ИИ трансформирует медицинские приложения в радиологии и диагностической визуализации, по сути, используя возможности миллионов вторых мнений.
Благодаря обучению моделей машинного обучения нового поколения с использованием опыта миллионов высококвалифицированных и опытных врачей модели искусственного интеллекта все чаще превосходят любого врача во многих задачах медицинской визуализации.
Не зная многого о том, что происходит в медицине, некоторые могут подумать, что новые инструменты искусственного интеллекта «просто помогают» врачу смотреть на изображение или слушать характер дыхания в этот диагностический момент. Однако клиницисты понимают, что реальная клиническая работа существует в контексте «слоев» — сигналов в течение периодов времени, сканов, которые разрезают луковицу человеческой головы сверху вниз на тонкие сегменты, и других сложных типов новой радиологии. и клинические испытания, которые на самом деле предоставляют довольно много «больших данных».
Врачи не просто смотрят на «картинку» — скорее, команда спешит разобраться в слоях МРТ или изучает данные о частоте сердечных сокращений и артериальном давлении в режиме реального времени, чтобы попытаться проработать историю болезни пациента в обратном направлении.
В подобных ситуациях, когда дело обстоит не так, а пациент находится на столе, бригады скорой помощи, хирурги и другие квалифицированные медицинские работники знают, что быстрая диагностика и принятие мер часто являются разницей между жизнью и смертью — или между полным выздоровлением и параличом или другими нарушениями.
Подробная статья в New Yorker за прошлый год показывает, насколько эта технология пользуется спросом и руководствуется желанием спасти пациентов, как в случае с Себастьяном Труном, известным своим пребыванием в Udacity и работой над беспилотными автомобилями. который также начал работать над медицинским ИИ, чтобы попытаться продвигать раннюю диагностику рака на ранней стадии.
Читая подобные статьи, в которых показаны врачи за работой, мы понимаем, что машинное обучение и искусственный интеллект создают новые модели интервенционной помощи, которые в ближайшем будущем изменят наше представление о медицине. ИИ никогда не «заменит» рентгенолога — вместо этого он будет информировать врачей, ускорять их работу и улучшать то, что они делают для пациентов.
ЧТО ТАКОЕ ДИАГНОСТИЧЕСКОЕ ИЗОБРАЖЕНИЕ?
Категория услуг, известная как «диагностическая визуализация», включает в себя множество различных методов, инструментов и применений.
Диагностическая визуализация включает рентген, магнитно-резонансную томографию, ультразвук, позитронно-эмиссионную томографию или ПЭТ, компьютерную томографию или компьютерную томографию, а также более специализированные или более мелкие области диагностической визуализации, такие как визуализация ядерной медицины и процедуры визуализации, связанные с эндоскопией.
Общим для всех этих типов процедур является то, что они заглядывают внутрь тела и предоставляют прекрасную возможность получить представление о распознавании образов.
Радиология и диагностическая визуализация позволяют нам заглянуть внутрь слоев костей и тканей, чтобы определить состояния или изменения, происходящие практически в любой части тела.
Ученые прошлых столетий поразились бы множеству способов, которыми мы эффективно исследуем внутреннюю часть человеческого тела, чтобы получить глубокое представление о вариантах лечения.
МНОГО СЦЕНАРИЙ, МНОГО БОЛЕЗНЕЙ
Есть причина, по которой каждое отделение неотложной помощи в США имеет тот или иной тип радиологического тестирования, установленного в помещении, потому что приложения разнообразны, а радиология позволяет проводить множество различных видов интервенционной работы.
Врачи используют различные типы диагностической визуализации, чтобы увидеть переломы костей и выяснить, как исправить переломы или другие сложные проблемы, связанные с мышцами, связками и сухожилиями. Они используют диагностическую визуализацию в онкологии для идентификации или отслеживания опухолей. В ситуациях с травматическими повреждениями врачи могут быстро сканировать части тела, чтобы узнать больше о степени самой травмы и возможных последствиях. И они используют диагностическую визуализацию для оценки пациентов на всех этапах жизни, от развивающегося плода до пожилых пациентов.
ЖИЗНЕННЫЙ ЦИКЛ
Точно так же, как диагностическая визуализация используется для многих типов заболеваний и состояний, существующих во всем организме, она также используется на протяжении всего сложного «жизненного цикла» оценки.
Это начинается, когда пациента впервые осматривает поставщик медицинских услуг, и врач назначает первый диагностический тест. Медицинские эксперты либо найдут действенные результаты, либо нет. Если они это делают, начинается жизненный цикл отслеживания конкретного состояния, будь то новообразование (доброкачественное, злокачественное или неизвестное), перелом или какое-либо другое состояние, и наблюдения за его развитием помогают сформировать положительный или отрицательный прогноз. .
На протяжении всего цикла лечения, связанного с диагностикой, врачи наблюдают и понимают закономерности. Распознавание образов является ключевой задачей для понимания результатов клинических сканирований.
Например, при оценке костных структур рентгенолог внимательно ищет не только доказательства перелома или перелома, но и признаки определенного типа перелома, а также точные детали локализации. Рентгенологи стремятся идентифицировать полный, поперечный, косой или спиральный перелом, а также другие виды сложных переломов, таких как оскольчатый перелом или перелом по типу «зеленой ветки». Они также пытаются найти пораженный участок кости, оценивая такие элементы, как диафиз, метафиз и эпифиз на наличие повреждений.
Все это требует подробной визуальной оценки сложной картины для отображения и структурирования того, что видит рентгенолог.
Точно так же радиолог в онкологии будет рассматривать ткани в организме на очень детальном уровне, чтобы определить контуры биомассы и попытаться предсказать ее тип (доброкачественная, злокачественная и т. д.), а также изучить соседние типы тканей, которые могут подвержен влиянию.
Так как же применяются ИИ и машинное обучение?
Модели контролируемого машинного обучения работают, изучая очень сложное математическое отображение с помощью большого количества обучающих примеров.
(например, множество изображений чего-то вроде нароста и классификация для каждого типа, является ли он доброкачественным или нет). Таким образом, модель машинного обучения учится точно «интерпретировать» визуальные данные.
В Полезном документе «Строительные блоки интерпретируемости» содержится подробное объяснение визуализации функций (что модели используют для формирования этого отображения), уменьшения размерности (как предотвратить путаницу из-за слишком большого количества переменных) и других методов, которые использует ML. чтобы облегчить интерпретацию — но, в отличие от многих других источников, эта статья наглядно показывает, как слои математических нейронов интерпретируют множество итераций изображения, чтобы придумать подробную маркировку, которая поддерживает распознавание образов. Как и наблюдения рентгенолога, процесс интерпретации с помощью машинного обучения сложен, представляет собой нежный танец идентификации и смысла.
ИИ ПОМОГАЕТ В НЕСКОЛЬКИХ ОБЛАСТЯХ ПРАКТИКИ
В онкологии инструменты ИИ помогают улучшить диагностику и лечение многих видов рака: ученые-компьютерщики все чаще используют нейронные сети для определения стадии рака, а также для понимания приложений, связанных с экспрессией генов и другими вариантами лечения.
Они также используют искусственный интеллект для сегментации опухолей — при сегментации опухолей врачи стремятся четко разграничить различные типы вещества в ткани, включая солидную или активную опухоль и некротическую ткань. Они также идентифицируют любую нормальную или здоровую ткань и любые другие вещества, такие как кровь или спинномозговая жидкость, которые могут находиться рядом.
Нейронные сети демонстрируют большие перспективы в прогнозировании рака и сегментации конкретных опухолей для рака молочной железы, рака прямой кишки и других категорий рака, которые ежегодно поражают многих американцев.
[Методы нейронных сетей для прогнозирования рака, Procedia Computer Science]
Опять же, это, по сути, процесс распознавания образов. Сегментация опухоли требует детальной ручной сегментации, требующей значительной трудоемкой работы. Многим специалистам необходимо использовать такой инструмент, как Ванно, для определения точных контуров отдельных опухолей и их ракового состояния. Эти аннотации затем позволяют обучать сеть глубокого обучения, чтобы она могла действовать как эксперты, а также очерчивать опухоли и определять, являются ли они доброкачественными или раковыми. Это то, в чем ИИ преуспевает, автоматизирует его в высокой степени и, в конечном счете, дает врачам новые мощные инструменты, помогающие в диагностике.
Врачи также могут использовать инструменты искусственного интеллекта для выявления пневмонии, как в этой статье библиотеки Корнельского университета, где технология под названием CheXNet превзошла группу рентгенологов в некоторых аспектах диагностики пневмонии. В статье показано, как визуальные паттерны в различных долях легкого свидетельствуют о пневмонии.
Технологии машинного обучения также могут оценивать фактический физический мозг для прогнозирования риска неврологических заболеваний, как в этой статье 2015 года Адриен Пайан и Джованни Монтана, в которой исследуется использование данных нейровизуализации для диагностики болезни Альцгеймера.
ГЛАЗ КАК ОКНО В ТЕЛО
ИИ также может помочь с производным диагнозом, когда данные одной части тела говорят нам о совершенно другой части тела. Рассмотрим, например, этот отчет по Google AI. Новое программное обеспечение Google может просматривать изображения глаз и выявлять признаки сердечно-сосудистых заболеваний. Этот тип кросс-платформенного анализа добавляет важные инструменты в арсенал клинициста.
Кроме того, болезни сердца — не единственная проблема со здоровьем, которую может предсказать сканирование глаз. Врачи используют сканирование, такое как сканирование сетчатки, сканирование радужной оболочки и что-то новое, называемое оптической когерентной томографией или ОКТ, для обследования пациентов по самым разным причинам, таким как диагностика глаукомы или проблем с сетчаткой, или вторичных состояний, таких как диабет, которые могут вызвать изменения в глазу.
Некоторые другие применения оптического сканирования предназначены для оценки пациентов на наличие проблем с психическим здоровьем. Шизофрения — одно из таких заболеваний, которое, как предполагают ученые, можно частично диагностировать, предсказать или определить по движению глаз. Появление "инструментов для работы с глазами" для захвата движения глаз или других оптических данных и передачи их в ML/AI. платформы представляют собой один из лучших примеров этой технологии в действии.
ВСЯ МЕДИЦИНА УПРАВЛЯЕТСЯ ДАННЫМИ
Даже в некоторых радиологических приложениях, которые вы не обязательно считаете управляемыми шаблонами, искусственный интеллект может играть большую роль.
Одним из наиболее распространенных примеров этого является УЗИ для врачей акушеров-гинекологов. Во время беременности врачи обычно проводят несколько сканирований, которые показывают развитие плода, и вы думаете о результатах как о чем-то, что можно показать семье, или как о чем-то, что используется в качестве общей гарантии того, что плод развивается правильно. Но для врачей это не просто бинарная оценка. Они не просто смотрят, в порядке ли плод, — они смотрят на очень подробные сведения, например, на количество амниотической жидкости в сканирование и точное позиционирование плода, а также его составных частей.
Учитывая все это, искусственный интеллект расширяет возможности клиницистов и позволяет использовать новые процессы и методы, которые могут спасать жизни.
ЧЕЛОВЕК И МАШИНЫ В СОТРУДНИЧЕСТВЕ
С этими технологиями и с этим очень важным человеческим контролем мы все больше используем огромную силу сотрудничества человека и машины. Эффективная совместная работа людей и машин открывает огромный потенциал — вы соединяете мозг умных врачей с базой знаний и когнитивными способностями интеллектуальных технологий: в результате получается сумма усилий человека и машины.
Мы, люди, адаптировались симбиотически в прошлом. Представьте человека-водителя, сидящего на плуге с поводьями в руках, управляющего и использующего ручную силу лошадей для обработки почвы.
Это может быть очень поучительной метафорой, когда речь идет о сотрудничестве, которое обеспечивают технологии искусственного интеллекта. Развитие этой синергии требует создания замкнутых циклов обратной связи, в которых естественные действия опытных клиницистов предоставляют данные и инструкции машинам, которые, в свою очередь, неустанно и быстро сокращают бремя повторения и открывают двери для более высокой эффективности и действенности.
Очень важно получить все правильные данные в игре. Такие компании, как Xyonix, работающие над передовыми технологиями искусственного интеллекта в медицине, подключаются к источникам данных — например, от медицинских датчиков, таких как цифровой отоскоп, или клинических ИТ-систем, таких как системы EHR/EMR поставщиков. Когда все это объединяется, это открывает двери целому ряду мощных инноваций. Это нечто захватывающее, и мы в Xyonix гордимся тем, что являемся частью этого. ИИ изобретает радиологию заново с точки зрения качества и скорости диагностики, а также качества и скорости лечения. Это потенциально спасающие и улучшающие жизнь технологии. Целью любой системы здравоохранения является улучшение результатов, и с добавлением новых инструментов и ресурсов медицинский мир делает большие успехи в лечении.
