Введение — Что такое искусственный интеллект?

Тест Тьюринга был назван в честь Алана Тьюринга (1950), который был одним из основателей современных компьютеров и искусственного интеллекта. Тест заключается в том, может ли машина думать как человек или нет. В этом тесте Тьюринг предположил, что компьютер можно назвать разумным, если он может имитировать человеческие реакции в определенных условиях.

ИИ — это отрасль компьютерных наук, которая в основном сосредоточена на создании интеллектуальных машин, способных выполнять задачи, требующие человеческого интеллекта. Распространенными приложениями ИИ, которые в основном используются в современном мире, являются визуальное восприятие, распознавание изображений, распознавание речи и принятие решений, автоматизированных машинами.

ИИ принимал формы и использовался для развития в различных областях, таких как финансовые рынки, образование, производство, розничная торговля, электронная коммерция и здравоохранение. Новые предприятия и инновации растут с тех пор, как ИИ привлек к себе всеобщее внимание. ИИ реализован в веб-поиске, рекомендациях по контенту, рекомендациях по производству и целевой рекламе, а недавно он использовался в автономных транспортных средствах.

История ИИ в области медицины

Большие успехи были достигнуты в использовании систем искусственного интеллекта в случае диагностики пациентов. Например, в области визуальных специальностей, таких как дерматология, данные клинической визуализации использовались для разработки моделей классификации, чтобы помочь врачам в диагностике рака кожи, поражений кожи и псориаза. Обучил модель глубокой сверточной нейронной сети (DCNN), используя 129 450 изображений, чтобы классифицировать изображения по одной из двух категорий.

Большая работа также была проделана в области ИИ и прогнозов для пациентов. Например, исследователи из Google разработали и обучили DCNN, используя 128 175 изображений глазного дна сетчатки, чтобы классифицировать изображения как диабетическую ретинопатию и отек желтого пятна у взрослых с диабетом.

Преимущества ИИ:

  1. Информированный уход за пациентами. Обученный алгоритм машинного обучения может помочь сократить время исследований, предоставляя врачам ценные результаты поиска с доказательной информацией о лечении и процедурах, пока пациент все еще находится с ними в палате.
  2. Уменьшение количества ошибок: есть доказательства того, что ИИ может помочь повысить безопасность пациентов. Недавний системный обзор 53 рецензируемых исследований, в которых изучалось влияние ИИ на безопасность пациентов, показал, что инструменты поддержки принятия решений на основе ИИ могут помочь улучшить обнаружение ошибок и управление лекарствами.
  3. Снижение затрат на лечение. Существует множество способов, с помощью которых ИИ может снизить расходы в сфере здравоохранения. Некоторые из наиболее многообещающих возможностей включают сокращение ошибок при приеме лекарств, индивидуализированную виртуальную медицинскую помощь, предотвращение мошенничества и поддержку более эффективных административных и клинических рабочих процессов.
  4. Повышение взаимодействия между врачом и пациентом. Многие пациенты думают о вопросах в нерабочее время. ИИ может помочь обеспечить круглосуточную поддержку через чат-ботов, которые могут ответить на основные вопросы и предоставить пациентам ресурсы, когда офис их врача не открыт. ИИ также потенциально может использоваться для сортировки вопросов и пометки информации для дальнейшего рассмотрения, что может помочь предупредить поставщиков медицинских услуг об изменениях в состоянии здоровья, требующих дополнительного внимания.
  5. Обеспечение контекстуальной релевантности. Одним из основных преимуществ глубокого обучения является то, что алгоритмы ИИ могут использовать контекст, чтобы различать разные типы информации. Например, если клиническая заметка включает в себя список текущих лекарств пациента, а также новое лекарство, которое рекомендует его врач, хорошо обученный алгоритм ИИ может использовать обработку естественного языка, чтобы определить, какие лекарства относятся к истории болезни пациента.

Текущие применения искусственного интеллекта в медицине

Диагностика заболеваний:

Для правильной диагностики заболеваний требуются годы медицинской подготовки. Даже в этом случае диагностика часто является трудоемким и трудоемким процессом. Во многих областях спрос на специалистов намного превышает доступное предложение. Алгоритмы машинного обучения могут научиться видеть закономерности, похожие на то, как их видят врачи. Ключевое отличие состоит в том, что для обучения алгоритмам требуется множество конкретных примеров — многие тысячи. И эти примеры нужно аккуратно оцифровать.

Один клиент IBM разработал прогнозирующую модель искусственного интеллекта для недоношенных детей, точность которой составляет 75 % при обнаружении тяжелого сепсиса.

Поскольку в этих случаях доступно много хороших данных, алгоритмы становятся такими же хорошими в диагностике, как и эксперты. Отличие в том, что алгоритм может делать выводы за доли секунды, и его можно недорого воспроизвести по всему миру.

Индивидуальное лечение:

Разные пациенты по-разному реагируют на лекарства и схемы лечения. Таким образом, персонализированное лечение имеет огромный потенциал для увеличения продолжительности жизни пациентов. Но очень сложно определить, какие факторы должны влиять на выбор лечения. Машинное обучение может автоматизировать эту сложную статистическую работу и помочь определить, какие характеристики указывают на то, что у пациента будет конкретная реакция на определенное лечение. Таким образом, алгоритм может предсказать вероятную реакцию пациента на конкретное лечение. Система узнает об этом, сопоставляя похожих пациентов и сравнивая их лечение и результаты. Полученные в результате прогнозы результатов значительно облегчают врачам разработку правильного плана лечения.

Улучшить редактирование генов:

Сотрудничество между учеными-компьютерщиками и биологами из исследовательских институтов Соединенных Штатов привело к созданию набора вычислительных инструментов, которые повышают эффективность и точность при развертывании CRISPR, технологии редактирования генов, которая трансформирует отрасли от здравоохранения до сельского хозяйства. CRISPR — это набор для шитья наноразмеров, который может быть разработан для разрезания и изменения ДНК в определенной точке определенного гена. Технология, например, может привести к прорывным применениям, таким как модификация клеток для борьбы с раком или производство высокоурожайных засухоустойчивых культур, таких как пшеница и кукуруза. Elevation, новейший инструмент, выпущенный командой, использует ветвь искусственного интеллекта, известную как машинное обучение, для прогнозирования так называемых нецелевых эффектов при редактировании генов с помощью системы CRISPR. Фуси и бывшая коллега по Microsoft Дженнифер Листгартен вместе с сотрудниками из Института Броуда Массачусетского технологического института и Гарварда, Калифорнийского университета в Лос-Анджелесе, Массачусетской больницы общего профиля и Гарвардской медицинской школы описывают возвышение в статье, опубликованной в журнале Nature Biomedical engineering.

Разрабатывайте лекарства быстрее:

Этап 1 — определение целей для вмешательства. Алгоритмы машинного обучения могут более легко анализировать все доступные данные и даже могут научиться автоматически определять хорошие целевые белки.

Этап 2 —обнаружение кандидатов в лекарства: алгоритмы машинного обучения могут научиться предсказывать пригодность молекулы на основе структурных отпечатков пальцев и молекулярных дескрипторов. Затем они просматривают миллионы потенциальных молекул и фильтруют их все до лучших вариантов — тех, которые также имеют минимальные побочные эффекты. В конечном итоге это экономит много времени при разработке лекарств.

Этап 3 –ускорение клинических испытаний. Алгоритмы могут помочь выявить закономерности, отличающие хороших кандидатов от плохих. Они также могут служить системой раннего предупреждения для клинических испытаний, которые не дают убедительных результатов, позволяя исследователям вмешаться раньше и потенциально спасая разработку лекарства.

Этап 4 — Поиск биомаркеров для диагностики заболеваний. Алгоритмы классифицируют молекулы на хороших и плохих кандидатов, что помогает клиницистам сосредоточиться на анализе наилучших перспектив.

Быстрые прогнозы и анализ

Самым последним применением ИИ в глобальном здравоохранении является прогнозирование новых горячих точек с использованием отслеживания контактов и данных о пассажирах для борьбы с пандемией нового коронавируса (COVID-19). Канадская компания BlueDot создает программное обеспечение для предотвращения вспышек, которое снижает риск заражения инфекционными заболеваниями. BlueDot опубликовала первую научную статью о COVID-19, которая точно предсказала глобальное распространение вируса. Компания использует такие методы, как обработка естественного языка (NLP), машинное обучение (ML), а также автоматическое наблюдение за инфекционными заболеваниями, анализируя примерно 100 000 статей из более чем 65 стран каждый день, информацию о маршруте путешествия и траектории полета, климат местности, температуру, и даже местный домашний скот, чтобы помочь предсказать будущие вспышки.

Кроме того, программное обеспечение BlueDot делало прогнозы по странам с повышенным риском распространения в период с февраля по апрель на основе данных IATA о поездках пассажиров из городов Китая за 2019 год.

В 2014 году программное обеспечение BlueDot точно предсказало риски завоза в результате вспышки вируса Эбола из Западной Африки.

Широкий спектр медицинских областей:

  1. Эндокринология
  2. нефрология
  3. Гастроэнтерология
  4. неврология
  5. Кардиология
  6. Легочная медицина

Проблемы и будущие направления ИИ:

  1. Доступность данных: Конфиденциальность пациентов приводит к ограниченной доступности данных, что приводит к ограниченному обучению модели, и, следовательно, не используется весь потенциал модели. Из соображений конфиденциальности обмен данными между организациями здравоохранения часто недоступен или ограничен, что приводит к фрагментации данных и ограничению надежности модели.
  2. Модели со смещением данных. Затем системы искусственного интеллекта обучаются на части собранных данных (также называемых набором данных для обучения), а оставшиеся данные зарезервированы для тестирования (также называемые набором данных для тестирования). Таким образом, если собранные данные необъективны, то есть нацелены на определенную расу, определенный пол или определенную возрастную группу, то результирующая модель будет необъективной.
  3. Предварительная обработка данных. Даже после сбора объективных данных можно создать необъективную модель. Собранные данные должны быть предварительно обработаны, прежде чем их можно будет использовать для обучения алгоритма. Собранные необработанные данные часто содержат ошибки из-за ручного ввода данных или по ряду других причин.
  4. Выбор модели. При наличии нескольких алгоритмов и моделей на выбор необходимо выбрать алгоритм, который лучше всего подходит для поставленной задачи. Таким образом, процесс выбора модели чрезвычайно важен. Модели смещения — это модели, которые слишком просты и не отражают тенденции, присутствующие в наборе данных.
  5. Этические последствия постоянного мониторинга. Медицинские технологии являются одним из самых многообещающих рынков 21 века, рыночная стоимость которого в 2019 году быстро приближается к тысяче миллиардов долларов. В то время как западные страны продолжают развиваться в направлении здравоохранения систем, сосредоточенных вокруг индивидуальной ответственности пациента за собственное здоровье и благополучие, часто обсуждаются этические последствия постоянного медицинского мониторинга с помощью медицинских устройств через Интернет вещей. В этих технополитических рамках вопрос защиты данных и права собственности становится все более и более важным. В литературе описано несколько подходов к владению данными: хотя в некоторых работах утверждается, что совместное владение данными о пациентах позволяет получать выгоду от подходов персонализированной медицины, консенсус смещается в сторону владения пациентами, поскольку это оказывает положительное влияние на вовлеченность пациентов, а также может улучшить информацию. совместное использование, если между пациентом и медицинскими работниками разработано соглашение об использовании данных.

Заменит ли искусственный интеллект врачей?

Врачей, скорее всего, не заменит искусственный интеллект: существуют умные медицинские технологии, такие как поддержка врача в улучшении ведения пациентов. Системы искусственного интеллекта будут использоваться для выделения экспертом потенциально злокачественных образований или опасных паттернов сердечной деятельности, что позволит врачу сосредоточиться на интерпретации этих сигналов.

СПАСИБО

Писатели:

Рушикеш Джадхав

Калпеш Джадхав

Сварадж Калбанде

Рохан Катта