Watson doktoru ısırmadı ve çok iyi

Diğer birçok alanda olduğu gibi, bir dizi teşhis başarısızlığından sonra doktorları AI ile değiştirme hevesi biraz azalmış olsa da, AI tabanlı tıbbın geliştirilmesine yönelik çalışmalar halen devam etmektedir. Çünkü yine de, birçok alanında operasyonların verimliliğini artırmak için hala büyük fırsatlar ve bir şans sunuyorlar.

IBM, 2015'te duyuruldu ve 2016'da dört büyük hasta verisi şirketinin verilerine erişim kazandı (1). Çok sayıda medya raporu sayesinde en ünlüsü ve aynı zamanda IBM'in gelişmiş yapay zekasını kullanan en iddialı proje onkoloji ile ilgiliydi. Bilim adamları, onları iyi adapte edilmiş anti-kanser tedavilerine dönüştürmek için geniş veri kaynaklarını kullanmaya çalıştılar. Uzun vadeli hedef Watson'ı hakem yapmaktı klinik denemeler ve bir doktorun yapacağı gibi sonuçlar.

1. Watson Health tıbbi sisteminin görselleştirmelerinden biri

Ancak, ortaya çıktı ki Watson bağımsız olarak tıbbi literatüre başvuramaz ve ayrıca hastaların elektronik tıbbi kayıtlarından bilgi çıkaramaz. Ancak kendisine yöneltilen en ciddi suçlama şuydu: Yeni bir hastayı diğer yaşlı kanser hastalarıyla etkili bir şekilde kıyaslama ve ilk bakışta görünmeyen semptomları tespit edememe.

Kabul etmek gerekir ki, çoğunlukla Watson'ın standart tedavi önerilerine veya ek bir tıbbi görüşe dayanarak onun yargısına güvendiğini iddia eden bazı onkologlar vardı. Birçoğu, bu sistemin doktorlar için harika bir otomatik kütüphaneci olacağına dikkat çekti.

IBM'in pek iç açıcı olmayan incelemelerinin bir sonucu olarak ABD sağlık kurumlarında Watson sisteminin satışıyla ilgili sorunlar. IBM satış temsilcileri bunu Hindistan, Güney Kore, Tayland ve diğer ülkelerdeki bazı hastanelere satmayı başardı. Hindistan'da doktorlar (), Watson'ın 638 meme kanseri vakası için tavsiyelerini değerlendirdi. Tedavi önerilerine uyum oranı %73'tür. Daha da kötüsü Watson 656 kolorektal kanser hastası için en iyi tavsiyelerinin, zamanın sadece yüzde 49'unda uzman tavsiyeleriyle eşleştiği Güney Kore'deki Gachon Tıp Merkezi'nde ayrıldı. Doktorlar değerlendirdi Watson yaşlı hastalarla iyi geçinmedionlara belirli standart ilaçlar sunmayarak ve metastatik hastalığı olan bazı hastalar için agresif tedavi sürveyansı yapmak gibi kritik bir hata yaptı.

Nihayetinde teşhis ve hekim olarak yaptığı çalışmalar başarısız olarak görülse de son derece faydalı olduğu alanlar vardır. Ürün Genomik için WatsonKuzey Carolina Üniversitesi, Yale Üniversitesi ve diğer kurumlarla işbirliği içinde geliştirilen onkologlar için raporlar hazırlamak için genetik laboratuvarlar. Watson indirme listesi dosyası genetik mutasyonlar bir hastada ve tüm önemli ilaçlar ve klinik deneyler için önerileri içeren dakikalar içinde bir rapor oluşturabilir. Watson, genetik bilgiyi nispeten kolaylıkla ele alıyorçünkü yapılandırılmış dosyalarda sunulurlar ve belirsizlik içermezler - ya mutasyon vardır ya da mutasyon yoktur.

Kuzey Carolina Üniversitesi'ndeki IBM ortakları, 2017'de verimlilik üzerine bir makale yayınladı. Watson, bunların %32'sinde insan çalışmaları tarafından tanımlanmayan potansiyel olarak önemli mutasyonlar buldu. hastalar incelendi, bu da onları yeni ilaç için iyi adaylar haline getirdi. Bununla birlikte, kullanımın daha iyi tedavi sonuçlarına yol açtığına dair hala bir kanıt yoktur.

Proteinlerin evcilleştirilmesi

Bu ve diğer pek çok örnek, sağlık hizmetlerindeki tüm eksikliklerin giderildiğine dair artan inanca katkıda bulunuyor, ancak bunun gerçekten yardımcı olabileceği alanları aramamız gerekiyor, çünkü insanlar orada pek iyi değil. Böyle bir alan, örneğin, protein araştırması. Geçen yıl, dizilimlerine dayalı olarak proteinlerin şeklini doğru bir şekilde tahmin edebileceği bilgisi ortaya çıktı (2). Bu, yalnızca insanların değil, güçlü bilgisayarların bile gücünün ötesinde geleneksel bir görevdir. Protein moleküllerinin bükülmesinin kesin modellemesinde ustalaşırsak, gen tedavisi için çok büyük fırsatlar olacak. Bilim adamları, AlphaFold'un yardımıyla binlerce kişinin işlevlerini inceleyeceğimizi ve bunun da birçok hastalığın nedenlerini anlamamıza izin vereceğini umuyor.

Şekil 2. DeepMind's AlphaFold ile modellenen protein bükülmesi.

Şimdi iki yüz milyon protein biliyoruz, ancak bunların küçük bir bölümünün yapısını ve işlevini tam olarak anlıyoruz. proteinler canlı organizmaların temel yapı taşıdır. Hücrelerde meydana gelen işlemlerin çoğundan sorumludurlar. Nasıl çalıştıkları ve ne yaptıkları 50 boyutlu yapıları tarafından belirlenir. Fizik yasalarının rehberliğinde herhangi bir talimat olmadan uygun formu alırlar. Onlarca yıldır deneysel yöntemler, proteinlerin şeklini belirlemek için ana yöntem olmuştur. XNUMX'li yıllarda kullanım X-ışını kristalografik yöntemler. Son on yılda, tercih edilen araştırma aracı haline geldi. kristal mikroskopi. 80'li ve 90'lı yıllarda, proteinlerin şeklini belirlemek için bilgisayarların kullanılmasıyla ilgili çalışmalar başladı. Ancak sonuçlar yine de bilim insanlarını tatmin etmedi. Bazı proteinler için işe yarayan yöntemler, diğerleri için işe yaramadı.

Zaten 2018'de AlfaKatlama uzmanlardan takdir aldı protein modelleme. Ancak, o zamanlar diğer programlara çok benzer yöntemler kullandı. Bilim adamları taktikleri değiştirdiler ve protein moleküllerinin katlanmasındaki fiziksel ve geometrik kısıtlamalar hakkında da bilgi kullanan bir başkasını yarattılar. AlfaKatlama dengesiz sonuçlar verdi. Bazen daha iyisini yaptı, bazen daha kötüsünü. Ancak tahminlerinin neredeyse üçte ikisi deneysel yöntemlerle elde edilen sonuçlarla örtüşüyordu. 2. yılın başında algoritma, SARS-CoV-3 virüsünün çeşitli proteinlerinin yapısını tanımladı. Daha sonra Orf2020a proteini için yapılan tahminlerin deneysel olarak elde edilen sonuçlarla tutarlı olduğu bulundu.

Bu sadece proteinleri katlamanın içsel yollarını incelemekle ilgili değil, aynı zamanda tasarımla da ilgili. NIH BRAIN girişiminden araştırmacılar kullanıldı makine öğrenme Beyin serotonin seviyelerini gerçek zamanlı olarak takip edebilen bir protein geliştirin. Serotonin, beynin düşüncelerimizi ve duygularımızı nasıl kontrol ettiği konusunda kilit rol oynayan bir nörokimyasaldır. Örneğin, birçok antidepresan, nöronlar arasında iletilen serotonin sinyallerini değiştirmek için tasarlanmıştır. Cell dergisindeki bir makalede bilim adamları, gelişmiş teknolojiyi nasıl kullandıklarını anlattılar. genetik mühendisliği yöntemleri bir bakteri proteinini, mevcut yöntemlerden daha büyük bir doğrulukla serotonin iletimini izlemeye yardımcı olabilecek yeni bir araştırma aracına dönüştürmek. Çoğunlukla farelerde yapılan klinik öncesi deneyler, sensörün uyku, korku ve sosyal etkileşimler sırasında beyin serotonin seviyelerindeki ince değişiklikleri anında tespit edebildiğini ve yeni psikoaktif ilaçların etkinliğini test edebildiğini göstermiştir.

Salgınla mücadele her zaman başarılı olmadı

Ne de olsa bu, MT'de yazdığımız ilk salgındı. Bununla birlikte, örneğin, pandeminin gelişim süreci hakkında konuşursak, o zaman ilk aşamada AI bir tür başarısızlık gibi görünüyordu. Alimler şikayet etti Yapay zeka önceki salgınlardan elde edilen verilere dayanarak koronavirüsün yayılma derecesini doğru bir şekilde tahmin edemez. "Bu çözümler, belirli sayıda göze ve kulağa sahip yüzleri tanımak gibi bazı alanlarda iyi sonuç veriyor. SARS-CoV-2 salgını Bunlar daha önce bilinmeyen olaylar ve birçok yeni değişkendir, bu nedenle onu eğitmek için kullanılan geçmiş verilere dayanan yapay zeka iyi çalışmıyor. Skoltech'ten Maxim Fedorov, Nisan 2020'de Rus medyasına yaptığı açıklamada, pandemi başka teknolojiler ve yaklaşımlar aramamız gerektiğini gösterdi" dedi.

Zamanla vardı ancak AI'nın COVID-19 ile mücadelede büyük faydasını kanıtlıyor gibi görünen algoritmalar. ABD'deki bilim adamları, başka semptomları olmasa bile COVID-2020'lu kişilerde karakteristik öksürük kalıplarını tanımak için 19 sonbaharında bir sistem geliştirdi.

Aşılar ortaya çıktığında, nüfusun aşılanmasına yardımcı olma fikri doğdu. O, örneğin aşıların nakliyesi ve lojistiğinin modellenmesine yardımcı olun. Ayrıca pandemi ile daha hızlı başa çıkmak için hangi popülasyonların önce aşılanması gerektiğini belirlemede. Ayrıca, lojistikteki sorunları ve darboğazları hızla belirleyerek, talebi tahmin etmeye ve aşılama zamanlamasını ve hızını optimize etmeye yardımcı olacaktır. Algoritmaların sürekli izleme ile kombinasyonu, olası yan etkiler ve sağlık olayları hakkında hızlı bir şekilde bilgi sağlayabilir.

bunlar AI kullanan sistemler sağlık hizmetlerinin optimize edilmesi ve iyileştirilmesinde zaten bilinmektedir. Pratik avantajları takdir edildi; örneğin, Macro-Eyes tarafından ABD'deki Stanford Üniversitesi'nde geliştirilen sağlık sistemi. Diğer birçok sağlık kurumunda olduğu gibi, sorun randevulara gelmeyen hastaların azlığıydı. makro gözler hangi hastaların orada bulunmayacağını güvenilir bir şekilde tahmin edebilen bir sistem kurdu. Bazı durumlarda, bir hastanın ortaya çıkma şansını artıracak klinikler için alternatif zamanlar ve yerler de önerebilir. Daha sonra, ABD Uluslararası Kalkınma Ajansı başta olmak üzere, Arkansas'tan Nijerya'ya kadar çeşitli yerlerde benzer teknolojiler uygulandı.

Tanzanya'da Macro-Eyes, aşağıdakileri hedefleyen bir proje üzerinde çalıştı. artan çocuk aşı oranları. Yazılım, belirli bir aşı merkezine kaç doz aşı gönderilmesi gerektiğini analiz etti. Ayrıca hangi ailelerin çocuklarını aşılamak konusunda isteksiz olabileceğini, ancak uygun argümanlar ve uygun bir yerde bir aşı merkezinin yeri ile ikna edilebilirler. Tanzanya hükümeti bu yazılımı kullanarak bağışıklama programının etkinliğini %96 oranında artırmayı başardı. ve aşı israfını 2,42 kişi başına 100'ye düşürmek.

Sakinlerin sağlık verilerinin eksik olduğu Sierra Leone'de şirket, bunu eğitimle ilgili bilgilerle eşleştirmeye çalıştı. Sadece öğretmen ve öğrencilerinin sayısının yüzde 70'i tahmin etmek için yeterli olduğu ortaya çıktı. yerel sağlık merkezinin temiz suya erişiminin olup olmadığının doğruluğu, zaten orada yaşayan insanların sağlığına ilişkin verilerin bir ayak izidir (3).

3. Afrika'daki yapay zeka destekli sağlık programlarının Makro Gözler çizimi.

Makine doktorunun efsanesi kaybolmuyor

Başarısızlıklara rağmen Watson yeni tanısal yaklaşımlar halen geliştirilmekte ve daha ileri düzeyde olduğu kabul edilmektedir. Karşılaştırma Eylül 2020'de İsveç'te yapılmıştır. meme kanserinin görüntüleme tanısında kullanılır en iyilerinin bir radyolog gibi çalıştığını gösterdi. Algoritmalar, rutin tarama sırasında elde edilen yaklaşık dokuz bin mamografik görüntü kullanılarak test edilmiştir. AI-1, AI-2 ve AI-3 olarak adlandırılan üç sistem, %81,9, %67 doğruluk elde etti. ve %67,4. Karşılaştırma için, bu görüntüleri ilk olarak yorumlayan radyologlar için bu rakam %77,4 idi. Radyologlarbunu ikinci kim tanımladı, yüzde 80,1'di. Algoritmaların en iyisi, radyologların tarama sırasında gözden kaçırdığı vakaları da tespit edebildi ve kadınlara bir yıldan kısa sürede hasta teşhisi konuldu.

Araştırmacılara göre, bu sonuçlar şunu kanıtlıyor: yapay zeka algoritmaları radyologlar tarafından yapılan yanlış negatif tanıların düzeltilmesine yardımcı olur. AI-1'in yeteneklerini ortalama bir radyolog ile birleştirmek, tespit edilen meme kanseri sayısını %8 oranında artırdı. Bu çalışmanın arkasındaki Kraliyet Enstitüsü ekibi, AI algoritmalarının kalitesinin gelişmeye devam etmesini bekliyor. Deneyin tam açıklaması JAMA Oncology'de yayınlandı.

Beş puanlık bir ölçekte W. Şu anda, sistem alınan verileri bağımsız olarak otomatik olarak işlediğinde ve uzmana önceden analiz edilmiş bilgiler sağladığında, önemli bir teknolojik hızlanmaya ve seviye IV'e (yüksek otomasyon) ulaşıldığına tanık oluyoruz. Bu zaman kazandırır, insan hatasını önler ve daha verimli hasta bakımı sağlar. Birkaç ay önce yargıladığı şey buydu. Stan AI kendisine yakın tıp alanında prof. Janusz Braziewicz Polonya Nükleer Tıp Derneği'nden Polonya Basın Ajansı'na yapılan açıklamada.

4. Tıbbi görüntülerin makineyle görüntülenmesi

Algoritmalar, prof gibi uzmanlara göre. Brazievichhatta bu sektörde vazgeçilmezdir. Bunun nedeni tanısal görüntüleme testlerinin sayısındaki hızlı artıştır. Sadece 2000-2010 dönemi için. MRG tetkik ve tetkiklerinin sayısı on kat artmıştır. Ne yazık ki, bunları hızlı ve güvenilir bir şekilde uygulayabilecek mevcut uzman doktorların sayısı artmamıştır. Kalifiye tekniker sıkıntısı da var. Yapay zeka tabanlı algoritmaların uygulanması zamandan tasarruf sağlar ve prosedürlerin tam standardizasyonunun yanı sıra insan hatalarını ve hastalar için daha verimli, kişiselleştirilmiş tedavileri önler.

Anlaşıldığı üzere, ayrıca adli tıp yararlanabilir yapay zekanın gelişimi. Bu alandaki uzmanlar, ölü dokularla beslenen solucanların ve diğer canlıların salgılarının kimyasal analizlerini yaparak ölen kişinin kesin ölüm zamanını belirleyebilir. Farklı nekrofaj tiplerinden salgı karışımları analize dahil edildiğinde bir problem ortaya çıkar. İşte burada makine öğrenimi devreye giriyor. Albany Üniversitesi'ndeki bilim adamları geliştirdi solucan türlerinin daha hızlı tanımlanmasını sağlayan bir yapay zeka yöntemi "kimyasal parmak izlerine" dayanmaktadır. Ekip, bilgisayar programlarını altı sinek türünden çeşitli kimyasal salgı kombinasyonlarının karışımlarını kullanarak eğitti. Bir iyonun kütlesinin elektrik yüküne oranını doğru bir şekilde ölçerek kimyasalları tanımlayan kütle spektrometrisini kullanarak böcek larvalarının kimyasal imzalarını deşifre etti.

Yani, gördüğünüz gibi, ancak Araştırmacı bir dedektif olarak yapay zeka çok iyi değil, adli laboratuvarda çok faydalı olabilir. Belki de doktorları işsiz bırakacak algoritmaları öngörerek bu aşamada ondan çok şey bekledik (5). baktığımızda Yapay zeka daha gerçekçi olarak, genelden ziyade belirli pratik faydalara odaklanarak, tıptaki kariyeri yine çok umut verici görünüyor.

5. Doktor arabasının görüşü