Nyligen genomförda studier har visat förmågan hos system för artificiell intelligens för att medicinskt diagnostisera viktiga sjukdomar
Artificiell intelligens (AI) -system har funnits ganska länge och blir nu smartare och bättre med tiden. AI har applikationer är många områden och är nu en del av de flesta områden. AI kan vara en viktig och användbar komponent i medicinsk vetenskap och forskning eftersom det har en enorm potential att påverka sjukvårdsindustrin.
Artificiell intelligens i medicinsk diagnos?
Tid är den mest värdefulla resursen inom vården och tidig lämplig diagnos är mycket viktig för det slutliga resultatet av en sjukdom. Sjukvården är ofta en lång och tidskrävande process som fördröjer effektiv diagnos och i sin tur försenar den korrekta behandlingen. AI kan hjälpa till att fylla gapet mellan tillgänglighet och tidshantering av läkare genom att införliva snabbhet och noggrannhet i diagnosen av patienter. Det kan hjälpa till att övervinna begränsningar av resurser och vårdpersonal, särskilt i låg- och medelinkomstländer. AI är en process av att lära och tänka precis som människa genom ett koncept som kallas djupinlärning. Deep learning använder breda uppsättningar exempeldata för att skapa beslutsträd på egen hand. Med denna djupa inlärning kan ett AI-system faktiskt tänka precis som människor, om inte bättre, och därför kan AI anses lämpligt att utföra medicinska uppgifter. När man diagnostiserar patienter fortsätter AI-system att leta efter mönster bland patienter med samma sjukdomar. Med tiden kan dessa mönster skapa en grund för att förutsäga sjukdomar innan de manifesteras.
I en nyligen genomförd studie1 som publicerades i Cell, har forskare använt konstgjord intelligens och maskininlärningstekniker för att utveckla ett nytt beräkningsverktyg för att screena patienter med vanliga men förblindande näthinnesjukdomar, vilket kan påskynda diagnoser och behandling. Forskare använde ett AI-baserat neuralt nätverk för att granska mer än 200,000 2 ögonskanningar utförda med en icke-invasiv teknologi som studsar ljus från näthinnan för att skapa 3D- och XNUMXD-representationer av vävnad. De använde sedan en teknik som kallas "överföringsinlärning" där kunskap som erhållits för att lösa ett problem lagras av en dator och tillämpas på olika men relaterade problem. Till exempel kan ett AI-neuralt nätverk optimerat för att känna igen de diskreta anatomiska strukturerna i ögat, såsom näthinnan, hornhinnan eller synnerven, snabbare och mer effektivt identifiera och utvärdera dem när det undersöker bilder av ett helt öga. Denna process tillåter AI-systemet att gradvis lära sig med en mycket mindre datauppsättning än traditionella metoder som kräver stora datauppsättningar vilket gör dem dyra och tidskrävande.
Studien fokuserade på två vanliga orsaker till irreversibel blindhet som kan behandlas när de upptäcks tidigt. Maskinhärledda diagnoser jämfördes med diagnoser från fem ögonläkare som granskade samma skanningar. Förutom att ställa en medicinsk diagnos genererade AI-plattformen även en rekommendation och behandlingsrekommendation som inte har gjorts i någon tidigare studie. Detta utbildade AI-system fungerade precis som en välutbildad ögonläkare och kunde inom 30 sekunder generera ett beslut om huruvida patienten skulle remitteras till behandling eller inte, med mer än 95 procents noggrannhet. De testade också AI-verktyget för att diagnostisera barndomslunginflammation, en ledande dödsorsak över hela världen hos barn (under 5 år) baserat på maskinanalyser av lungröntgenstrålar. Intressant nog kunde datorprogrammet skilja mellan viral och bakteriell lunginflammation med mer än 90 procents noggrannhet. Detta är avgörande eftersom även om viral lunginflammation naturligt befrias av kroppen efter dess förlopp, tenderar bakteriell lunginflammation å andra sidan att vara ett allvarligare hälsohot och kräver omedelbar behandling med antibiotika.
I ännu ett stort språng2 i artificiell intelligenssystem för medicinsk diagnos, fann forskare att fotografier tagna av en individs näthinna kan analyseras med maskinlärande algoritmer eller programvara för att förutsäga kardiovaskulär hjärtrisk genom att identifiera signaler som tyder på hjärtsjukdom. Statusen för blodkärlen i ögat som fångas på fotografierna visade sig exakt förutsäga ålder, kön, etnicitet, blodtryck, eventuella tidigare hjärtinfarkter och rökvanor och alla dessa faktorer förutsäger tillsammans hjärtrelaterade sjukdomar hos en individ.
Ögat som informationsblock
Idén att titta på fotografierna av ögat för att diagnostisera hälsa har funnits ett tag. Det är väletablerat att den bakre innerväggen i de mänskliga ögonen har många blodkärl som återspeglar kroppens allmänna hälsa. Genom att studera och analysera utseendet på dessa blodkärl med en kamera och ett mikroskop kan mycket information om en individs blodtryck, ålder, rökare eller icke-rökare etc. förutsägas och dessa är alla viktiga indikatorer på hälsan hos en individs hjärta . Kardiovaskulär sjukdom (CVD) är den största dödsorsaken globalt och fler människor dör av hjärt-kärlsjukdomar jämfört med någon annan sjukdom eller tillstånd. Detta är mer utbrett i låg- och medelinkomstländer och är en enorm börda för ekonomin och mänskligheten. Den kardiovaskulära risken beror på en mängd faktorer som gener, ålder, etnicitet, kön, i kombination med träning och kost. De flesta hjärt-kärlsjukdomar kan förebyggas genom att ta itu med beteenderisker som användning av tobak, fetma, fysisk inaktivitet och ohälsosam kost genom att göra betydande livsstilsförändringar för att hantera de möjliga riskerna.
Hälsodiagnos med hjälp av näthinnebilder
Denna studie utförd av forskare vid Google och dess eget hälsoteknikföretag Verily Life Sciences, visade att en artificiell intelligensalgoritm användes på ett stort dataset av retinala fotografier av cirka 280,000 12000 patienter och denna algoritm kunde framgångsrikt förutsäga hjärtriskfaktorer i två fullständigt oberoende datauppsättningar på cirka 1000 och 70 patienter med någorlunda god noggrannhet. Algoritmen använde hela fotografiet av näthinnan för att kvantifiera sambandet mellan bilden och risken för hjärtinfarkt. Denna algoritm kunde förutsäga en kardiovaskulär händelse 71 procent av tiden hos en patient och faktiskt en rökare och en icke-rökare kunde också särskiljas i detta test XNUMX procent av gångerna. Algoritmen kan också förutsäga högt blodtryck som indikerar ett hjärttillstånd och förutsäga systoliskt blodtryck - trycket i kärlen när hjärtat slår - inom ett område av de flesta patienter med eller utan högt blodtryck. Noggrannheten i denna förutsägelse, enligt författarna, är mycket lik en kardiovaskulär kontroll i laboratoriet, där blod tas från patienten för att mäta kolesterolnivåer som ser parallellt med patientens historia. Algoritmen i denna studie, publicerad i Naturbiomedicinsk teknik, kan med största sannolikhet också förutsäga förekomsten av en större kardiovaskulär händelse - t.ex. en hjärtattack.
En extremt intressant och avgörande aspekt av dessa studier var att datorn kan se var den letar i en bild för att komma fram till en diagnos, vilket gör att vi kan förstå prediktionsprocessen. Exempel, studien från Google visade exakt "vilka delar av näthinnan" som bidrog till förutsägelsealgoritmen, med andra ord hur algoritmen gjorde förutsägelsen. Denna förståelse är viktig inte bara för att förstå metoden för maskininlärning i det här specifika fallet, utan också för att skapa förtroende och tro på hela denna metodik genom att göra den transparent.
Utmaningar
Sådana medicinska bilder kommer med sina utmaningar eftersom att observera och sedan kvantifiera associationer baserade på sådana bilder inte är okomplicerat, främst på grund av flera funktioner, färger, värden, former etc i dessa bilder. Den här studien använder djupinlärning för att dra fram samband, samband och samband mellan förändringar i den mänskliga anatomin (kroppens inre morfologi) och sjukdom på samma sätt som en vårdpersonal skulle göra när han eller hon korrelerar patientens symtom med en sjukdom . Dessa algoritmer kräver mer testning innan de kan användas i en klinisk miljö.
Trots diskussioner och utmaningar har AI en enorm potential att revolutionera sjukdomsdiagnostik och hantering genom att göra analyser och klassificeringar som involverar enorma mängder data som är svåra för mänskliga experter. Den tillhandahåller snabba, kostnadseffektiva, icke-invasiva alternativa bildbaserade diagnostiska verktyg. De viktiga faktorerna för framgång för AI-system skulle vara högre beräkningskraft och mer erfarenhet av folket. I en trolig framtid skulle nya medicinska insikter och diagnoser kunna uppnås med AI utan mänsklig ledning eller tillsyn.
***
{Du kan läsa den ursprungliga forskningsartikeln genom att klicka på DOI-länken nedan i listan över citerade källor}
Källa (er)
1. Kermany DS et al. 2018. Identifiering av medicinska diagnoser och behandlingsbara sjukdomar genom bildbaserad djupinlärning. Cell. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. Förutsägelse av kardiovaskulära riskfaktorer från näthinnefundusfotografier via djupinlärning. Nature Biomedicinsk teknik. 2. https://doi.org/10.1038/s41551-018-0195-0
