Nyere studier har vist evnen til kunstige intelligenssystemer til medisinsk diagnostisering av viktige sykdommer
Kunstig intelligens (AI) -systemer har eksistert ganske lenge og blir nå smartere og bedre med tiden. AI har applikasjoner er mange områder og er nå en integrert av de fleste felt. AI kan være en viktig og nyttig komponent av medisinsk vitenskap og forskning ettersom det har et enormt potensial til å påvirke helsesektoren.
Kunstig intelligens i medisinsk diagnose?
Tid er den mest verdifulle ressursen i helsevesenet og tidlig riktig diagnose er svært viktig for det endelige utfallet av en sykdom. Helsetjenester er ofte en langvarig og en tid- og ressurskrevende prosess, som forsinker effektiv diagnose og i sin tur forsinker riktig behandling. AI kan bidra til å fylle gapet mellom tilgjengelighet og tidsstyring av leger ved å inkludere hurtighet og nøyaktighet i diagnostisering av pasienter. Det kan bidra til å overvinne ressursbegrensninger og helsepersonell, spesielt i lav- og mellominntektsland. AI er en prosess for å lære og tenke akkurat som mennesker gjennom et konsept kalt deep-learning. Deep learning bruker brede sett med eksempeldata for å lage beslutningstrær av seg selv. Med denne dype læringen kan et AI-system faktisk tenke akkurat som mennesker, om ikke bedre, og derfor kan AI anses som egnet til å utføre medisinske oppgaver. Når man diagnostiserer pasienter, fortsetter AI-systemer å lete etter mønstre blant pasienter med samme sykdommer. Over tid kan disse mønstrene bygge et grunnlag for å forutsi sykdommer før de manifesteres.
I en nylig studie1 publisert i Cell, har forskere brukt kunstig intelligens og maskinlæringsteknikker for å utvikle et nytt beregningsverktøy for å screene pasienter med vanlige, men blendende netthinnesykdommer, som potensielt setter raskere diagnoser og behandling. Forskere brukte et AI-basert nevralt nettverk for å gjennomgå mer enn 200,000 2 øyeskanninger utført med en ikke-invasiv teknologi som spretter lys fra netthinnen for å lage 3D- og XNUMXD-representasjoner av vev. De brukte deretter en teknikk kalt "overføringslæring" der kunnskap som er oppnådd ved å løse ett problem, lagres av en datamaskin og brukes på forskjellige men relaterte problemer. For eksempel kan et AI-nevralt nettverk som er optimert for å gjenkjenne de diskrete anatomiske strukturene i øyet, som netthinnen, hornhinnen eller synsnerven, raskere og mer effektivt identifisere og evaluere dem når det undersøker bilder av et helt øye. Denne prosessen lar AI-systemet gradvis lære med et mye mindre datasett enn tradisjonelle metoder som krever store datasett, noe som gjør dem dyre og tidkrevende.
Studien fokuserte på to vanlige årsaker til irreversibel blindhet som kan behandles når de oppdages tidlig. Maskinavledede diagnoser ble sammenlignet med diagnoser fra fem øyeleger som gjennomgikk de samme skanningene. I tillegg til å stille en medisinsk diagnose, genererte AI-plattformen også en henvisning og behandlingsanbefaling som ikke er gjort i noen tidligere studie. Dette trente AI-systemet fungerte akkurat som en godt trent øyelege og kunne innen 30 sekunder generere en beslutning om hvorvidt pasienten skulle henvises til behandling eller ikke, med mer enn 95 prosent nøyaktighet. De testet også AI-verktøyet for å diagnostisere lungebetennelse i barndommen, en ledende dødsårsak over hele verden hos barn (under 5 år) basert på maskinanalyser av røntgenbilder av thorax. Interessant nok var dataprogrammet i stand til å skille mellom viral og bakteriell lungebetennelse med mer enn 90 prosent nøyaktighet. Dette er avgjørende fordi selv om viral lungebetennelse naturlig kvittes av kroppen etter forløpet, har bakteriell lungebetennelse på den annen side en tendens til å være en mer alvorlig helsetrussel og krever umiddelbar behandling med antibiotika.
I et nytt stort sprang2 i kunstige intelligenssystemer for medisinsk diagnose fant forskerne at fotografier tatt av netthinnen til et individ kan analyseres ved hjelp av maskinlæringsalgoritmer eller programvare for å forutsi kardiovaskulær hjerterisiko ved å identifisere signaler som indikerer hjertesykdom. Statusen til blodårene i øyet som er fanget på fotografiene ble vist å nøyaktig forutsi alder, kjønn, etnisitet, blodtrykk, eventuelle tidligere hjerteinfarkt og røykevaner, og alle disse faktorene forutsier til sammen hjerterelaterte sykdommer hos et individ.
Øyet som informasjonsblokk
Ideen om å se på fotografiene av øyet for å diagnostisere helse har eksistert en stund. Det er veletablert at den bakre indre veggen til menneskelige øyne har mange blodårer som gjenspeiler kroppens generelle helse. Ved å studere og analysere utseendet til disse blodårene med et kamera og et mikroskop, kan mye informasjon om en persons blodtrykk, alder, røyker eller ikke-røyker etc. forutsies, og disse er alle viktige indikatorer på helsen til et individs hjerte . Kardiovaskulær sykdom (CVD) er den største dødsårsaken globalt, og flere mennesker dør av hjerte-karsykdommer sammenlignet med andre sykdommer eller tilstander. Dette er mer utbredt i lav- og mellominntektsland og er en stor belastning for økonomien og menneskeheten. Den kardiovaskulære risikoen avhenger av en rekke faktorer som gener, alder, etnisitet, kjønn, i kombinasjon med trening og kosthold. De fleste hjerte- og karsykdommer kan forebygges ved å adressere atferdsrisikoer som bruk av tobakk, fedme, fysisk inaktivitet og usunt kosthold ved å gjøre betydelige livsstilsendringer for å møte mulige risikoer.
Helsediagnose ved hjelp av netthinnebilder
Denne studien utført av forskere ved Google og dets eget helseteknologiselskap Verily Life Sciences, viste at en kunstig intelligens-algoritme ble brukt på et stort datasett med netthinnefotografier av rundt 280,000 12000 pasienter, og denne algoritmen var i stand til å forutsi hjerterisikofaktorer i to fullstendig uavhengige datasett på rundt 1000 og 70 pasienter med rimelig god nøyaktighet. Algoritmen brukte hele bildet av netthinnen for å kvantifisere sammenhengen mellom bildet og risikoen for hjerteinfarkt. Denne algoritmen kunne forutsi en kardiovaskulær hendelse 71 prosent av tiden hos en pasient, og faktisk en røyker og en ikke-røyker kunne også skilles i denne testen XNUMX prosent av tiden. Algoritmen kan også forutsi høyt blodtrykk som indikerer en hjertesykdom og forutsi systolisk blodtrykk – trykket i karene når hjertet slår – innenfor rekkevidden av de fleste pasienter med eller uten høyt blodtrykk. Nøyaktigheten av denne forutsigelsen, ifølge forfatterne, er veldig lik en kardiovaskulær sjekk i laboratoriet, hvor blod blir tatt fra pasienten for å måle kolesterolnivået som ser parallelt med pasientens historie. Algoritmen i denne studien, publisert i Naturbiomedisinsk ingeniørfag, kan med stor sannsynlighet også forutsi forekomsten av en større kardiovaskulær hendelse -f.eks et hjerteinfarkt.
Et ekstremt interessant og avgjørende aspekt ved disse studiene var at datamaskinen kan fortelle hvor den ser i et bilde for å komme frem til en diagnose, slik at vi kan forstå prediksjonsprosessen. Eksempel, studien fra Google viste nøyaktig "hvilke deler av netthinnen" som bidro til prediksjonsalgoritmen, med andre ord hvordan algoritmen laget prediksjonen. Denne forståelsen er viktig ikke bare for å forstå maskinlæringsmetoden i dette spesielle tilfellet, men også for å skape tillit og tro på hele denne metodikken ved å gjøre den gjennomsiktig.
Utfordringer
Slike medisinske bilder kommer med sine utfordringer fordi det å observere og deretter kvantifisere assosiasjoner basert på slike bilder ikke er enkelt, hovedsakelig på grunn av flere funksjoner, farger, verdier, former osv. i disse bildene. Denne studien bruker dyp læring for å trekke ut sammenhenger, assosiasjoner og sammenhenger mellom endringer i menneskets anatomi (kroppens indre morfologi) og sykdom på samme måte som en helsepersonell ville gjort når han eller hun korrelerer pasientens symptomer med en sykdom . Disse algoritmene krever mer testing før de kan brukes i en klinisk setting.
Til tross for diskusjoner og utfordringer, har AI et stort potensial til å revolusjonere sykdomsdiagnostikk og behandling ved å gjøre analyser og klassifiseringer som involverer enorme mengder data som er vanskelige for menneskelige eksperter. Det gir raske, kostnadseffektive, ikke-invasive alternative bildebaserte diagnoseverktøy. De viktige faktorene for suksess for AI-systemer vil være høyere beregningskraft og mer erfaring fra folket. I en sannsynlig fremtid kan ny medisinsk innsikt og diagnose være oppnåelig med AI uten menneskelig ledelse eller tilsyn.
***
{Du kan lese den originale forskningsoppgaven ved å klikke på DOI-lenken nedenfor i listen over siterte kilder}
Source (s)
1. Kermany DS et al. 2018. Identifisering av medisinske diagnoser og behandlingsbare sykdommer ved bildebasert dyp læring. Celle. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. Prediksjon av kardiovaskulære risikofaktorer fra retinal fundus fotografier via dyp læring. Natur Biomedisinsk ingeniørfag. 2. https://doi.org/10.1038/s41551-018-0195-0
