Ватсон не укусил доктора, и очень хорошо

Хотя, как и во многих других областях, восторженное стремление заменить врачей ИИ после серии диагностических неудач несколько ослабло, работа по разработке медицины на основе ИИ все еще продолжается. Потому что, тем не менее, они по-прежнему предлагают большие возможности и шанс повысить эффективность операций во многих ее областях.

В 2015 г. было объявлено о создании IBM, а в 2016 г. она получила доступ к данным четырех крупных компаний, занимающихся сбором данных о пациентах (1). Самый известный, благодаря многочисленным сообщениям в СМИ, и в то же время самый амбициозный проект с использованием продвинутого искусственного интеллекта IBM был связан с онкологией. Ученые пытались использовать огромные ресурсы данных для их обработки, чтобы превратить их в хорошо адаптированные противораковые методы лечения. Долгосрочной целью было заставить Уотсона судить клинические испытания и результаты, как это сделал бы врач.

1. Одна из визуализаций медицинской системы Watson Health

Однако оказалось, что Уотсон не может самостоятельно обращаться к медицинской литературе, а также не может извлекать информацию из электронных медицинских карт пациентов. Однако самым тяжким обвинением против него было то, что неспособность эффективно сравнить нового пациента с другими более старыми онкологическими больными и обнаружить симптомы, невидимые на первый взгляд.

Были, по общему признанию, и некоторые онкологи, которые утверждали, что доверяют его суждениям, хотя в основном с точки зрения предложений Уотсона по стандартным методам лечения или в качестве дополнительного, дополнительного медицинского заключения. Многие указывали, что эта система станет отличным автоматизированным библиотекарем для врачей.

В результате не очень лестных отзывов IBM проблемы с продажей системы Watson в медучреждениях США. Торговым представителям IBM удалось продать его некоторым больницам Индии, Южной Кореи, Таиланда и других стран. В Индии врачи () оценили рекомендации Уотсона в отношении 638 случаев рака молочной железы. Уровень соблюдения рекомендаций по лечению составляет 73%. Хуже Уотсон выбыл в Медицинском центре Гачон в Южной Корее, где его лучшие рекомендации для 656 пациентов с колоректальным раком совпадали с рекомендациями экспертов всего в 49 процентах случаев. Врачи оценили, что Watson плохо справлялся с пожилыми пациентамине предложив им определенные стандартные лекарства, и совершил критическую ошибку, назначив наблюдение за агрессивным лечением некоторым пациентам с метастатическим заболеванием.

В конечном счете, хотя его работа как диагноста и врача оценивается как неудачная, есть области, в которых он оказался чрезвычайно полезным. Товар Уотсон для геномики, который был разработан в сотрудничестве с Университетом Северной Каролины, Йельским университетом и другими учреждениями, используется генетические лаборатории для подготовки отчетов для онкологов. Watson загружает файл списка генетические мутации у пациента и за считанные минуты может создать отчет, включающий предложения по всем важным лекарствам и клиническим испытаниям. Уотсон относительно легко справляется с генетической информациейпотому что они представлены в структурированных файлах и не содержат двусмысленностей – либо есть мутация, либо нет мутации.

Партнеры IBM из Университета Северной Каролины опубликовали в 2017 году статью об эффективности. Уотсон обнаружил потенциально важные мутации, которые не были идентифицированы исследованиями на людях, у 32% из них. исследованных пациентов, что сделало их хорошими кандидатами для применения нового препарата. Однако до сих пор нет доказательств того, что использование приводит к лучшим результатам лечения.

Приручение белков

Этот и многие другие примеры способствуют растущему убеждению в том, что все недостатки в области здравоохранения устраняются, но нужно искать области, где это действительно может помочь, потому что там люди не очень хорошо себя чувствуют. Таким полем являются, например, исследование белка. В прошлом году появилась информация, что он может точно предсказывать форму белков на основе их последовательности (2). Это традиционно задача, не под силу не только людям, но даже мощным компьютерам. Если мы освоим точное моделирование скручивания белковых молекул, перед генной терапией откроются огромные возможности. Ученые надеются, что с помощью AlphaFold мы изучим функции тысяч, а это, в свою очередь, позволит понять причины многих заболеваний.

2. Скручивание белковых молекул, смоделированное с помощью AlphaFold от DeepMind.

Сейчас мы знаем двести миллионов белков, но мы полностью понимаем структуру и функции небольшой их части. Белки это основной строительный блок живых организмов. Они ответственны за большинство процессов, происходящих в клетках. То, как они работают и что они делают, определяется их трехмерной структурой. Они принимают соответствующую форму без каких-либо инструкций, руководствуясь законами физики. На протяжении десятилетий основным методом определения формы белков были экспериментальные методы. В 50-х годах использование Рентгенокристаллографические методы. В последнее десятилетие он стал предпочтительным инструментом исследования кристаллическая микроскопия. В 80-х и 90-х годах начались работы по использованию компьютеров для определения формы белков. Однако результаты все равно не удовлетворили ученых. Методы, которые работали для одних белков, не работали для других.

Уже в 2018 году AlphaFold получили признание специалистов в моделирование белков. Однако в то время он использовал методы, очень похожие на другие программы. Ученые изменили тактику и создали другую, в которой также использовалась информация о физических и геометрических ограничениях при сворачивании белковых молекул. AlphaFold дал неравномерный результат. Иногда у него дела шли лучше, иногда хуже. Но почти две трети его предсказаний совпали с результатами, полученными экспериментальными методами. В начале 2 года алгоритм описал структуру нескольких белков вируса SARS-CoV-3. Позже было обнаружено, что предсказания для белка Orf2020a согласуются с результатами, полученными экспериментально.

Речь идет не только об изучении внутренних способов сворачивания белков, но и о дизайне. Исследователи из инициативы NIH BRAIN использовали машинное обучение разработать белок, который может отслеживать уровень серотонина в мозге в режиме реального времени. Серотонин — это нейрохимическое вещество, которое играет ключевую роль в том, как мозг контролирует наши мысли и чувства. Например, многие антидепрессанты предназначены для изменения сигналов серотонина, которые передаются между нейронами. В статье в журнале «Клетка» ученые рассказали, как они используют передовые методы генной инженерии превратить бактериальный белок в новый исследовательский инструмент, который может помочь отслеживать передачу серотонина с большей точностью, чем современные методы. Доклинические эксперименты, в основном на мышах, показали, что датчик может мгновенно обнаруживать тонкие изменения уровня серотонина в мозге во время сна, страха и социальных взаимодействий, а также проверять эффективность новых психоактивных препаратов.

Борьба с пандемией не всегда была успешной

В конце концов, это была первая эпидемия, о которой мы писали в MT. Однако, например, если говорить о самом процессе развития пандемии, то на начальном этапе ИИ казался чем-то вроде провала. Ученые жаловались, что искусственный интеллект не может правильно предсказать масштабы распространения коронавируса на основе данных о предыдущих эпидемиях. «Эти решения хорошо работают в некоторых областях, таких как распознавание лиц, имеющих определенное количество глаз и ушей. Эпидемия SARS-CoV-2 Это неизвестные ранее события и множество новых переменных, поэтому искусственный интеллект, основанный на исторических данных, которые использовались для его обучения, работает плохо. Пандемия показала, что надо искать другие технологии и подходы», — заявил Максим Федоров из Сколтеха в апреле 2020 года в заявлении для российских СМИ.

Со временем появились однако алгоритмы, которые, кажется, доказывают большую полезность ИИ в борьбе с COVD-19. Ученые в США осенью 2020 года разработали систему для распознавания характерных моделей кашля у людей с COVID-19, даже если у них не было других симптомов.

Когда появились вакцины, родилась идея помочь кампании по вакцинации населения. Она могла бы, например помочь смоделировать транспортировку и логистику вакцин. Также в определении того, какие группы населения следует вакцинировать в первую очередь, чтобы быстрее справиться с пандемией. Это также помогло бы прогнозировать спрос и оптимизировать сроки и скорость вакцинации, быстро выявляя проблемы и узкие места в логистике. Сочетание алгоритмов с постоянным мониторингом также может быстро предоставить информацию о возможных побочных эффектах и ​​явлениях для здоровья.

эти системы с использованием ИИ в оптимизации и улучшении здравоохранения уже известны. Их практические преимущества были оценены по достоинству; например, система здравоохранения, разработанная компанией Macro-Eyes в американском Стэнфордском университете. Как и в случае со многими другими медицинскими учреждениями, проблемой было отсутствие пациентов, которые не явились на прием. Макро-Глаза построили систему, которая могла надежно предсказать, каких пациентов там, вероятно, не будет. В отдельных ситуациях он также мог предложить альтернативное время и местонахождение клиник, что увеличило бы шансы появления пациента. Позже аналогичная технология была применена в различных местах от Арканзаса до Нигерии при поддержке, в частности, Агентство США по международному развитию i.

В Танзании Macro-Eyes работала над проектом, направленным на повышение показателей иммунизации детей. Программное обеспечение анализировало, сколько доз вакцин необходимо отправить в данный центр вакцинации. Он также смог оценить, какие семьи могут не захотеть вакцинировать своих детей, но их можно было убедить с помощью соответствующих аргументов и указания центра вакцинации в удобном месте. Используя это программное обеспечение, правительство Танзании смогло повысить эффективность своей программы иммунизации на 96%. и сократить количество отходов вакцины до 2,42 на 100 человек.

В Сьерра-Леоне, где отсутствовали данные о здоровье жителей, компания попыталась сопоставить это с информацией об образовании. Оказалось, что одного лишь показателя количества учителей и их учеников было достаточно, чтобы предсказать 70 процентов. точность того, есть ли в местной поликлинике доступ к чистой воде, что уже является следом данных о здоровье живущих там людей (3).

3. Иллюстрация Macro-Eyes о программах здравоохранения на основе ИИ в Африке.

Миф о машинном докторе не исчезает

Несмотря на неудачи Ватсон новые подходы к диагностике все еще разрабатываются и считаются все более совершенными. Сравнение сделано в Швеции в сентябре 2020 г. используется в визуализационной диагностике рака молочной железы показало, что лучший из них работает так же, как и врач-рентгенолог. Алгоритмы были протестированы с использованием почти девяти тысяч маммографических изображений, полученных во время обычного скрининга. Три системы, обозначенные как АИ-1, АИ-2 и АИ-3, достигли точности 81,9%, 67%. и 67,4%. Для сравнения, у рентгенологов, интерпретирующих данные изображения как первые, этот показатель составил 77,4%, а в случае рентгенологикто был вторым, кто описал это, это было 80,1 процента. Лучший из алгоритмов также смог обнаружить случаи, которые рентгенологи пропустили во время скрининга, и женщины были диагностированы как больные менее чем за год.

По мнению исследователей, эти результаты доказывают, что алгоритмы искусственного интеллекта помогают исправить ложноотрицательные диагнозы, поставленные радиологами. Объединение возможностей АИ-1 со средним врачом-рентгенологом увеличило количество выявляемых раков молочной железы на 8%. Команда из Королевского института, проводящая это исследование, ожидает, что качество алгоритмов ИИ будет продолжать расти. Полное описание эксперимента было опубликовано в «JAMA Oncology».

W по пятибалльной шкале. В настоящее время мы наблюдаем значительное технологическое ускорение и выход на IV уровень (высокая автоматизация), когда система самостоятельно автоматически обрабатывает полученные данные и предоставляет специалисту предварительно проанализированную информацию. Это экономит время, позволяет избежать человеческих ошибок и обеспечивает более эффективное лечение пациентов. Вот что он судил несколько месяцев назад Стэн А.И. в близкой ему области медицины проф. Януш Бразиевич из Польского общества ядерной медицины в заявлении для Польского агентства печати.

4. Машинный просмотр медицинских изображений

Алгоритмы, по мнению таких специалистов, как проф. Бразиевичдаже незаменимы в этой отрасли. Причина в быстром увеличении количества диагностических визуализирующих тестов. Только за период 2000-2010 гг. количество МРТ-исследований и обследований увеличилось в десятки раз. К сожалению, количество доступных врачей-специалистов, которые могли бы провести их быстро и надежно, не увеличилось. Также ощущается нехватка квалифицированных технических специалистов. Внедрение алгоритмов на основе искусственного интеллекта экономит время и позволяет полностью стандартизировать процедуры, а также избежать человеческих ошибок и более эффективных, персонализированных методов лечения для пациентов.

Как оказалось, также судебная медицина может извлечь выгоду из развитие искусственного интеллекта. Специалисты в этой области могут определить точное время смерти умершего путем химического анализа выделений червей и других существ, питающихся мертвыми тканями. Проблема возникает, когда в анализ включают смеси выделений разных видов некрофагов. Здесь в игру вступает машинное обучение. Ученые из Университета Олбани разработали метод искусственного интеллекта, который позволяет быстрее определять виды червей на основе их «химических отпечатков пальцев». Команда обучила свою компьютерную программу, используя смеси различных комбинаций химических выделений шести видов мух. Он расшифровал химические признаки личинок насекомых, используя масс-спектрометрический метод, который идентифицирует химические вещества путем точного измерения отношения массы к электрическому заряду иона.

Так что, как видите, однако ИИ в роли детектива-расследователя не очень хорошо, это может быть очень полезно в лаборатории криминалистики. Возможно, мы ожидали от нее слишком многого на этом этапе, предвидя алгоритмы, которые лишат врачей работы (5). Когда мы смотрим на искусственный интеллект если говорить более реалистично, сосредоточив внимание на конкретных практических преимуществах, а не на целом, ее карьера в медицине снова выглядит очень многообещающе.

5. Видение машины доктора