Недавние исследования показали способность систем искусственного интеллекта в медицинской диагностике важных заболеваний.
Системы искусственного интеллекта (ИИ) существуют уже довольно давно и с течением времени становятся все умнее и совершеннее. ИИ находит применение во множестве областей и в настоящее время является неотъемлемой частью большинства сфер. ИИ может стать важным и полезным компонентом медицинской науки и исследований, поскольку обладает огромным потенциалом для влияния на отрасль здравоохранения.
Искусственный интеллект в медицинской диагностике?
Время — самый ценный ресурс в здравоохранении, и ранняя, своевременная диагностика имеет решающее значение для исхода заболевания. Медицинское обслуживание часто представляет собой длительный и ресурсоемкий процесс, задерживающий эффективную диагностику и, как следствие, правильное лечение. Искусственный интеллект может помочь восполнить этот пробел между доступностью и управлением временем врачей, обеспечивая скорость и точность диагностики пациентов. Он может помочь преодолеть ограничения ресурсов и квалификации медицинских работников, особенно в странах с низким и средним уровнем дохода. ИИ — это процесс обучения и мышления, подобно человеку, посредством концепции, называемой глубоким обучением. Глубокое обучение использует обширные наборы выборочных данных для самостоятельного создания деревьев решений. Благодаря глубокому обучению система ИИ может мыслить так же, как человек, если не лучше, и поэтому ИИ может считаться пригодным для выполнения медицинских задач. При диагностике пациентов системы ИИ постоянно ищут закономерности среди пациентов с одинаковыми заболеваниями. Со временем эти закономерности могут стать основой для прогнозирования заболеваний до их проявления.
В недавнем исследовании¹ , опубликованном в журнале Cell , исследователи использовали методы искусственного интеллекта и машинного обучения для разработки нового вычислительного инструмента для скрининга пациентов с распространенными, но приводящими к слепоте заболеваниями сетчатки, что потенциально может ускорить диагностику и лечение. Исследователи использовали нейронную сеть на основе ИИ для анализа более 1 200,000 снимков глаз, полученных с помощью неинвазивной технологии, которая отражает свет от сетчатки для создания 2D и 3D изображений тканей. Затем они применили метод, называемый «перенос обучения», при котором знания, полученные при решении одной задачи, сохраняются компьютером и применяются к различным, но связанным задачам. Например, нейронная сеть ИИ, оптимизированная для распознавания отдельных анатомических структур глаза, таких как сетчатка, роговица или зрительный нерв, может быстрее и эффективнее идентифицировать и оценивать их при анализе изображений всего глаза. Этот процесс позволяет системе ИИ постепенно обучаться на гораздо меньшем наборе данных, чем традиционные методы, требующие больших наборов данных, что делает их дорогостоящими и трудоемкими.
Исследование было посвящено двум распространенным причинам необратимой слепоты, которые поддаются лечению при раннем выявлении. Диагнозы, полученные с помощью машинного обучения, сравнивались с диагнозами пяти офтальмологов, которые проанализировали те же снимки. Помимо постановки медицинского диагноза, платформа ИИ также генерировала рекомендации по направлению к специалисту и лечению, чего не делалось ни в одном предыдущем исследовании. Эта обученная система ИИ действовала подобно хорошо подготовленному офтальмологу и могла в течение 30 секунд принять решение о необходимости направления пациента на лечение с точностью более 95 процентов. Также был протестирован инструмент ИИ для диагностики детской пневмонии, одной из ведущих причин смерти детей (в возрасте до 5 лет) во всем мире, на основе машинного анализа рентгеновских снимков грудной клетки. Интересно, что компьютерная программа смогла различить вирусную и бактериальную пневмонию с точностью более 90 процентов. Это крайне важно, поскольку, хотя вирусная пневмония естественным образом выводится из организма после своего течения, бактериальная пневмония, напротив, представляет собой более серьезную угрозу для здоровья и требует немедленного лечения антибиотиками.
В ходе еще одного значительного прорыва в системах искусственного интеллекта для медицинской диагностики ученые обнаружили, что фотографии сетчатки глаза человека могут быть проанализированы алгоритмами машинного обучения или программным обеспечением для прогнозирования риска сердечно-сосудистых заболеваний путем выявления сигналов, указывающих на сердечные заболевания. Было показано, что состояние кровеносных сосудов глаза, зафиксированное на фотографиях, точно предсказывает возраст, пол, этническую принадлежность, артериальное давление, наличие перенесенных ранее инфарктов и привычек курения, и все эти факторы в совокупности предсказывают развитие сердечно-сосудистых заболеваний 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
Исследование, проведенное исследователями из Google и собственной компании по разработке медицинских технологий Verily Life Sciences, показало, что алгоритм искусственного интеллекта, примененный к большому набору данных ретинальных фотографий примерно 280 000 пациентов, смог успешно предсказать факторы риска сердечно-сосудистых заболеваний в двух совершенно независимых наборах данных, содержащих около 12 000 и 1000 пациентов, с достаточно высокой точностью. Алгоритм использовал полную фотографию сетчатки для количественной оценки связи между изображением и риском сердечного приступа. Этот алгоритм смог предсказать сердечно-сосудистое событие в 70% случаев у пациента, и, фактически, в этом тесте также удалось различить курильщика и некурящего в 71% случаев. Алгоритм также смог предсказать высокое кровяное давление, указывающее на заболевание сердца, и предсказать систолическое кровяное давление — давление в сосудах во время сокращения сердца — в пределах диапазона большинства пациентов с высоким или низким кровяным давлением. Точность этого прогноза, по словам авторов, очень похожа на точность лабораторного обследования сердечно-сосудистой системы, при котором у пациента берут кровь для измерения уровня холестерина, параллельно с анализом анамнеза пациента. Алгоритм, описанный в этом исследовании и опубликованный в журнале Nature Biomedical Engineering , с наибольшей вероятностью также может предсказывать возникновение серьезных сердечно-сосудистых событий, например, инфаркта.
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.
Задачи
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.
Источник (ы)
1. Kermany DS et al. 2018. Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning. Cell. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Поплин Р. и др. 2018. Прогнозирование факторов риска сердечно-сосудистых заболеваний по фотографиям глазного дна с помощью глубокого обучения. Nature Biomedical Engineering. 2. https://doi.org/10.1038/s41551-018-0195-0
