Каждый день мы слышим об алгоритмах искусственного интеллекта (ИИ), превосходящих рентгенологов, патологоанатомов и других врачей в соответствующих областях. Компании, начиная от Google и заканчивая стартапами одного человека, создают алгоритмы искусственного интеллекта, которые могут предсказывать, диагностировать и лечить болезни. Крупные системы здравоохранения вкладывают значительные средства в ИИ, а профессиональные ассоциации, такие как Радиологическое общество Северной Америки, проводят соревнования по ИИ. NEJM, JAMA и другие крупные медицинские журналы публикуют исследования в области медицинского ИИ. В ближайшем будущем мы все будем сознательно или неосознанно использовать алгоритмы ИИ при уходе за нашими пациентами. Следовательно, нам нужно понять, как создаются алгоритмы медицинского ИИ, потенциальные варианты использования, подводные камни и этические последствия. Данная статья является первой в серии статей, посвященных этим темам. В этой статье обсуждаются ИИ, его подмножества и варианты использования в медицине.
Искусственный интеллект и его подмножества
Говорят, что термин «искусственный интеллект» впервые был введен Джоном Маккарти в 1956 году. В общих чертах, искусственный интеллект — это любое неживое существо, которое имитирует человеческий интеллект и может выполнять задачи, в которых люди используют свой интеллект. Машинное обучение, подмножество ИИ, определено Артуром Сэмюэлем в 1959 году как область исследования, которая дает компьютерам возможность учиться без явного программирования. В традиционном компьютерном программировании программист дает компьютеру конкретные инструкции для выполнения конкретной задачи. В машинном обучении компьютер может найти лучшее решение проблемы. В настоящее время большая часть активности и шумихи происходит внутри сферы машинного обучения. Если у нас есть данные о различных факторах, таких как семейный анамнез ишемической болезни сердца, наличие высокого кровяного давления, диабета и т. д., у широкого круга пациентов, мы можем использовать эти данные для создания модели машинного обучения, чтобы предсказать, у кого разовьется коронарная артерия в будущем. будущее. Недавно исследователи из клиники Мэйо создали алгоритм, который может предсказывать острую почечную недостаточность у пациентов отделения интенсивной терапии за 6 часов до того, как это произойдет. Глубокое обучение, подмножество машинного обучения, привлекло внимание к решению таких проблем, как диагностика медицинских изображений.
В приведенном выше примере прогнозирования ишемической болезни сердца мы передали алгоритму факторы, связанные с ишемической болезнью сердца. Но мы не можем определить все факторы на трехмерном КТ-изображении, которые делают узел в легком злокачественным, или определить все особенности, которые делают маммограмму злокачественной. При наличии достаточного количества данных глубокое обучение может определить эти основные факторы и предсказать результат. Глубокое обучение делает это, имитируя нейронные схемы человека, используя нейронные сети. Нейронные сети состоят из нескольких узлов. Узлы — это места, где происходят вычисления. Каждый кружок на картинке ниже представляет собой узел, аналогичный нейрону в нашем мозгу. Как видно на рисунке ниже, эти узлы взаимосвязаны. Когда вы объединяете несколько нейронных сетей, вы получаете сеть глубокого обучения.
Представление архитектуры глубокого обучения
Применение ИИ в здравоохранении
Классификация медицинских изображений
Одной из наиболее активных областей исследований ИИ в здравоохранении является классификация медицинских изображений. На рынке уже есть несколько одобренных FDA приложений. У Aidoc есть программное обеспечение, которое может обнаруживать легочную эмболию, пневмоторакс, переломы ребер, легочные узлы и внутричерепное кровоизлияние. Их программное обеспечение для оптимизации рабочего процесса помечает опасные для жизни заболевания, чтобы радиолог мог расставить приоритеты в этих исследованиях. IDX-DR использует ИИ для анализа изображений сетчатки для выявления диабетической ретинопатии. Это может быть использовано врачами первичного звена в своих кабинетах или может быть развернуто в отдаленных районах без центров третичной медицинской помощи. Viz.AI оптимизирует управление инсультом, выявляя окклюзию крупных сосудов и автономно оповещая дежурную бригаду по инсульту. Медицинское зрение Zebra имеет платформу анализа медицинских изображений с искусственным интеллектом, которая имеет алгоритм подсчета коронарного кальция, алгоритм сортировки рентгеновских снимков грудной клетки и т. д. Автоматическое обнаружение полипов во время колоноскопии — еще одно применение искусственного интеллекта в диагностике медицинских изображений.
Буквенно-цифровые данные
Электронные медицинские карты генерируют петабайты данных. Это один из самых недоиспользуемых ресурсов в здравоохранении, и с медицинским ИИ ситуация меняется. Алгоритмы машинного обучения в этой области включают алгоритм прогнозирования острого повреждения почек, алгоритм прогнозирования смертности, алгоритм обнаружения диабета и т. д.
В настоящее время у Medtronics есть алгоритмы, которые могут прогнозировать низкий уровень глюкозы в крови и приостанавливать работу инсулиновой помпы. Их автоматизированная инсулиновая помпа уже некоторое время присутствует на рынке США. У Tandem, Omnipod и Tidepool есть алгоритмы, помогающие справиться с диабетом.
Демографические данные были объединены с данными EMR, чтобы предсказать неявку пациентов. Это помогает оптимизировать расписание пациентов за счет расширения доступа к медицинскому обслуживанию. Empatica использует данные браслета для прогнозирования припадков. Есть несколько компаний, занимающихся анализом электрокардиограмм. Afirma использует машинное обучение для прочесывания молекулярных маркеров, чтобы предсказать, является ли узел щитовидной железы доброкачественным или злокачественным.
ИИ также в настоящее время используется для разработки лекарств. Этот подход обещает снизить стоимость открытия лекарств. Санофи недавно заключила партнерское соглашение с Google, чтобы ускорить открытие новых лекарств. Cloud Pharmaceuticals использует существующие данные о токсичности, чтобы предсказать, является ли новая молекула токсичной или нет.
Обработка естественного языка (NLP)
НЛП использует ИИ для понимания и обработки человеческой речи или текста. НЛП можно использовать для извлечения информации из клинических заметок и отчетов о визуализации. Это может быть использовано для создания тегов для конкретных заболеваний и может помочь в кодировании и выставлении счетов. Система CodeRyte CodeAssist от 3M может автономно генерировать коды CPT и ICD из клинических документов. NLP также можно использовать для создания автоматических сводок для отдельных пациентов. Comprehend Medical от Amazon помогает объединять медицинские данные из разных источников. Информация, генерируемая этой службой, может использоваться для управления клиническими испытаниями, поддержки принятия медицинских решений и управления циклом доходов. НЛП также можно использовать для поиска пациентов из группы риска, которым будут полезны ранние профилактические вмешательства. Другой вариант использования — автономное создание документации для предварительной авторизации. НЛП также можно использовать для разработки виртуальных писцов. Технология Ambient Clinical Intelligence от Nuance обещает освободить врачей от бремени клинической документации и улучшить общение и взаимодействие между врачами и пациентами.
Эта статья едва затронула поверхность медицинского ИИ. Есть еще много компаний и образовательных учреждений, работающих над искусственным интеллектом, связанным со здравоохранением, и они каждый день выпускают новые продукты.
Будьте в курсе новостей о медицинском ИИ на
