Watson bet inte doktorn, och mycket väl

Även om entusiasmen att ersätta läkare med AI, liksom inom många andra områden, har avtagit något efter en rad diagnostiska misslyckanden, pågår arbetet med utvecklingen av AI-baserad medicin fortfarande. Eftersom de ändå erbjuder stora möjligheter och en chans att effektivisera verksamheten inom många av dess områden.

IBM tillkännagavs 2015 och fick 2016 tillgång till data från fyra stora patientdataföretag (1). Det mest kända, tack vare många mediarapporter, och samtidigt det mest ambitiösa projektet med avancerad artificiell intelligens från IBM var relaterat till onkologi. Forskare har försökt använda de enorma resurserna av data för att bearbeta dem för att omvandla dem till välanpassade anti-cancerterapier. Långsiktigt mål var att få Watson att döma kliniska tester och resultat som en läkare skulle göra.

1. En av visualiseringarna av Watson Health medicinska system

Det visade det sig dock Watson kan inte självständigt hänvisa till medicinsk litteratur, och kan inte heller extrahera information från elektroniska patientjournaler. Den allvarligaste anklagelsen mot honom var dock det misslyckande med att effektivt jämföra en ny patient med andra äldre cancerpatienter och upptäcka symtom som är osynliga vid första anblicken.

Det fanns visserligen några onkologer som påstod sig ha förtroende för hans omdöme, om än mest i termer av Watsons förslag på standardbehandlingar eller som ytterligare, ytterligare medicinsk åsikt. Många har påpekat att detta system kommer att bli en stor automatiserad bibliotekarie för läkare.

Som ett resultat av inte särskilt smickrande recensioner från IBM problem med försäljningen av Watson-systemet i amerikanska medicinska institutioner. IBMs säljare lyckades sälja den till några sjukhus i Indien, Sydkorea, Thailand och andra länder. I Indien utvärderade läkare () Watsons rekommendationer för 638 fall av bröstcancer. Överensstämmelsegraden för behandlingsrekommendationer är 73 %. Värre Watson hoppade av vid Gachon Medical Center i Sydkorea, där hans bästa rekommendationer för 656 kolorektalcancerpatienter matchade expertrekommendationer endast 49 procent av gångerna. Läkarna har bedömt det Watson klarade sig inte bra med äldre patientergenom att misslyckas med att erbjuda dem vissa standardläkemedel, och gjorde det kritiska misstaget att genomföra aggressiv behandlingsövervakning för vissa patienter med metastaserande sjukdom.

I slutändan, även om hans arbete som diagnostiker och läkare anses misslyckat, finns det områden där han har visat sig vara mycket användbar. Produkt Watson för Genomics, som utvecklats i samarbete med University of North Carolina, Yale University och andra institutioner, används genetiska laboratorier för att utarbeta rapporter för onkologer. Watson laddar ner listfil genetiska mutationer hos en patient och kan generera en rapport på några minuter som innehåller förslag på alla viktiga läkemedel och kliniska prövningar. Watson hanterar genetisk information relativt lätteftersom de presenteras i strukturerade filer och inte innehåller oklarheter - antingen finns det en mutation eller så finns det ingen mutation.

IBM-partners vid University of North Carolina publicerade ett dokument om effektivitet 2017. Watson hittade potentiellt viktiga mutationer som inte hade identifierats av mänskliga studier i 32 % av dem. patienter studerade, vilket gjorde dem till goda kandidater för det nya läkemedlet. Det finns dock fortfarande inga bevis för att användning leder till bättre behandlingsresultat.

Domesticering av proteiner

Detta och många andra exempel bidrar till den växande övertygelsen om att alla brister inom vården åtgärdas, men vi måste leta efter områden där detta verkligen kan hjälpa, för där har människor det inte så bra. Ett sådant fält är t.ex. proteinforskning. Förra året framkom information om att det exakt kunde förutsäga formen av proteiner baserat på deras sekvens (2). Detta är en traditionell uppgift, bortom kraften hos inte bara människor, utan även kraftfulla datorer. Om vi ​​behärskar den exakta modelleringen av vridningen av proteinmolekyler kommer det att finnas enorma möjligheter för genterapi. Forskare hoppas att vi med hjälp av AlphaFold kommer att studera tusentals funktioner, och detta i sin tur kommer att tillåta oss att förstå orsakerna till många sjukdomar.

Figur 2. Proteinvridning modellerad med DeepMinds AlphaFold.

Nu vi känner till tvåhundra miljoner proteiner, men vi förstår till fullo strukturen och funktionen hos en liten del av dem. proteiner det är den grundläggande byggstenen för levande organismer. De är ansvariga för de flesta av de processer som sker i celler. Hur de fungerar och vad de gör bestäms av deras 50D-struktur. De tar lämplig form utan några instruktioner, vägledda av fysikens lagar. I decennier har experimentella metoder varit huvudmetoden för att bestämma formen på proteiner. På XNUMX-talet användes Röntgenkristallografiska metoder. Under det senaste decenniet har det blivit det främsta forskningsverktyget. kristallmikroskopi. På 80- och 90-talen började man arbeta med att använda datorer för att bestämma formen på proteiner. Men resultaten tillfredsställde fortfarande inte forskarna. Metoder som fungerade för vissa proteiner fungerade inte för andra.

Redan 2018 AlphaFold fått erkännande av experter inom proteinmodellering. Men på den tiden använde den metoder som mycket liknade andra program. Forskarna ändrade taktik och skapade en annan, som också använde information om de fysiska och geometriska begränsningarna vid veckningen av proteinmolekyler. AlphaFold gav ojämna resultat. Ibland gjorde han bättre, ibland sämre. Men nästan två tredjedelar av hans förutsägelser sammanföll med de resultat som erhölls med experimentella metoder. I början av år 2 beskrev algoritmen strukturen hos flera proteiner av SARS-CoV-3-viruset. Senare fann man att förutsägelserna för Orf2020a-proteinet överensstämmer med resultaten som erhållits experimentellt.

Det handlar inte bara om att studera de interna sätten att vika proteiner, utan också om design. Forskare från initiativet NIH BRAIN använde maskininlärning utveckla ett protein som kan spåra hjärnans serotoninnivåer i realtid. Serotonin är en neurokemikalie som spelar en nyckelroll i hur hjärnan styr våra tankar och känslor. Till exempel är många antidepressiva medel utformade för att ändra serotoninsignalerna som överförs mellan neuroner. I en artikel i tidskriften Cell beskrev forskare hur de använder avancerad genteknikmetoder förvandla ett bakteriellt protein till ett nytt forskningsverktyg som kan hjälpa till att spåra serotoninöverföring med större noggrannhet än nuvarande metoder. Prekliniska experiment, mestadels på möss, har visat att sensorn omedelbart kan upptäcka subtila förändringar i hjärnans serotoninnivåer under sömn, rädsla och sociala interaktioner, och testa effektiviteten av nya psykoaktiva droger.

Kampen mot pandemin har inte alltid varit framgångsrik

Detta var trots allt den första epidemin vi skrev om i MT. Men om vi till exempel pratar om själva processen för utvecklingen av pandemin, verkade AI i det inledande skedet vara något av ett misslyckande. Forskare har klagat på det Artificiell intelligens kan inte korrekt förutsäga omfattningen av spridningen av coronavirus baserat på data från tidigare epidemier. “De här lösningarna fungerar bra på vissa områden, som att känna igen ansikten som har ett visst antal ögon och öron. SARS-CoV-2-epidemi Det är tidigare okända händelser och många nya variabler, så artificiell intelligens baserad på den historiska data som användes för att träna den fungerar inte bra. Pandemin har visat att vi behöver leta efter andra tekniker och tillvägagångssätt, sade Maxim Fedorov från Skoltech i ett uttalande i april 2020 till ryska medier.

Med tiden fanns det dock algoritmer som verkar bevisa den stora användbarheten av AI i kampen mot covid-19. Forskare i USA utvecklade ett system hösten 2020 för att känna igen karakteristiska hostmönster hos personer med covid-19, även om de inte hade några andra symtom.

När vacciner dök upp föddes idén att hjälpa till att vaccinera befolkningen. Hon kunde t.ex hjälpa till att modellera transport och logistik av vacciner. Även för att bestämma vilka populationer som bör vaccineras först för att hantera pandemin snabbare. Det skulle också hjälpa till att prognostisera efterfrågan och optimera tidpunkten och hastigheten för vaccination genom att snabbt identifiera problem och flaskhalsar i logistiken. Kombinationen av algoritmer med kontinuerlig övervakning kan också snabbt ge information om möjliga biverkningar och hälsohändelser.

эти system som använder AI att optimera och förbättra vården är redan kända. Deras praktiska fördelar uppskattades; till exempel sjukvårdssystemet utvecklat av Macro-Eyes vid Stanford University i USA. Som är fallet med många andra medicinska institutioner var problemet bristen på patienter som inte dök upp på möten. Makro ögon byggt ett system som på ett tillförlitligt sätt kunde förutsäga vilka patienter som sannolikt inte skulle vara där. I vissa situationer kunde han också föreslå alternativa tider och platser för kliniker, vilket skulle öka chanserna att en patient dyker upp. Senare användes liknande teknik på olika platser från Arkansas till Nigeria med stöd, i synnerhet, US Agency for International Development i.

I Tanzania arbetade Macro-Eyes med ett projekt som syftade till öka antalet barnvaccinationer. Programvaran analyserade hur många doser av vaccin som behövde skickas till ett givet vaccinationscenter. Han kunde också bedöma vilka familjer som kunde vara ovilliga att vaccinera sina barn, men de kunde övertalas med lämpliga argument och placeringen av ett vaccinationscenter på en lämplig plats. Med hjälp av denna programvara har Tanzanias regering kunnat öka effektiviteten av sitt immuniseringsprogram med 96 %. och minska vaccinavfallet till 2,42 per 100 personer.

I Sierra Leone, där invånarnas hälsodata saknades, försökte företaget matcha detta med information om utbildning. Det visade sig att enbart antalet lärare och deras elever räckte för att förutse 70 procent. riktigheten av huruvida den lokala kliniken har tillgång till rent vatten, vilket redan är ett fotavtryck av data om hälsan hos de människor som bor där (3).

3. Makroögonillustration av AI-drivna hälsovårdsprogram i Afrika.

Myten om maskinläkaren försvinner inte

Trots misslyckanden Watson nya diagnostiska metoder utvecklas fortfarande och anses vara mer och mer avancerade. Jämförelse gjord i Sverige i september 2020. används vid bilddiagnostik av bröstcancer visade att den bästa av dem fungerar på samma sätt som en radiolog. Algoritmerna har testats med nästan nio tusen mammografibilder som tagits under rutinscreening. Tre system, betecknade som AI-1, AI-2 och AI-3, uppnådde en noggrannhet på 81,9 %, 67 %. och 67,4%. Som jämförelse, för radiologer som tolkar dessa bilder som de första, var denna siffra 77,4 %, och i fallet med radiologervem var den andra som beskrev det, det var 80,1 procent. Den bästa av algoritmerna kunde också upptäcka fall som radiologer missade under screening, och kvinnor diagnostiserades som sjuka på mindre än ett år.

Enligt forskarna bevisar dessa resultat det artificiell intelligens algoritmer hjälpa till att korrigera falsknegativa diagnoser ställda av radiologer. Genom att kombinera förmågan hos AI-1 med en genomsnittlig radiolog ökade antalet upptäckta bröstcancer med 8 %. Teamet vid Royal Institute som genomför denna studie förväntar sig att kvaliteten på AI-algoritmer kommer att fortsätta att växa. En fullständig beskrivning av experimentet publicerades i JAMA Oncology.

W på en femgradig skala. För närvarande bevittnar vi en betydande teknisk acceleration och når IV-nivån (hög automatisering), när systemet självständigt automatiskt bearbetar mottagna data och förser specialisten med tidigare analyserad information. Detta sparar tid, undviker mänskliga fel och ger en effektivare patientvård. Det bedömde han för några månader sedan Stan A.I. på det honom närstående medicinområdet, prof. Janusz Braziewicz från den polska föreningen för nuklearmedicin i ett uttalande till den polska pressbyrån.

4. Maskinvisning av medicinska bilder

Algoritmer, enligt sådana experter som prof. Brazievichtill och med oumbärlig i denna bransch. Orsaken är den snabba ökningen av antalet bilddiagnostiska tester. Endast för perioden 2000-2010. antalet MR-undersökningar och undersökningar har tiodubblats. Tyvärr har antalet tillgängliga specialistläkare som kunde utföra dem snabbt och tillförlitligt inte ökat. Det råder också brist på kvalificerade tekniker. Implementeringen av AI-baserade algoritmer sparar tid och möjliggör full standardisering av procedurer, samt undviker mänskliga fel och effektivare, personliga behandlingar för patienter.

Som det visade sig också rättsmedicin kan dra nytta av utveckling av artificiell intelligens. Specialister inom detta område kan bestämma den exakta dödstiden för den avlidne genom kemisk analys av utsöndringen av maskar och andra varelser som livnär sig på döda vävnader. Ett problem uppstår när blandningar av sekret från olika typer av nekrofager ingår i analysen. Det är här maskininlärning kommer in i bilden. Forskare vid University of Albany har utvecklat en artificiell intelligensmetod som möjliggör snabbare identifiering av maskarter baserat på deras "kemiska fingeravtryck". Teamet tränade sitt datorprogram med blandningar av olika kombinationer av kemiska sekret från sex flugarter. Han dechiffrerade de kemiska signaturerna hos insektslarver med hjälp av masspektrometri, som identifierar kemikalier genom att noggrant mäta förhållandet mellan massa och elektrisk laddning av en jon.

Så, som du kan se, dock AI som en utredande detektiv inte särskilt bra, det kan vara mycket användbart i ett rättsmedicinskt labb. Kanske förväntade vi oss för mycket av henne i det här skedet, förutseende algoritmer som skulle sätta läkare utan arbete (5). När vi tittar på Artificiell intelligens mer realistiskt, med fokus på specifika praktiska fördelar snarare än det allmänna, ser hennes karriär inom medicinen mycket lovande ut igen.

5. Syn av läkarens bil