Onlangse studies het die vermoë van kunsmatige intelligensiestelsels getoon om belangrike siektes medies te diagnoseer
Kunsmatige Intelligensie (KI) stelsels bestaan al 'n geruime tyd en word nou slimmer en beter met die tyd. AI het toepassings is menigte gebiede en is nou 'n integrale van die meeste velde. KI kan 'n noodsaaklike en nuttige komponent van wees mediese wetenskap en navorsing, aangesien dit geweldige potensiaal het om die gesondheidsorgbedryf te beïnvloed.
Kunsmatige intelligensie in mediese diagnose?
Tyd is die mees waardevolle hulpbron in gesondheidsorg en vroeë toepaslike diagnose is baie belangrik vir die finale uitkoms van 'n siekte. Gesondheidsorg is dikwels 'n lang en 'n tyd- en hulpbronsame proses, wat effektiewe diagnose vertraag en op sy beurt die korrekte behandeling vertraag. AI kan help om die gaping tussen beskikbaarheid en tydsbestuur deur dokters te vul deur spoed en akkuraatheid in die diagnose van pasiënte in te sluit. Dit kan help om beperkinge van hulpbronne en gesondheidsorgpersoneel te oorkom, veral in lae- en middelinkomstelande. KI is 'n proses van leer en dink net soos mense deur 'n konsep genaamd diep-leer. Diep leer gebruik breë stelle voorbeelddata om self besluitnemingsbome te skep. Met hierdie diepgaande leer kan 'n KI-stelsel eintlik net soos mense dink, indien nie beter nie, en daarom kan KI geskik geag word om mediese take uit te voer. Wanneer pasiënte gediagnoseer word, bly KI-stelsels op soek na patrone onder pasiënte met dieselfde siektes. Met verloop van tyd kan hierdie patrone 'n grondslag bou vir die voorspelling van siektes voordat hulle gemanifesteer word.
In 'n onlangse studie1 gepubliseer in Cell, navorsers gebruik het kunsmatige intelligensie- en masjienleertegnieke om 'n nuwe rekenaarhulpmiddel te ontwikkel om pasiënte met algemene maar verblindende retinale siektes te skerm, wat moontlik diagnoses en behandeling kan versnel. Navorsers het 'n KI-gebaseerde neurale netwerk gebruik om meer as 200,000 2 oogskanderings te hersien wat uitgevoer is met 'n nie-indringende tegnologie wat lig van die retina af weerkaats om 3D- en XNUMXD-voorstellings van weefsel te skep. Hulle het toe 'n tegniek genaamd 'oordragleer' gebruik waarin kennis opgedoen in die oplossing van een probleem deur 'n rekenaar gestoor word en op verskillende maar verwante probleme toegepas word. Byvoorbeeld, 'n KI neurale netwerk wat geoptimaliseer is om die afsonderlike anatomiese strukture van die oog te herken, soos die retina, kornea of optiese senuwee, kan dit vinniger en doeltreffender identifiseer en evalueer wanneer dit beelde van 'n hele oog ondersoek. Hierdie proses stel die KI-stelsel in staat om geleidelik te leer met 'n baie kleiner datastel as tradisionele metodes wat groot datastelle vereis wat dit duur en tydrowend maak.
Die studie het gefokus op twee algemene oorsake van onomkeerbare blindheid wat behandelbaar is wanneer dit vroeg opgespoor word. Masjien-afgeleide diagnoses is vergelyk met diagnoses van vyf oogartse wat dieselfde skanderings hersien het. Benewens die maak van 'n mediese diagnose, het die KI-platform ook 'n verwysings- en behandelingsaanbeveling gegenereer wat nie in enige vorige studie gedoen is nie. Hierdie opgeleide KI-stelsel het net soos 'n goed opgeleide oogarts opgetree en kon binne 30 sekondes 'n besluit genereer of die pasiënt vir behandeling verwys moet word of nie, met meer as 95 persent akkuraatheid. Hulle het ook die KI-instrument getoets in die diagnose van kinderlongontsteking, 'n leidende oorsaak van sterftes wêreldwyd by kinders (onder die ouderdom van 5) gebaseer op masjienontledings van borskas X-strale. Interessant genoeg was die rekenaarprogram in staat om te onderskei tussen virale en bakteriële longontsteking met meer as 90 persent akkuraatheid. Dit is van kardinale belang, want alhoewel virale longontsteking natuurlik na die verloop van die liggaam deur die liggaam ontslae raak, is bakteriële longontsteking aan die ander kant geneig om 'n ernstiger gesondheidsbedreiging te wees en vereis dit onmiddellike behandeling met antibiotika.
In nog 'n groot sprong2 in kunsmatige intelligensiestelsels vir mediese diagnose, het wetenskaplikes gevind dat foto's wat van 'n individu se retina geneem is, deur masjienleeralgoritmes of sagteware ontleed kan word om kardiovaskulêre hartrisiko te voorspel deur seine te identifiseer wat dui op hartsiektes. Die status van bloedvate in die oog wat in die foto's vasgevang word, is getoon om ouderdom, geslag, etnisiteit, bloeddruk, enige vorige hartaanvalle en rookgewoontes akkuraat te voorspel en al hierdie faktore voorspel gesamentlik hartverwante siektes in 'n individu.
Die oog as 'n inligtingsblok
Die idee om na die foto's van die oog te kyk om gesondheid te diagnoseer, bestaan al 'n geruime tyd. Dit is goed vasgestel dat die agterste binnewand van die menslike oë baie bloedvate het wat die algemene gesondheid van die liggaam weerspieël. Deur die voorkoms van hierdie bloedvate met 'n kamera en 'n mikroskoop te bestudeer en te ontleed, kan baie inligting oor 'n individu se bloeddruk, ouderdom, roker of nie-roker ens. voorspel word en dit is alles belangrike aanwysers van gesondheid van 'n individu se hart . Kardiovaskulêre siekte (KVS) is wêreldwyd die nommer een oorsaak van sterftes en meer mense sterf aan KVS in vergelyking met enige ander siekte of toestand. Dit is meer algemeen in lae- en middelinkomstelande en is 'n groot las op die ekonomie en die mensdom. Die kardiovaskulêre risiko hang af van 'n menigte faktore soos gene, ouderdom, etnisiteit, geslag, in kombinasie met oefening en dieet. Die meeste kardiovaskulêre siektes kan voorkom word deur gedragsrisiko's soos die gebruik van tabak, vetsug, fisiese onaktiwiteit en ongesonde dieet aan te spreek deur beduidende lewenstylveranderinge aan te bring om die moontlike risiko's aan te spreek.
Gesondheidsdiagnose met behulp van retinale beelde
Hierdie studie wat deur navorsers by Google en sy eie gesondheidstegnologiemaatskappy Verily Life Sciences gedoen is, het getoon dat 'n Kunsmatige Intelligensie-algoritme op 'n groot datastel van retinale foto's van ongeveer 280,000 12000 pasiënte gebruik is en hierdie algoritme kon hartrisikofaktore in twee volledig voorspel. onafhanklike datastelle van ongeveer 1000 en 70 pasiënte met redelike goeie akkuraatheid. Die algoritme het die hele foto van die retina gebruik om die verband tussen die beeld en die risiko van hartaanval te kwantifiseer. Hierdie algoritme kon 'n kardiovaskulêre gebeurtenis 71 persent van die tyd in 'n pasiënt voorspel en in werklikheid was 'n roker en 'n nie-roker ook in hierdie toets XNUMX persent van die tyd onderskeibaar. Die algoritme kan ook hoë bloeddruk voorspel wat 'n harttoestand aandui en sistoliese bloeddruk voorspel - die druk in die vate wanneer die hart klop - binne 'n reeks van die meeste pasiënte met of sonder hoë bloeddruk. Die akkuraatheid van hierdie voorspelling, volgens skrywers, is baie soortgelyk aan 'n kardiovaskulêre ondersoek in die laboratorium, waar bloed van die pasiënt getrek word om cholesterolvlakke te meet wat parallel met die pasiënt se geskiedenis lyk. Die algoritme in hierdie studie, gepubliseer in Natuurbiomediese Ingenieurswese, kan in die meeste waarskynlikheid ook die voorkoms van 'n groot kardiovaskulêre gebeurtenis voorspel - bv 'n hartaanval.
'n Uiters interessante en deurslaggewende aspek van hierdie studies was dat die rekenaar kan sien waar dit in 'n beeld kyk om by 'n diagnose uit te kom, wat ons in staat stel om die voorspellingsproses te verstaan. Byvoorbeeld, die studie deur Google het presies gewys "watter dele van die retina" het bygedra tot die voorspellingsalgoritme, met ander woorde hoe die algoritme die voorspelling gemaak het. Hierdie begrip is nie net belangrik om die masjienleermetode in hierdie spesifieke geval te verstaan nie, maar ook om vertroue en geloof in hierdie hele metodologie te genereer deur dit deursigtig te maak.
Uitdagings
Sulke mediese beelde kom met sy uitdagings, want die waarneming en dan kwantifisering van assosiasies gebaseer op sulke beelde is nie eenvoudig nie, hoofsaaklik as gevolg van verskeie kenmerke, kleure, waardes, vorms ens in hierdie beelde. Hierdie studie gebruik diep leer om die verbande, assosiasies en verwantskappe tussen veranderinge in die menslike anatomie (interne morfologie van die liggaam) en siektes op dieselfde manier as wat 'n gesondheidswerker sou doen wanneer hy of sy pasiëntsimptome met 'n siekte korreleer . Hierdie algoritmes vereis meer toetsing voordat hulle in 'n kliniese omgewing gebruik kan word.
Ten spyte van besprekings en uitdagings, het KI groot potensiaal om siektediagnose en -bestuur te revolusioneer deur ontledings en klassifikasies te doen wat ontsaglike hoeveelhede data behels wat moeilik is vir menslike kundiges. Dit bied vinnige, koste-effektiewe, nie-indringende alternatiewe beeldgebaseerde diagnostiese hulpmiddels. Die belangrike faktore vir sukses van KI-stelsels sal hoër rekenaarkrag en meer ervaring van die mense wees. In 'n waarskynlike toekoms kan nuwe mediese insigte en diagnose met KI bereikbaar wees sonder menslike leiding of toesig.
***
{Jy kan die oorspronklike navorsingsartikel lees deur die DOI-skakel wat hieronder gegee word in die lys van aangehaalde bronne te klik}
Bronne)
1. Kermany DS et al. 2018. Identifisering van mediese diagnoses en behandelbare siektes deur beeldgebaseerde diepleer. Sel. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. Voorspelling van kardiovaskulêre risikofaktore van retinale fundusfoto's via diep leer. Natuur Biomediese Ingenieurswese. 2. https://doi.org/10.1038/s41551-018-0195-0
