Watson beit ekki lækninn og það mjög vel

Þrátt fyrir að eins og á mörgum öðrum sviðum hafi áhuginn fyrir því að skipta um lækna með gervigreind hafi dvínað nokkuð eftir röð greiningarbilana, er vinna við þróun gervigreindarlyfja enn í gangi. Vegna þess að engu að síður bjóða þeir enn upp á mikil tækifæri og tækifæri til að bæta hagkvæmni í rekstri á mörgum sviðum þess.

Tilkynnt var um IBM árið 2015 og árið 2016 fékk það aðgang að gögnum frá fjórum helstu sjúklingagagnafyrirtækjum (1). Frægasta, þökk sé fjölmörgum fjölmiðlum, og á sama tíma metnaðarfyllsta verkefnið með háþróaðri gervigreind frá IBM tengdist krabbameinslækningum. Vísindamenn hafa reynt að nota hinar miklu auðlindir gagna til að vinna úr þeim til að breyta þeim í vel aðlagaðar meðferðir gegn krabbameini. Langtímamarkmiðið var að fá Watson til að dæma klínískar rannsóknir og niðurstöður eins og læknir myndi gera.

1. Ein af sjónmyndum Watson Health læknakerfisins

Hins vegar kom í ljós að Watson getur ekki sjálfstætt vísað í læknarit og getur heldur ekki dregið upplýsingar úr rafrænum sjúkraskrám sjúklinga. Alvarlegasta ákæran á hendur honum var hins vegar sú vanhæfni til að bera saman nýjan sjúkling á áhrifaríkan hátt við aðra eldri krabbameinssjúklinga og greina einkenni sem eru ósýnileg við fyrstu sýn.

Það voru að vísu nokkrir krabbameinslæknar sem sögðust treysta dómgreind hans, að vísu aðallega með tilliti til ábendinga Watsons um staðlaðar meðferðir, eða sem viðbótarálit læknis. Margir hafa bent á að þetta kerfi verði frábær sjálfvirkur bókavörður fyrir lækna.

Sem afleiðing af ekki mjög flattandi umsögnum frá IBM vandamál með sölu Watson kerfisins í bandarískum sjúkrastofnunum. Sölufulltrúum IBM tókst að selja það til nokkurra sjúkrahúsa á Indlandi, Suður-Kóreu, Tælandi og fleiri löndum. Á Indlandi mátu læknar () ráðleggingar Watsons fyrir 638 tilfelli brjóstakrabbameins. Hlutfall meðferðarráðlegginga er 73%. Verra Watson hætti við Gachon læknastöðina í Suður-Kóreu, þar sem bestu ráðleggingar hans fyrir 656 ristilkrabbameinssjúklinga pössuðu aðeins við ráðleggingar sérfræðinga í 49 prósent tilvika. Læknar hafa metið það Watson fór ekki vel með eldri sjúklingameð því að bjóða þeim ekki ákveðin stöðluð lyf og gerði þau alvarlegu mistök að fara í árásargjarnt meðferðareftirlit með sumum sjúklingum með meinvörp.

Á endanum, þó að störf hans sem greiningar- og læknir séu talin misheppnuð, þá eru það svið þar sem hann reyndist afar gagnlegur. Vara Watson fyrir Genomics, sem var þróað í samvinnu við háskólann í Norður-Karólínu, Yale háskólann og fleiri stofnanir, er notað erfðarannsóknastofur til að útbúa skýrslur fyrir krabbameinslækna. Watson niðurhal listaskrá erfðafræðilegar stökkbreytingar hjá sjúklingi og getur búið til skýrslu á nokkrum mínútum sem inniheldur tillögur um öll mikilvæg lyf og klínískar rannsóknir. Watson meðhöndlar erfðafræðilegar upplýsingar á tiltölulega auðveldan háttvegna þess að þær eru settar fram í skipulögðum skrám og innihalda ekki tvíræðni - annað hvort er stökkbreyting eða engin stökkbreyting.

IBM samstarfsaðilar við háskólann í Norður-Karólínu birtu ritgerð um skilvirkni árið 2017. Watson fann hugsanlega mikilvægar stökkbreytingar sem ekki höfðu verið greindar með rannsóknum á mönnum í 32% þeirra. sjúklingar rannsökuðu, sem gerði þá að góðum kandídata fyrir nýja lyfið. Hins vegar eru enn engar vísbendingar um að notkun leiði til betri meðferðarárangurs.

Húsnæði próteina

Þetta og fjölmörg önnur dæmi stuðla að aukinni trú á að verið sé að taka á öllum annmörkum í heilbrigðisþjónustu, en leita þarf að svæðum þar sem þetta getur raunverulega hjálpað, því fólki gengur ekki vel þar. Slíkt sviði er td. próteinrannsóknir. Á síðasta ári komu fram upplýsingar um að það gæti spáð nákvæmlega fyrir um lögun próteina út frá röð þeirra (2). Þetta er hefðbundið verkefni, umfram kraft ekki aðeins fólks, heldur jafnvel öflugra tölva. Ef við náum tökum á nákvæmri líkangerð á snúningi próteinasameinda, skapast gríðarleg tækifæri fyrir genameðferð. Vísindamenn vona að með hjálp AlphaFold munum við rannsaka virkni þúsunda, og það mun aftur á móti gera okkur kleift að skilja orsakir margra sjúkdóma.

Mynd 2. Prótein snúningur með DeepMind's AlphaFold.

Nú við þekkjum tvö hundruð milljónir próteina, en við skiljum fullkomlega uppbyggingu og virkni lítillar hluta þeirra. Prótein það er grunnbyggingarefni lifandi lífvera. Þeir eru ábyrgir fyrir flestum ferlum sem eiga sér stað í frumum. Hvernig þeir vinna og hvað þeir gera ræðst af þrívíddarbyggingu þeirra. Þeir taka á sig viðeigandi form án nokkurra leiðbeininga, með lögmál eðlisfræðinnar að leiðarljósi. Í áratugi hafa tilraunaaðferðir verið aðalaðferðin til að ákvarða lögun próteina. Í 50s, notkun Röntgenkristöllunaraðferðir. Á síðasta áratug hefur það orðið valið rannsóknartæki. kristalsmásjárskoðun. Á 80. og 90. áratugnum var hafist handa við að nota tölvur til að ákvarða lögun próteina. Hins vegar voru niðurstöðurnar enn ekki ánægðar með vísindamennina. Aðferðir sem virkuðu fyrir sum prótein virkuðu ekki fyrir önnur.

Þegar árið 2018 AlphaFold fengið viðurkenningu frá sérfræðingum í prótein líkan. Hins vegar notaði það á þeim tíma aðferðir mjög svipaðar öðrum forritum. Vísindamennirnir breyttu um aðferðum og bjuggu til aðra, sem notaði einnig upplýsingar um eðlisfræðilegar og rúmfræðilegar takmarkanir á samanbroti próteinasameinda. AlphaFold gaf misjafnar niðurstöður. Stundum gekk honum betur, stundum verr. En næstum tveir þriðju hlutar spár hans féllu saman við niðurstöðurnar sem fengust með tilraunaaðferðum. Í byrjun árs 2 lýsti reikniritið uppbyggingu nokkurra próteina SARS-CoV-3 veirunnar. Síðar kom í ljós að spárnar fyrir Orf2020a próteinið eru í samræmi við niðurstöðurnar sem fengust með tilraunum.

Það snýst ekki aðeins um að rannsaka innri leiðir til að brjóta saman prótein, heldur einnig um hönnun. Vísindamenn frá NIH BRAIN frumkvæðinu notuðu vélanám þróa prótein sem getur fylgst með serótónínmagni heilans í rauntíma. Serótónín er taugaefna sem gegnir lykilhlutverki í því hvernig heilinn stjórnar hugsunum okkar og tilfinningum. Til dæmis eru mörg þunglyndislyf hönnuð til að breyta serótónínmerkjum sem berast á milli taugafrumna. Í grein í tímaritinu Cell lýstu vísindamenn því hvernig þeir nota háþróaða erfðatækniaðferðir breyttu bakteríupróteini í nýtt rannsóknartæki sem gæti hjálpað til við að fylgjast með serótónínsendingum með meiri nákvæmni en núverandi aðferðir. Forklínískar tilraunir, aðallega á músum, hafa sýnt að skynjarinn getur samstundis greint fíngerðar breytingar á serótónínmagni heilans í svefni, ótta og félagslegum samskiptum og prófað virkni nýrra geðlyfja.

Baráttan við heimsfaraldurinn hefur ekki alltaf skilað árangri

Enda var þetta fyrsti faraldurinn sem við skrifuðum um í MT. Hins vegar, til dæmis, ef við tölum um sjálft þróunarferlið heimsfaraldursins, þá virtist gervigreind á upphafsstigi vera eitthvað bilun. Fræðimenn hafa kvartað yfir því Gervigreind getur ekki spáð rétt fyrir um umfang útbreiðslu kransæðavíruss byggt á gögnum frá fyrri farsóttum. „Þessar lausnir virka vel á sumum sviðum, eins og að þekkja andlit sem hafa ákveðinn fjölda augna og eyru. SARS-CoV-2 faraldur Þetta eru áður óþekktir atburðir og margar nýjar breytur, þannig að gervigreind sem byggir á sögulegum gögnum sem notuð voru til að þjálfa hana virkar ekki vel. Heimsfaraldurinn hefur sýnt að við þurfum að leita að annarri tækni og aðferðum,“ sagði Maxim Fedorov frá Skoltech í apríl 2020 í yfirlýsingu til rússneskra fjölmiðla.

Með tímanum voru það þó reiknirit sem virðast sanna hið mikla gagnsemi gervigreindar í baráttunni gegn COVID-19. Vísindamenn í Bandaríkjunum þróuðu kerfi haustið 2020 til að þekkja einkennandi hóstamynstur hjá fólki með COVID-19, jafnvel þótt það hefði engin önnur einkenni.

Þegar bóluefni komu fram fæddist sú hugmynd að hjálpa til við að bólusetja íbúana. Hún gæti td hjálpa til við að módela flutninga og flutninga á bóluefnum. Einnig við að ákveða hvaða íbúa ætti að bólusetja fyrst til að takast á við heimsfaraldurinn hraðar. Það myndi einnig hjálpa til við að spá fyrir um eftirspurn og hámarka tímasetningu og hraða bólusetningar með því að greina fljótt vandamál og flöskuhálsa í flutningum. Samsetning reiknirita með stöðugu eftirliti getur einnig veitt upplýsingar fljótt um hugsanlegar aukaverkanir og heilsufar.

þetta kerfi sem notar gervigreind í hagræðingu og endurbótum á heilbrigðisþjónustu eru þegar þekktar. Hagnýtir kostir þeirra voru vel þegnir; til dæmis heilbrigðiskerfið þróað af Macro-Eyes við Stanford háskólann í Bandaríkjunum. Eins og hjá mörgum öðrum sjúkrastofnunum var vandamálið skortur á sjúklingum sem ekki mættu í viðtalstíma. Makró augu byggt upp kerfi sem gat áreiðanlega sagt fyrir um hvaða sjúklingar væru ekki líklegir til að vera þar. Í sumum tilfellum gæti hann einnig bent á aðra tíma og staði fyrir heilsugæslustöðvar, sem myndi auka líkurnar á að sjúklingur kæmi fram. Síðar var svipaðri tækni beitt á ýmsum stöðum frá Arkansas til Nígeríu með stuðningi, einkum US Agency for International Development, i.

Í Tansaníu vann Macro-Eyes að verkefni sem miðaði að auka tíðni barnabólusetningar. Hugbúnaðurinn greindi hversu marga skammta af bóluefni þyrfti að senda á tiltekna bólusetningarstöð. Hann gat líka metið hvaða fjölskyldur gætu verið tregar til að bólusetja börn sín, en hægt væri að sannfæra þær með viðeigandi rökum og staðsetningu bólusetningarstöðvar á hentugum stað. Með því að nota þennan hugbúnað hefur stjórnvöldum í Tansaníu tekist að auka skilvirkni bólusetningaráætlunarinnar um 96%. og minnka bóluefnissóun í 2,42 á hverja 100 manns.

Í Sierra Leone, þar sem heilsufarsupplýsingar íbúa vantaði, reyndi fyrirtækið að tengja þetta við upplýsingar um menntun. Í ljós kom að fjöldi kennara og nemenda þeirra einn og sér nægði til að spá um 70 prósent. nákvæmni þess hvort heilsugæslustöðin á staðnum hafi aðgang að hreinu vatni, sem er nú þegar fótspor gagna um heilsufar fólks sem þar býr (3).

3. Macro-Eyes mynd af gervigreindardrifnum heilbrigðisáætlunum í Afríku.

Goðsögnin um véllæknirinn hverfur ekki

Þrátt fyrir mistök Watson enn er verið að þróa nýjar greiningaraðferðir og eru taldar vera lengra komnar. Samanburður gerður í Svíþjóð í september 2020. notað við myndgreiningu á brjóstakrabbameini sýndi að þeir bestu virka á sama hátt og geislafræðingur. Reikniritin hafa verið prófuð með því að nota nærri níu þúsund brjóstamyndatökumyndir sem teknar voru við hefðbundna skimun. Þrjú kerfi, tilnefnd sem AI-1, AI-2 og AI-3, náðu 81,9%, 67% nákvæmni. og 67,4%. Til samanburðar má nefna að fyrir geislafræðinga sem túlka þessar myndir sem þær fyrstu var þessi tala 77,4% og í tilviki geislafræðingarhver var annar til að lýsa því, það var 80,1 prósent. Besta reikniritið gat einnig greint tilvik sem geislafræðingar misstu af við skimun og konur greindust veikar á innan við ári.

Að sögn vísindamannanna sanna þessar niðurstöður það gervigreindaralgrím hjálpa til við að leiðrétta rangar-neikvæðar greiningar sem geislafræðingar hafa gert. Með því að sameina hæfileika AI-1 við meðalgeislafræðing jókst fjöldi greindra brjóstakrabbameins um 8%. Teymið hjá Royal Institute sem framkvæmir þessa rannsókn býst við að gæði gervigreindar reiknirit haldi áfram að vaxa. Heildarlýsing á tilrauninni var birt í JAMA Oncology.

W á fimm punkta kvarða. Eins og er, erum við að verða vitni að verulegri tæknilegri hröðun og ná IV stiginu (mikil sjálfvirkni), þegar kerfið vinnur sjálfkrafa mótteknum gögnum og veitir sérfræðingnum fyrirfram greindar upplýsingar. Þetta sparar tíma, kemur í veg fyrir mannleg mistök og veitir skilvirkari umönnun sjúklinga. Það dæmdi hann fyrir nokkrum mánuðum Stan A.I. á læknisfræðisviði honum nærri, prof. Janusz Braziewicz frá pólska félaginu um kjarnorkulækningar í yfirlýsingu til pólsku fréttastofunnar.

4. Vélskoðun á læknisfræðilegum myndum

Reiknirit, samkvæmt slíkum sérfræðingum eins og prof. Brazievichjafnvel ómissandi í þessum iðnaði. Ástæðan er hröð fjölgun myndgreiningarprófa. Aðeins fyrir tímabilið 2000-2010. hefur fjöldi segulómskoðunar og rannsókna tífaldast. Því miður hefur ekki fjölgað tiltækum sérfræðilæknum sem gætu sinnt þeim hratt og örugglega. Einnig er skortur á hæfu tæknimönnum. Innleiðing AI-undirstaða reiknirit sparar tíma og gerir fulla stöðlun á verklagi, auk þess að forðast mannleg mistök og skilvirkari, persónulegri meðferð fyrir sjúklinga.

Eins og það kom í ljós, líka réttarlækningar getur hagnast á þróun gervigreindar. Sérfræðingar á þessu sviði geta ákvarðað nákvæman tíma dauða hins látna með efnagreiningu á seytingu orma og annarra skepna sem nærast á dauðum vefjum. Vandamál koma upp þegar blöndur af seyti frá mismunandi tegundum drepa eru teknar með í greininguna. Þetta er þar sem vélanám kemur við sögu. Vísindamenn við háskólann í Albany hafa þróað gervigreindaraðferð sem gerir kleift að bera kennsl á ormategundir hraðar byggt á „efnafræðilegum fingraförum“ þeirra. Teymið þjálfaði tölvuforritið sitt með því að nota blöndur af mismunandi samsetningum efnaseytingar frá sex flugutegundum. Hann greindi efnafræðileg einkenni skordýralirfa með því að nota massagreiningu, sem auðkennir efni með því að mæla nákvæmlega hlutfall massa og rafhleðslu jónar.

Svo, eins og þú sérð, hins vegar AI sem rannsóknarlögreglumaður ekki mjög gott, það getur verið mjög gagnlegt í réttarrannsóknarstofu. Kannski bjuggumst við við of mikils af henni á þessu stigi, og gerðum ráð fyrir reikniritum sem myndu setja lækna úr vinnu (5). Þegar við skoðum Gervigreind raunhæfara, með áherslu á tiltekna hagnýta kosti frekar en almennt, lítur ferill hennar í læknisfræði út aftur mjög efnilegur.

5. Sjón af bíl læknisins