Watson tidak menggigit dokter, dan sangat baik

Meskipun, seperti di banyak bidang lain, antusiasme untuk mengganti dokter dengan AI agak berkurang setelah serangkaian kegagalan diagnostik, pengembangan obat berbasis AI masih terus berlanjut. Karena, bagaimanapun, mereka masih menawarkan peluang besar dan peluang untuk meningkatkan efisiensi operasi di banyak bidangnya.

IBM diumumkan pada tahun 2015, dan pada tahun 2016 IBM memperoleh akses ke data dari empat perusahaan data pasien utama (1). Yang paling terkenal, berkat banyak laporan media, dan pada saat yang sama proyek paling ambisius menggunakan kecerdasan buatan canggih dari IBM terkait dengan onkologi. Para ilmuwan telah mencoba menggunakan sumber daya data yang sangat besar untuk memprosesnya untuk mengubahnya menjadi terapi anti-kanker yang diadaptasi dengan baik. Tujuan jangka panjangnya adalah membuat Watson menjadi wasit uji klinis dan hasil seperti yang dilakukan dokter.

1. Salah satu visualisasi sistem medis Watson Health

Namun, ternyata Watson tidak dapat secara mandiri merujuk ke literatur medis, dan juga tidak dapat mengekstrak informasi dari rekam medis elektronik pasien. Namun, tuduhan paling serius terhadapnya adalah— ketidakmampuan untuk secara efektif membandingkan pasien baru dengan pasien kanker lain yang lebih tua dan mendeteksi gejala yang tidak terlihat pada pandangan pertama.

Memang, ada beberapa ahli onkologi yang mengaku percaya dengan penilaiannya, meskipun sebagian besar dalam hal saran Watson untuk perawatan standar, atau sebagai tambahan, pendapat medis tambahan. Banyak yang telah menunjukkan bahwa sistem ini akan menjadi pustakawan otomatis yang hebat bagi para dokter.

Sebagai hasil dari ulasan yang tidak terlalu menyanjung dari IBM masalah dengan penjualan sistem Watson di institusi medis AS. Sales representative IBM berhasil menjualnya ke beberapa rumah sakit di India, Korea Selatan, Thailand, dan negara lainnya. Di India, dokter () mengevaluasi rekomendasi Watson untuk 638 kasus kanker payudara. Tingkat kepatuhan untuk rekomendasi pengobatan adalah 73%. Lebih buruk Watson keluar di Gachon Medical Center di Korea Selatan, di mana rekomendasi terbaiknya untuk 656 pasien kanker kolorektal hanya cocok dengan rekomendasi ahli 49 persen. Dokter telah menilai bahwa Watson tidak melakukannya dengan baik dengan pasien yang lebih tuadengan tidak menawarkan mereka obat standar tertentu, dan membuat kesalahan kritis dengan melakukan pengawasan pengobatan agresif untuk beberapa pasien dengan penyakit metastasis.

Pada akhirnya, meskipun pekerjaannya sebagai diagnosa dan dokter dianggap tidak berhasil, ada area di mana ia terbukti sangat berguna. Produk Watson untuk Genomics, yang dikembangkan bekerja sama dengan University of North Carolina, Universitas Yale, dan institusi lain, digunakan laboratorium genetik untuk menyiapkan laporan untuk ahli onkologi. File daftar unduhan Watson mutasi genetik pada pasien dan dapat menghasilkan laporan dalam hitungan menit yang mencakup saran untuk semua obat penting dan uji klinis. Watson menangani informasi genetik dengan relatif mudahkarena disajikan dalam file terstruktur dan tidak mengandung ambiguitas - baik ada mutasi atau tidak ada mutasi.

Mitra IBM di University of North Carolina menerbitkan makalah tentang efisiensi pada tahun 2017. Watson menemukan mutasi penting yang potensial yang tidak diidentifikasi oleh penelitian pada manusia di 32% dari mereka. pasien dipelajari, membuat mereka calon yang baik untuk obat baru. Namun, masih belum ada bukti bahwa penggunaan mengarah pada hasil pengobatan yang lebih baik.

Domestikasi protein

Ini dan banyak contoh lainnya berkontribusi pada kepercayaan yang berkembang bahwa semua kekurangan dalam perawatan kesehatan sedang diatasi, tetapi kita perlu mencari area di mana ini benar-benar dapat membantu, karena orang tidak melakukannya dengan baik di sana. Bidang seperti itu, misalnya, penelitian protein. Tahun lalu, muncul informasi bahwa ia dapat secara akurat memprediksi bentuk protein berdasarkan urutannya (2). Ini adalah tugas tradisional, di luar kekuatan tidak hanya orang, tetapi bahkan komputer yang kuat. Jika kita menguasai pemodelan yang tepat dari pelintiran molekul protein, akan ada peluang besar untuk terapi gen. Para ilmuwan berharap bahwa dengan bantuan AlphaFold kita akan mempelajari fungsi ribuan, dan ini, pada gilirannya, akan memungkinkan kita untuk memahami penyebab banyak penyakit.

Gambar 2. Protein twisting dimodelkan dengan DeepMind's AlphaFold.

Sekarang kita tahu dua ratus juta protein, tetapi kami sepenuhnya memahami struktur dan fungsi sebagian kecil dari mereka. Protein itu adalah blok bangunan dasar organisme hidup. Mereka bertanggung jawab untuk sebagian besar proses yang terjadi dalam sel. Bagaimana mereka bekerja dan apa yang mereka lakukan ditentukan oleh struktur 50D mereka. Mereka mengambil bentuk yang sesuai tanpa instruksi apa pun, dipandu oleh hukum fisika. Selama beberapa dekade, metode eksperimental telah menjadi metode utama untuk menentukan bentuk protein. Di tahun XNUMX-an, penggunaan Metode kristalografi sinar-X. Dalam dekade terakhir, telah menjadi alat penelitian pilihan. mikroskop kristal. Pada tahun 80-an dan 90-an, pekerjaan mulai menggunakan komputer untuk menentukan bentuk protein. Namun, hasilnya masih belum memuaskan para ilmuwan. Metode yang berhasil untuk beberapa protein tidak berhasil untuk yang lain.

Sudah di 2018 Lipatan Alfa mendapat pengakuan dari para ahli di pemodelan protein. Namun, pada saat itu metode yang digunakan sangat mirip dengan program lain. Para ilmuwan mengubah taktik dan menciptakan taktik lain, yang juga menggunakan informasi tentang pembatasan fisik dan geometrik dalam pelipatan molekul protein. Lipatan Alfa memberikan hasil yang tidak merata. Terkadang dia melakukannya dengan lebih baik, terkadang lebih buruk. Tetapi hampir dua pertiga dari prediksinya bertepatan dengan hasil yang diperoleh dengan metode eksperimental. Pada awal tahun ke-2, algoritme menggambarkan struktur beberapa protein virus SARS-CoV-3. Belakangan, ditemukan bahwa prediksi protein Orf2020a konsisten dengan hasil yang diperoleh secara eksperimental.

Ini bukan hanya tentang mempelajari cara internal melipat protein, tetapi juga tentang desain. Para peneliti dari inisiatif NIH BRAIN menggunakan pembelajaran mesin mengembangkan protein yang dapat melacak kadar serotonin otak secara real time. Serotonin adalah neurokimia yang memainkan peran kunci dalam bagaimana otak mengontrol pikiran dan perasaan kita. Misalnya, banyak antidepresan dirancang untuk mengubah sinyal serotonin yang ditransmisikan antar neuron. Dalam sebuah artikel di jurnal Cell, para ilmuwan menjelaskan bagaimana mereka menggunakan tingkat lanjut metode rekayasa genetika mengubah protein bakteri menjadi alat penelitian baru yang dapat membantu melacak transmisi serotonin dengan akurasi lebih tinggi daripada metode saat ini. Eksperimen praklinis, sebagian besar pada tikus, telah menunjukkan bahwa sensor dapat secara instan mendeteksi perubahan halus dalam kadar serotonin otak selama tidur, ketakutan dan interaksi sosial, dan menguji efektivitas obat psikoaktif baru.

Perjuangan melawan pandemi tidak selalu berhasil

Bagaimanapun, ini adalah epidemi pertama yang kami tulis di MT. Namun, misalnya, jika kita berbicara tentang proses perkembangan pandemi, maka pada tahap awal, AI tampaknya gagal. Ulama mengeluh bahwa Kecerdasan buatan tidak dapat memprediksi dengan tepat tingkat penyebaran virus corona berdasarkan data dari epidemi sebelumnya. “Solusi ini bekerja dengan baik di beberapa area, seperti mengenali wajah yang memiliki sejumlah mata dan telinga. Epidemi SARS-CoV-2 Ini adalah peristiwa yang sebelumnya tidak diketahui dan banyak variabel baru, sehingga kecerdasan buatan berdasarkan data historis yang digunakan untuk melatihnya tidak berfungsi dengan baik. Pandemi menunjukkan bahwa kita perlu mencari teknologi dan pendekatan lain,” kata Maxim Fedorov dari Skoltech pada April 2020 dalam sebuah pernyataan kepada media Rusia.

Seiring waktu ada namun algoritme yang tampaknya membuktikan kegunaan AI yang luar biasa dalam memerangi COVID-19. Para ilmuwan di AS mengembangkan sistem pada musim gugur 2020 untuk mengenali pola batuk khas pada orang dengan COVID-19, bahkan jika mereka tidak memiliki gejala lain.

Ketika vaksin muncul, lahirlah ide untuk membantu memvaksinasi penduduk. Dia bisa, misalnya membantu model transportasi dan logistik vaksin. Juga dalam menentukan populasi mana yang harus divaksinasi terlebih dahulu untuk menangani pandemi lebih cepat. Ini juga akan membantu memperkirakan permintaan dan mengoptimalkan waktu dan kecepatan vaksinasi dengan mengidentifikasi masalah dan hambatan logistik dengan cepat. Kombinasi algoritme dengan pemantauan konstan juga dapat memberikan informasi dengan cepat tentang kemungkinan efek samping dan kejadian kesehatan.

ini sistem menggunakan AI dalam mengoptimalkan dan meningkatkan kesehatan sudah dikenal. Keuntungan praktis mereka dihargai; misalnya, sistem perawatan kesehatan yang dikembangkan oleh Macro-Eyes di Stanford University di AS. Seperti halnya dengan banyak institusi medis lainnya, masalahnya adalah kurangnya pasien yang tidak datang untuk janji temu. Mata Makro membangun sebuah sistem yang dapat dengan andal memprediksi pasien mana yang tidak mungkin berada di sana. Dalam beberapa situasi, ia juga dapat menyarankan waktu dan lokasi alternatif untuk klinik, yang akan meningkatkan kemungkinan pasien datang. Belakangan, teknologi serupa diterapkan di berbagai tempat mulai dari Arkansas hingga Nigeria dengan dukungan, khususnya US Agency for International Development i.

Di Tanzania, Macro-Eyes mengerjakan proyek yang ditujukan untuk meningkatkan angka imunisasi anak. Perangkat lunak menganalisis berapa banyak dosis vaksin yang perlu dikirim ke pusat vaksinasi tertentu. Dia juga dapat menilai keluarga mana yang mungkin enggan memvaksinasi anak-anak mereka, tetapi mereka dapat diyakinkan dengan argumen yang tepat dan lokasi pusat vaksinasi di lokasi yang nyaman. Dengan menggunakan perangkat lunak ini, pemerintah Tanzania telah mampu meningkatkan efektivitas program imunisasinya hingga 96%. dan mengurangi limbah vaksin menjadi 2,42 per 100 orang.

Di Sierra Leone, di mana data kesehatan penduduk hilang, perusahaan mencoba mencocokkannya dengan informasi tentang pendidikan. Ternyata jumlah guru dan muridnya saja sudah cukup untuk memprediksi 70 persen. ketepatan akses terhadap air bersih Puskesmas setempat, yang sudah menjadi jejak data kesehatan masyarakat yang tinggal di sana (3).

3. Ilustrasi Mata Makro dari program perawatan kesehatan berbasis AI di Afrika.

Mitos dokter mesin tidak hilang

Meskipun gagal Watson pendekatan diagnostik baru masih dikembangkan dan dianggap semakin maju. Perbandingan dilakukan di Swedia pada September 2020. digunakan dalam pencitraan diagnostik kanker payudara menunjukkan bahwa yang terbaik dari mereka bekerja dengan cara yang sama seperti ahli radiologi. Algoritme telah diuji menggunakan hampir sembilan ribu gambar mamografi yang diperoleh selama penyaringan rutin. Tiga sistem, ditunjuk sebagai AI-1, AI-2 dan AI-3, mencapai akurasi 81,9%, 67%. dan 67,4%. Sebagai perbandingan, untuk ahli radiologi yang menafsirkan gambar ini sebagai yang pertama, angka ini adalah 77,4%, dan dalam kasus ahli radiologisiapa yang kedua menggambarkannya, itu 80,1 persen. Algoritme terbaik juga mampu mendeteksi kasus yang terlewatkan oleh ahli radiologi selama pemeriksaan, dan wanita didiagnosis sakit dalam waktu kurang dari setahun.

Menurut para peneliti, hasil ini membuktikan bahwa algoritma kecerdasan buatan membantu mengoreksi diagnosis negatif palsu yang dibuat oleh ahli radiologi. Menggabungkan kemampuan AI-1 dengan ahli radiologi rata-rata meningkatkan jumlah kanker payudara yang terdeteksi sebesar 8%. Tim Royal Institute di balik penelitian ini mengharapkan kualitas algoritme AI terus meningkat. Deskripsi lengkap dari eksperimen ini diterbitkan di JAMA Oncology.

W pada skala lima poin. Saat ini, kami menyaksikan percepatan teknologi yang signifikan dan mencapai tingkat IV (otomatisasi tinggi), ketika sistem secara otomatis memproses data yang diterima dan memberikan informasi yang telah dianalisis sebelumnya kepada spesialis. Ini menghemat waktu, menghindari kesalahan manusia dan memberikan perawatan pasien yang lebih efisien. Itu yang dia nilai beberapa bulan lalu Stan A.I. di bidang kedokteran yang dekat dengan beliau, prof. Janusz Braziewicz dari Masyarakat Polandia untuk Kedokteran Nuklir dalam sebuah pernyataan kepada Kantor Pers Polandia.

4. Mesin melihat gambar medis

Algoritma, menurut para ahli seperti prof. Brazievichbahkan sangat diperlukan dalam industri ini. Alasannya adalah peningkatan pesat dalam jumlah tes pencitraan diagnostik. Hanya untuk periode 2000-2010. jumlah pemeriksaan dan pemeriksaan MRI telah meningkat sepuluh kali lipat. Sayangnya, jumlah dokter spesialis yang tersedia yang dapat melaksanakannya dengan cepat dan andal tidak bertambah. Ada juga kekurangan teknisi yang berkualitas. Penerapan algoritme berbasis AI menghemat waktu dan memungkinkan standarisasi prosedur penuh, serta menghindari kesalahan manusia dan perawatan yang lebih efisien dan personal untuk pasien.

Ternyata, juga Kedokteran Forensik dapat mengambil manfaat dari pengembangan kecerdasan buatan. Spesialis di bidang ini dapat menentukan waktu kematian yang tepat dengan analisis kimia dari sekresi cacing dan makhluk lain yang memakan jaringan mati. Masalah muncul ketika campuran sekresi dari berbagai jenis nekrofag dimasukkan dalam analisis. Di sinilah pembelajaran mesin berperan. Para ilmuwan di Universitas Albany telah mengembangkan metode kecerdasan buatan yang memungkinkan identifikasi spesies cacing lebih cepat berdasarkan "sidik jari kimia" mereka. Tim melatih program komputer mereka menggunakan campuran berbagai kombinasi sekresi kimia dari enam spesies lalat. Dia menguraikan tanda kimia larva serangga menggunakan spektrometri massa, yang mengidentifikasi bahan kimia dengan secara akurat mengukur rasio massa terhadap muatan listrik ion.

Jadi, seperti yang Anda lihat, bagaimanapun AI sebagai detektif investigasi tidak terlalu bagus, ini bisa sangat berguna di laboratorium forensik. Mungkin kami berharap terlalu banyak darinya pada tahap ini, mengantisipasi algoritme yang akan membuat dokter kehilangan pekerjaan (5). Ketika kita melihat Kecerdasan buatan lebih realistis, berfokus pada manfaat praktis tertentu daripada umum, karirnya di bidang kedokteran terlihat sangat menjanjikan lagi.

5. Penglihatan mobil dokter