Πρόσφατες μελέτες έχουν δείξει την ικανότητα των συστημάτων τεχνητής νοημοσύνης στην ιατρική διάγνωση σημαντικών ασθενειών
Συστήματα Τεχνητής Νοημοσύνης (AI) υπάρχουν εδώ και αρκετό καιρό και τώρα γίνονται όλο και πιο έξυπνοι και καλύτεροι με τον καιρό. AI έχει εφαρμογές σε πολλές περιοχές και είναι πλέον αναπόσπαστο των περισσότερων πεδίων. Το AI μπορεί να είναι ένα ουσιαστικό και χρήσιμο συστατικό του ιατρικών επιστήμη και έρευνα, καθώς έχει τεράστιες δυνατότητες να επηρεάσει τον κλάδο της υγειονομικής περίθαλψης.
Τεχνητή Νοημοσύνη στην ιατρική διάγνωση;
Ο χρόνος είναι ο πιο πολύτιμος πόρος στην υγειονομική περίθαλψη και η έγκαιρη κατάλληλη διάγνωση είναι πολύ σημαντική για την τελική έκβαση μιας ασθένειας. Η υγειονομική περίθαλψη είναι συχνά μια χρονοβόρα και χρονοβόρα διαδικασία, η οποία καθυστερεί την αποτελεσματική διάγνωση και με τη σειρά της καθυστερεί τη σωστή θεραπεία. AI μπορεί να συμβάλει στην κάλυψη του κενού μεταξύ διαθεσιμότητας και διαχείρισης χρόνου από τους γιατρούς, ενσωματώνοντας ταχύτητα και ακρίβεια στη διάγνωση των ασθενών. Θα μπορούσε να βοηθήσει να ξεπεραστούν οι περιορισμοί των πόρων και των επαγγελματιών υγείας, ειδικά σε χώρες χαμηλού και μεσαίου εισοδήματος. Το AI είναι μια διαδικασία μάθησης και σκέψης όπως ακριβώς ανθρώπους μέσα από μια έννοια που ονομάζεται βαθιά μάθηση. Η βαθιά εκμάθηση χρησιμοποιεί ευρείες ομάδες δειγμάτων δεδομένων για τη δημιουργία δέντρων αποφάσεων από μόνη της. Με αυτή τη βαθιά μάθηση, ένα σύστημα τεχνητής νοημοσύνης μπορεί πραγματικά να σκέφτεται ακριβώς όπως οι άνθρωποι, αν όχι καλύτερα, και επομένως η τεχνητή νοημοσύνη θα μπορούσε να θεωρηθεί κατάλληλη για την εκτέλεση ιατρικών εργασιών. Κατά τη διάγνωση ασθενών, τα συστήματα τεχνητής νοημοσύνης συνεχίζουν να αναζητούν πρότυπα μεταξύ ασθενών με τις ίδιες ασθένειες. Με την πάροδο του χρόνου, αυτά τα πρότυπα μπορούν να δημιουργήσουν μια βάση για την πρόβλεψη ασθενειών πριν εκδηλωθούν.
Σε πρόσφατη μελέτη1 δημοσιευτηκε σε Κύτταρο, χρησιμοποίησαν οι ερευνητές τεχνητός νοημοσύνη και τεχνικές μηχανικής μάθησης για την ανάπτυξη ενός νέου υπολογιστικού εργαλείου για τον έλεγχο ασθενών με κοινές αλλά εκτυφλωτικές παθήσεις του αμφιβληστροειδούς, επιταχύνοντας ενδεχομένως τις διαγνώσεις και τη θεραπεία. Οι ερευνητές χρησιμοποίησαν ένα νευρωνικό δίκτυο βασισμένο σε τεχνητή νοημοσύνη για να επανεξετάσουν περισσότερες από 200,000 σαρώσεις ματιών που πραγματοποιήθηκαν με μια μη επεμβατική τεχνολογία που αναπηδά το φως από τον αμφιβληστροειδή για να δημιουργήσει 2D και 3D αναπαραστάσεις ιστού. Στη συνέχεια χρησιμοποίησαν μια τεχνική που ονομάζεται «μάθηση μεταφοράς» στην οποία η γνώση που αποκτήθηκε για την επίλυση ενός προβλήματος αποθηκεύεται από έναν υπολογιστή και εφαρμόζεται σε διαφορετικά αλλά σχετικά προβλήματα. Για παράδειγμα, ένα νευρωνικό δίκτυο τεχνητής νοημοσύνης βελτιστοποιημένο για να αναγνωρίζει τις διακριτές ανατομικές δομές του ματιού, όπως ο αμφιβληστροειδής, ο κερατοειδής ή το οπτικό νεύρο, μπορεί να τις αναγνωρίσει και να τις αξιολογήσει πιο γρήγορα και αποτελεσματικά όταν εξετάζει εικόνες ολόκληρου του ματιού. Αυτή η διαδικασία επιτρέπει στο σύστημα AI να μαθαίνει σταδιακά με ένα πολύ μικρότερο σύνολο δεδομένων από τις παραδοσιακές μεθόδους που απαιτούν μεγάλα σύνολα δεδομένων καθιστώντας τα ακριβά και χρονοβόρα.
Η μελέτη επικεντρώθηκε σε δύο κοινές αιτίες μη αναστρέψιμης τύφλωσης, οι οποίες είναι θεραπεύσιμες όταν εντοπιστούν έγκαιρα. Οι διαγνώσεις που προέρχονται από μηχανή συγκρίθηκαν με διαγνώσεις από πέντε οφθαλμιάτρους που εξέτασαν τις ίδιες σαρώσεις. Εκτός από την ιατρική διάγνωση, η πλατφόρμα AI δημιούργησε επίσης μια σύσταση παραπομπής και θεραπείας που δεν είχε γίνει σε καμία προηγούμενη μελέτη. Αυτό το εκπαιδευμένο σύστημα τεχνητής νοημοσύνης λειτουργούσε ακριβώς όπως ένας καλά εκπαιδευμένος οφθαλμίατρος και μπορούσε να αποφασίσει εντός 30 δευτερολέπτων εάν ο ασθενής θα πρέπει να παραπεμφθεί για θεραπεία ή όχι, με ακρίβεια μεγαλύτερη από 95%. Δοκίμασαν επίσης το εργαλείο τεχνητής νοημοσύνης για τη διάγνωση της παιδικής πνευμονίας, η κύρια αιτία θανάτου παγκοσμίως σε παιδιά (ηλικίας κάτω των 5 ετών) βάσει μηχανικών αναλύσεων ακτινογραφιών θώρακα. Είναι ενδιαφέρον ότι το πρόγραμμα υπολογιστή ήταν σε θέση να διαφοροποιήσει μεταξύ ιογενούς και βακτηριακός πνευμονία με ακρίβεια μεγαλύτερη από 90 τοις εκατό. Αυτό είναι ζωτικής σημασίας επειδή, αν και η ιογενής πνευμονία εξαλείφεται φυσικά από τον οργανισμό μετά την πορεία της, η βακτηριακή πνευμονία από την άλλη πλευρά τείνει να είναι πιο σοβαρή απειλή για την υγεία και απαιτεί άμεση θεραπεία με αντιβιοτικά.
Σε άλλο ένα μεγάλο άλμα2 Στα συστήματα τεχνητής νοημοσύνης για ιατρική διάγνωση, οι επιστήμονες διαπίστωσαν ότι οι φωτογραφίες του αμφιβληστροειδούς ενός ατόμου μπορούν να αναλυθούν με αλγόριθμους μηχανικής μάθησης ή λογισμικό για την πρόβλεψη του καρδιαγγειακού καρδιακού κινδύνου προσδιορίζοντας σήματα που είναι ενδεικτικά της καρδιακής νόσου. Η κατάσταση των αιμοφόρων αγγείων στο μάτι που αποτυπώνεται στις φωτογραφίες αποδείχθηκε ότι προβλέπει με ακρίβεια την ηλικία, το φύλο, την εθνικότητα, την αρτηριακή πίεση, τυχόν προηγούμενα καρδιακά επεισόδια και τις συνήθειες καπνίσματος και όλοι αυτοί οι παράγοντες προβλέπουν συλλογικά ασθένειες που σχετίζονται με την καρδιά σε ένα άτομο.
Το μάτι ως μπλοκ πληροφοριών
Η ιδέα της εξέτασης των φωτογραφιών του ματιού για τη διάγνωση της υγείας υπάρχει εδώ και αρκετό καιρό. Είναι καλά τεκμηριωμένο ότι το πίσω εσωτερικό τοίχωμα των ανθρώπινων ματιών έχει πολλά αιμοφόρα αγγεία που αντικατοπτρίζουν τη συνολική υγεία του σώματος. Μελετώντας και αναλύοντας την εμφάνιση αυτών των αιμοφόρων αγγείων με κάμερα και μικροσκόπιο, μπορούν να προβλεφθούν πολλές πληροφορίες σχετικά με την αρτηριακή πίεση, την ηλικία, τον καπνιστή ή μη καπνιστή κ.λπ. και όλα αυτά είναι σημαντικοί δείκτες της υγείας της καρδιάς ενός ατόμου. . Η καρδιαγγειακή νόσος (CVD) είναι η νούμερο ένα αιτία θανάτου παγκοσμίως και περισσότεροι άνθρωποι πεθαίνουν από καρδιαγγειακά νοσήματα σε σύγκριση με οποιαδήποτε άλλη ασθένεια ή πάθηση. Αυτό είναι πιο διαδεδομένο σε χώρες χαμηλού και μεσαίου εισοδήματος και αποτελεί τεράστιο βάρος για την οικονομία και την ανθρωπότητα. Ο καρδιαγγειακός κίνδυνος εξαρτάται από πολλούς παράγοντες όπως γονίδια, ηλικία, εθνικότητα, φύλο, σε συνδυασμό με άσκηση και διατροφή. Οι περισσότερες καρδιαγγειακές παθήσεις μπορούν να προληφθούν με την αντιμετώπιση κινδύνων συμπεριφοράς όπως η χρήση καπνού, η παχυσαρκία, η σωματική αδράνεια και η ανθυγιεινή διατροφή, κάνοντας σημαντικές αλλαγές στον τρόπο ζωής για την αντιμετώπιση των πιθανών κινδύνων.
Διάγνωση υγείας με χρήση εικόνων αμφιβληστροειδούς
Αυτή η μελέτη που διεξήχθη από ερευνητές της Google και της δικής της εταιρείας τεχνολογίας υγείας Verily Life Sciences, έδειξε ότι ένας αλγόριθμος Τεχνητής Νοημοσύνης χρησιμοποιήθηκε σε ένα μεγάλο σύνολο φωτογραφιών αμφιβληστροειδούς περίπου 280,000 ασθενών και αυτός ο αλγόριθμος μπόρεσε να προβλέψει με επιτυχία τους παράγοντες καρδιακού κινδύνου σε δύο εντελώς ανεξάρτητα σύνολα δεδομένων περίπου 12000 και 1000 ασθενών με αρκετά καλή ακρίβεια. Ο αλγόριθμος χρησιμοποίησε ολόκληρη τη φωτογραφία του αμφιβληστροειδούς για να ποσοτικοποιήσει τη σχέση μεταξύ της εικόνας και του κινδύνου καρδιακής προσβολής. Αυτός ο αλγόριθμος μπορούσε να προβλέψει ένα καρδιαγγειακό συμβάν στο 70 τοις εκατό του χρόνου σε έναν ασθενή και στην πραγματικότητα ένας καπνιστής και ένας μη καπνιστής ήταν επίσης διακριτοί σε αυτό το τεστ στο 71 τοις εκατό των περιπτώσεων. Ο αλγόριθμος θα μπορούσε επίσης να προβλέψει την υψηλή αρτηριακή πίεση υποδεικνύοντας μια καρδιακή πάθηση και να προβλέψει τη συστολική αρτηριακή πίεση - την πίεση στα αγγεία όταν η καρδιά χτυπά - σε μια σειρά από τους περισσότερους ασθενείς με ή χωρίς υψηλή αρτηριακή πίεση. Η ακρίβεια αυτής της πρόβλεψης, σύμφωνα με τους συγγραφείς, μοιάζει πολύ με έναν καρδιαγγειακό έλεγχο στο εργαστήριο, όπου λαμβάνεται αίμα από τον ασθενή για τη μέτρηση των επιπέδων χοληστερόλης, παράλληλα με το ιστορικό του ασθενούς. Ο αλγόριθμος σε αυτή τη μελέτη, που δημοσιεύτηκε στο Φύση Βιοϊατρική μηχανική, κατά πάσα πιθανότητα θα μπορούσε επίσης να προβλέψει την εμφάνιση ενός σοβαρού καρδιαγγειακού επεισοδίου -π.χ. καρδιακής προσβολής.
Μια εξαιρετικά ενδιαφέρουσα και κρίσιμη πτυχή αυτών των μελετών ήταν ότι ο υπολογιστής μπορεί να πει πού κοιτάζει σε μια εικόνα για να καταλήξει σε μια διάγνωση, επιτρέποντάς μας να κατανοήσουμε τη διαδικασία πρόβλεψης. Για παράδειγμα, η μελέτη της Google έδειξε ακριβώς «ποια μέρη του αμφιβληστροειδούς» συνέβαλαν στον αλγόριθμο πρόβλεψης, με άλλα λόγια πώς ο αλγόριθμος έκανε την πρόβλεψη. Αυτή η κατανόηση είναι σημαντική όχι μόνο για την κατανόηση της μεθόδου μηχανικής μάθησης στη συγκεκριμένη περίπτωση, αλλά και για τη δημιουργία εμπιστοσύνης και πίστης σε ολόκληρη αυτή τη μεθοδολογία καθιστώντας τη διαφανή.
Προκλήσεις
Τέτοιες ιατρικές εικόνες συνοδεύονται από τις προκλήσεις τους επειδή η παρατήρηση και, στη συνέχεια, ο ποσοτικός προσδιορισμός συσχετισμών που βασίζονται σε τέτοιες εικόνες δεν είναι απλή, κυρίως λόγω πολλών χαρακτηριστικών, χρωμάτων, τιμών, σχημάτων κ.λπ. σε αυτές τις εικόνες. Αυτή η μελέτη χρησιμοποιεί βαθιά μάθηση για να καταγράψει τις συνδέσεις, τις συσχετίσεις και τις σχέσεις μεταξύ των αλλαγών στην ανθρώπινη ανατομία (εσωτερική μορφολογία του σώματος) και της ασθένειας με τον ίδιο τρόπο που θα έκανε ένας επαγγελματίας υγείας όταν συσχετίζει τα συμπτώματα των ασθενών με μια ασθένεια . Αυτοί οι αλγόριθμοι απαιτούν περισσότερες δοκιμές προτού μπορέσουν να χρησιμοποιηθούν σε κλινικό περιβάλλον.
Παρά τις συζητήσεις και τις προκλήσεις, η τεχνητή νοημοσύνη έχει τεράστιες δυνατότητες να φέρει επανάσταση στη διάγνωση και τη διαχείριση ασθενειών κάνοντας αναλύσεις και ταξινομήσεις που περιλαμβάνουν τεράστιο όγκο δεδομένων που είναι δύσκολο για τους ειδικούς του ανθρώπου. Παρέχει γρήγορα, οικονομικά αποδοτικά, μη επεμβατικά εναλλακτικά διαγνωστικά εργαλεία βασισμένα σε εικόνες. Οι σημαντικοί παράγοντες για την επιτυχία των συστημάτων AI θα ήταν η υψηλότερη υπολογιστική ισχύς και η περισσότερη εμπειρία των ανθρώπων. Στο πιθανό μέλλον, νέες ιατρικές γνώσεις και διάγνωση θα μπορούσαν να επιτευχθούν με AI χωρίς ανθρώπινη καθοδήγηση ή επίβλεψη.
***
{Μπορείτε να διαβάσετε την αρχική ερευνητική εργασία κάνοντας κλικ στον σύνδεσμο DOI που δίνεται παρακάτω στη λίστα των αναφερόμενων πηγών}
Πηγές)
1. Kermany DS et al. 2018. Προσδιορισμός Ιατρικών Διαγνώσεων και Θεραπεύσιμων Νοσημάτων με Βαθιά Μάθηση Βασισμένη σε Εικόνα. Κύτταρο. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. Πρόβλεψη παραγόντων καρδιαγγειακού κινδύνου από φωτογραφίες βυθού του αμφιβληστροειδούς μέσω βαθιάς μάθησης. Nature Βιοϊατρική Μηχανική. 2. https://doi.org/10.1038/s41551-018-0195-0
