменений в образ жизни для устранения возможных рисков.
Диагностика здоровья с помощью изображений сетчатки глаза
Это исследование, проведенное исследователями из Google и ее собственной компании Verily Life Sciences, занимающейся технологиями здравоохранения, показало, что алгоритм искусственного интеллекта использовался на большом наборе данных фотографий сетчатки примерно 280,000 пациентов, и этот алгоритм смог успешно предсказать факторы риска сердца в двух полностью независимые наборы данных около 12000 и 1000 пациентов с достаточно хорошей точностью. Алгоритм использовал всю фотографию сетчатки глаза, чтобы количественно оценить связь между изображением и риском сердечного приступа. Этот алгоритм мог предсказать сердечно-сосудистые события в 70% случаев у пациента, и фактически курильщик и некурящий также были различимы в этом тесте в 71% случаев. Алгоритм также может прогнозировать высокое кровяное давление, указывающее на состояние сердца, и прогнозировать систолическое кровяное давление - давление в сосудах при сердцебиении - в пределах диапазона большинства пациентов с высоким кровяным давлением или без него. По словам авторов, точность этого прогноза очень похожа на проверку сердечно-сосудистой системы в лаборатории, когда у пациента берут кровь для измерения уровня холестерина параллельно с историей болезни пациента. Алгоритм в этом исследовании, опубликованном в Природа Биомедицинская инженерия, может с большой вероятностью также предсказать возникновение серьезного сердечно-сосудистого события, например сердечного приступа.
Чрезвычайно интересным и важным аспектом этих исследований было то, что компьютер может определить, куда он смотрит на изображении, чтобы поставить диагноз, что позволяет нам понять процесс прогнозирования. Например, исследование Google точно показало, «какие части сетчатки глаза» участвовали в алгоритме прогнозирования, другими словами, как алгоритм делал прогноз. Это понимание важно не только для понимания метода машинного обучения в данном конкретном случае, но и для создания уверенности и веры во всю эту методологию, делая ее прозрачной.
Вызовы
Такие медицинские изображения сопряжены со своими проблемами, потому что наблюдение, а затем количественная оценка ассоциаций, основанных на таких изображениях, непросто в основном из-за нескольких характеристик, цветов, значений, форм и т. Д. В этих изображениях. В этом исследовании используется глубокое обучение, чтобы выявить связи, ассоциации и отношения между изменениями в анатомии человека (внутренней морфологии тела) и заболеванием так же, как это сделал бы медицинский работник, когда он или она коррелирует симптомы пациента с заболеванием. . Эти алгоритмы требуют дополнительных испытаний, прежде чем их можно будет использовать в клинических условиях.
Несмотря на дискуссии и проблемы, ИИ обладает огромным потенциалом для революционных изменений в диагностике и лечении заболеваний, проводя анализ и классификацию с использованием огромных объемов данных, что затруднительно для экспертов-людей. Он предоставляет быстрые, экономичные, неинвазивные альтернативные диагностические инструменты на основе изображений. Важными факторами успеха систем искусственного интеллекта будут более высокая вычислительная мощность и больший опыт людей. В вероятном будущем новые медицинские идеи и диагноз могут быть достигнуты с помощью ИИ без руководства или контроля со стороны человека.
{Вы можете прочитать исходную исследовательскую работу, щелкнув ссылку DOI, приведенную ниже в списке цитируемых источников}
Источник (ы)
1. Kermany DS et al. 2018. Выявление медицинских диагнозов и излечимых заболеваний с помощью глубокого обучения на основе изображений. Клетка. 172 (5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. Прогнозирование факторов риска сердечно-сосудистых заболеваний по фотографиям глазного дна сетчатки с помощью глубокого обучения. Природа Биомедицинская инженерия. 2. https://doi.org/10.1038/s41551-018-0195-0
