Крупный прорыв в области искусственного интеллекта, также известного как ИИ, в медицине и здравоохранении - это следующее крупное событие, которое должно произойти (или, скорее, уже происходит), которое способно вывести медицинские прогнозы, прогнозы, диагностику и лечение на новый уровень и помочь мы переходим к более эффективному подходу к профилактике в долгосрочной перспективе.

Прежде чем мы перейдем к описанию перспектив ИИ в медицине, позвольте мне немного поговорить об ИИ в целом и о том, как эти алгоритмы вообще считаются интеллектуальными!

Что такое искусственный интеллект (ИИ)?

Искусственный интеллект - это способность компьютерной программы каким-то образом имитировать человеческое поведение, которая направлена ​​на облегчение нашей жизни за счет достижения более высокой точности и скорости в массивных утомительных вычислительных задачах, а также за счет включения интеллектуальной автоматизации в рабочие процессы.

Но просто жестко запрограммированные алгоритмы или фиксированные системы, основанные на правилах, не очень хорошо работают для достижения таких целей. Решение оказалось не просто имитировать человеческое поведение, но имитировать то, как люди учатся. А вот и термины «машинное обучение» и «глубокое обучение».

Машинное обучение - это подмножество ИИ, которое состоит из методов, которые позволяют компьютерам определять закономерности на основе обучающих наборов данных и предоставлять приложения ИИ, способные анализировать наборы тестовых данных. По сути, машинное обучение позволяет машинам проходить процесс обучения. Это достигается путем разработки базовых моделей решения проблем. Алгоритм машинного обучения изменяет модель каждый раз, когда анализирует данные и находит новые закономерности. Такой подход позволяет обучаться и обеспечивает все более точные результаты. Машинное обучение может быть достигнуто несколькими способами, такими как контролируемое, неконтролируемое, частично контролируемое или усиленное обучение. Возможно, я буду освещать эти темы более подробно в некоторых из моих будущих блогов.

Вы могли встретить еще один термин под названием «глубокое обучение». Что это за хрень? Глубокое обучение - это подмножество машинного обучения, которое позволяет компьютерам решать более сложные задачи, имитируя работу человеческого мозга при обработке данных и создавая шаблоны для использования при принятии решений. Алгоритмы глубокого обучения способны реагировать на входные данные путем постепенного изменения и адаптации с течением времени. Проще говоря, глубокое обучение - это использование нейронных сетей с большим количеством нейронов, слоев и взаимосвязей. Мы все еще далеки от того, чтобы имитировать человеческий мозг во всей его сложности, но мы движемся в этом направлении довольно быстро.

Стоит отметить, что искусственный интеллект не является чем-то новым. Искусственный интеллект как академическая дисциплина был основан в 1956 году. Целью тогда, как и сейчас, было заставить компьютеры выполнять задачи, считающиеся исключительно человеческими: вещи, требующие интеллекта. Благодаря замечательному прогрессу в области искусственного интеллекта за последние пару лет эти термины стали более популярными в последнее время. Кроме того, исследования ИИ в области медицины начались несколько десятилетий назад. Стэнфорд занимается искусственным интеллектом в медицине с начала 80-х годов, и это был один из первых сайтов, на котором появился суперкомпьютер для искусственного интеллекта в медицине. Но некоторые факторы за последние пару лет значительно ускорили продвижение в этой области. Достижения в области вычислительной мощности в сочетании с огромным объемом медицинских данных в электронной форме, генерируемых в системах здравоохранения, дали стимул и сделали необходимым, чтобы мы что-то делали с этими данными, чтобы улучшить качество и ценность оказываемой нами помощи.

Что делает алгоритм интеллектуальным?

Доктора получают образование в течение многих лет медицинского образования, выполнения заданий и практических экзаменов, получения оценок и обучения на ошибках. Точно так же алгоритмы ИИ получают данные для их обучения, обученные модели запускаются на тестовых данных, их производительность оценивается, а алгоритмы учатся на ошибках.

Есть много разных алгоритмов, которые могут учиться на данных. Большинство приложений ИИ в медицине считывают данные того или иного типа, числовые (такие как частота сердечных сокращений или артериальное давление) или основанные на изображениях (например, сканирование МРТ или изображения образцов биопсийных тканей) в качестве входных данных, которые обычно структурированы, то есть что каждая точка данных имеет метку или аннотацию, распознаваемую алгоритмом. Затем алгоритмы учатся на данных и производят либо вероятность, либо классификацию. Например, действенным результатом может быть вероятность наличия артериального сгустка с данными о частоте сердечных сокращений и артериальном давлении или маркировка визуализированного образца ткани как злокачественного или незлокачественного. После того, как алгоритм подвергается воздействию достаточного количества наборов точек данных и их меток, производительность оценивается для обеспечения точности, точно так же, как проводятся экзамены для оценки студентов-медиков. Этот процесс включает в себя ввод тестовых данных, результаты которых программисты уже знают, что позволяет им оценить способность алгоритма определять правильный результат. В зависимости от производительности алгоритм может быть изменен, введен дополнительный объем данных или развернут для применения в клинических условиях.

Подход к «точной медицине» с помощью ИИ

Классическая медицинская практика ставит в центр внимания большие группы людей и пытается разработать клинические решения, и, следовательно, протоколы лечения или разрабатываемые на их основе лекарства обычно основаны на потребностях среднестатистического человека.

Поскольку у всех разный генетический код, разный образ жизни, воздействие различных условий окружающей среды и лекарств, они могут по-разному реагировать на определенные фармацевтические препараты или могут иметь совершенно противоположную реакцию на лечение, как предполагалось. Здесь вступает в игру концепция «точной медицины».

Сейчас, когда мы живем в эпоху, когда можно очень быстро собирать и анализировать массивы данных, персонализация лечения может стать более возможной с помощью машинного обучения и алгоритмов глубокого обучения искусственного интеллекта. Таким образом, ИИ, скорее всего, поможет здравоохранению перейти от традиционных, универсальных медицинских решений к целевым методам лечения, индивидуализированной терапии и уникальным лекарствам.

От реактивного диагностического подхода к прогнозному прогнозу

ИИ меняет практику медицины. Это помогает врачам более точно диагностировать пациентов, делать прогнозы относительно будущего здоровья пациентов и рекомендовать более эффективные методы лечения. Лечение с помощью технологий искусственного интеллекта может предсказывать и, следовательно, влиять на пациентов по-разному, в зависимости от их текущего состояния здоровья.

Используя эти типы расширенной аналитики, мы можем предоставить врачам более точную информацию при оказании помощи пациентам. Например, когда врач осматривает пациента, получение легкого доступа к артериальному давлению и другим жизненно важным показателям является обычным и ожидаемым. А теперь представьте, насколько полезнее было бы, если бы врачу можно было представить риск пациента для инсульта, ишемической болезни сердца и почечной недостаточности на основе последних 50 показаний артериального давления, результатов лабораторных анализов, расы, пола, семейного анамнеза. , социоэкономический статус. Мы можем разрабатывать и обучать такие модели искусственного интеллекта на основе клинических данных, тенденций и результатов других пациентов.

Алгоритмы искусственного интеллекта могут обрабатывать даже те мелкие и явно не относящиеся к делу клинические / диагностические аспекты пациентов, которые могут предсказать болезнь, которой человек может заболеть, может быть, через 10 лет. Все, что нам нужно, - это огромные наборы баз пациентов и разработка грамотных алгоритмов искусственного интеллекта. Уже разработано множество таких моделей искусственного интеллекта, позволяющих с большой точностью прогнозировать несколько заболеваний и проблем со здоровьем, что позволяет человеку на достаточно раннем этапе принять меры предосторожности / образ жизни, чтобы не стать его жертвой в будущем. Я напишу подробно о некоторых из этих технологий в своих будущих блогах. На данный момент вы можете узнать больше об этих технологиях, посетив мой плейлист YouTube, содержащий несколько проницательных видео по этой теме: http://bit.ly/AI-in-Medicine-YTPlaylist

Ценность алгоритмов машинного обучения в здравоохранении заключается в их способности обрабатывать огромные наборы данных, выходящие за рамки человеческих возможностей, а затем с помощью своих аналитических возможностей надежно преобразовывать эти данные в клинические данные, которые помогают врачам в планировании и оказании помощи, что в конечном итоге приводит к лучшим результатам. и повышенное удовлетворение пациентов.

Нам необходимо предоставлять больше информации клиницистам, чтобы они могли принимать более обоснованные решения в отношении диагнозов пациента и выбирать правильный вариант лечения, понимая при этом возможные результаты и стоимость каждого из них.

Проблемы, возникающие при разработке решений искусственного интеллекта в здравоохранении

Как я уже сказал выше, прогнозная аналитика на основе ИИ действительно имеет огромный потенциал в здравоохранении, но на годы отстает от других отраслей; во многом потому, что большая часть этих усилий, направленных на разработку технологии искусственного интеллекта, представляет собой дорогостоящие разовые модели, требующие от многих специалистов по данным для написания и тестирования алгоритмов, лежащих в основе этой технологии.

Еще один фактор, ограничивающий полезность машинного обучения, заключается в том, что данные о здравоохранении намного сложнее, чем данные в других отраслях, и их трудно агрегировать. Алгоритмы машинного обучения хороши ровно настолько, насколько хороши количество и качество данных, которые мы им скармливаем. Чем лучше организованы данные, тем проще алгоритмам их анализировать; и чем объемнее данные, тем выше точность обученной модели.

Достижения в области электронных медицинских карт были значительными, но предоставляемая ими информация не намного лучше старых бумажных карт, которые они заменили. Если технологии призваны улучшить медицинское обслуживание в будущем, то электронная информация, предоставляемая врачам, должна быть расширена за счет возможностей аналитики и машинного обучения. Мы должны использовать EHR (Electronic Health Records) из разных медицинских учреждений и преобразовывать их в хорошо организованные наборы данных, позволяющие применять их позже при обучении моделей искусственного интеллекта. Но это, безусловно, самая большая проблема в области ИИ в медицине. Но благодаря внедрению последних стандартов EHR, таких как FHIR (произносится как «огонь»), которые могут привести к лучшей совместимости, доступности и простоте обмена медицинскими данными для исследовательских целей в области искусственного интеллекта.

Что означает искусственный интеллект для будущего врачей? Стоит ли относиться к этому скептически?

Медицина по своей сути является делом человека, и это сочувствие человеческому элементу заботы о другом человеке не является чем-то, что алгоритм может воспроизвести.

В статье Статистические новости Джек Стокерт отмечает, что, хотя использование ИИ само по себе может повысить эффективность, объединение с ИИ также улучшает человеческие способности. Он заявляет: Эта гибридная модель совместной работы людей и машин представляет собой масштабируемую парадигму автоматизации для медицины, которая создает новые задачи и роли для основных медицинских и технологических специалистов, увеличивая возможности всей области по мере нашего продвижения вперед.

Хотя маловероятно, что машины заменят или устранят потребность в людях-врачах в ближайшее время, я думаю, что те, кто уже занимается или думает о медицинской профессии, должны быть готовы адаптироваться, учиться и расти вместе с технологическими достижениями. Брайан Вартабедян, снова пишущий для Stat News, резюмирует: Я думаю, что моя профессия движется к эволюции, а не к исчезновению.

Недавние применения ИИ в медицине

Мы находимся на ранних этапах применения машинного обучения в здравоохранении. Прогнозирующая аналитика на основе искусственного интеллекта для прогнозирования наличия у пациентов ранее сепсиса, а также прогнозирование рецидива рака груди на основе медицинских записей и изображений - вот некоторые из областей, в которых мы уже видели перспективы технологии искусственного интеллекта. ИИ имеет многообещающий потенциал в будущем во многих других приложениях, включая медицинскую визуализацию, диагностику диабетической ретинопатии и прогнозную аналитику на основе данных медицинских записей.

В ближайшие пару лет ИИ, скорее всего, проанализирует большие наборы медицинских данных, сделает выводы, найдет новые корреляции на основе существующих приоритетов и поддержит работу врача при принятии решений. Несколько компаний уже работают над изучением и расширением огромного потенциала ИИ для сбора медицинских данных (Google Deepmind и IBM Watson), определения методов лечения (Zephyr Health), поддержки радиологии (Enlitic, Arterys, 3Scan) или геномика (Deep Genomics). Еще один заслуживающий упоминания - Atomwise, который использует суперкомпьютеры, которые исключают терапию из базы данных молекулярных структур. В 2015 году Atomwise запустила виртуальный поиск безопасных существующих лекарств, которые можно было бы переработать для лечения вируса Эбола. Они обнаружили два препарата, которые, по прогнозам компании, с помощью технологии искусственного интеллекта, могут значительно снизить заразность вируса Эбола. Этот анализ, который обычно занимал месяцы или годы, был завершен менее чем за один день.

В ближайшем будущем искусственный интеллект станет более полезным в прогнозной аналитике, сделав диагностический процесс более эффективным, точным и более экономичным за счет создания тщательных, но кратких систем опроса пациентов, интеграции результатов обследований, анализа имеющихся диагностические данные и выбор эффективных с точки зрения затрат лечебных решений, основанных на фактических данных.

Хотя мы все еще далеки от алгоритмов, независимо работающих в клиниках, особенно с учетом отсутствия четкого пути для клинического утверждения, в краткосрочной перспективе эти алгоритмы могут использоваться врачами для помощи в перепроверке своих диагнозов и интерпретации данных пациентов. быстрее без ущерба для точности. Однако в долгосрочной перспективе одобренные правительством алгоритмы могут работать в клинике независимо, позволяя врачам сосредоточиться на случаях, которые компьютеры не могут решить. Я думаю, нам не следует скептически относиться к принятию и внедрению технологий искусственного интеллекта в здравоохранение, скорее мы должны стремиться к достижению баланса между эффективным использованием технологий и искусственного интеллекта, человеческими силами и суждениями подготовленных медицинских специалистов, что позволит использование человеческих и технических ресурсов.

Спасибо, что прочитали этот пост. Сообщите мне, что вы думаете о разработках и внедрении технологий искусственного интеллекта в медицине, в разделе комментариев. Подождите, The OffBeat Doc. ✌

Я подготовил плейлист на YouTube, добавив несколько интересных видео по этой теме. Вот ссылка на него: http://bit.ly/AI-in-Medicine-YTPlaylist