Hindi kinagat ni Watson ang doktor, at napakahusay

Bagama't, tulad ng sa maraming iba pang larangan, medyo humina ang sigasig na palitan ng AI ang mga doktor pagkatapos ng serye ng mga diagnostic failure, nagpapatuloy pa rin ang paggawa sa pagbuo ng gamot na nakabatay sa AI. Dahil, gayunpaman, nag-aalok pa rin sila ng mahusay na mga pagkakataon at isang pagkakataon upang mapabuti ang kahusayan ng mga operasyon sa marami sa mga lugar nito.

Inanunsyo ang IBM noong 2015, at noong 2016 ay nakakuha ito ng access sa data mula sa apat na pangunahing kumpanya ng data ng pasyente (1). Ang pinakasikat, salamat sa maraming ulat ng media, at sa parehong oras ang pinaka-ambisyosong proyekto gamit ang advanced na artificial intelligence mula sa IBM ay nauugnay sa oncology. Sinubukan ng mga siyentipiko na gamitin ang malawak na mapagkukunan ng data upang iproseso ang mga ito upang gawing mga mahusay na inangkop na mga anti-cancer na therapy. Ang pangmatagalang layunin ay makuha si Watson bilang referee mga klinikal na pagsubok at mga resulta gaya ng gagawin ng isang doktor.

1. Isa sa mga visualization ng sistemang medikal ng Watson Health

Gayunpaman, ito pala Watson ay hindi nakapag-iisa na sumangguni sa medikal na literatura, at hindi rin maaaring kumuha ng impormasyon mula sa mga elektronikong medikal na rekord ng mga pasyente. Gayunpaman, ang pinakamabigat na akusasyon laban sa kanya ay iyon kabiguang epektibong ihambing ang isang bagong pasyente sa iba pang mas lumang mga pasyente ng kanser at makita ang mga sintomas na hindi nakikita sa unang tingin.

Mayroong, tinatanggap, ilang mga oncologist na nag-claim na may kumpiyansa sa kanyang paghatol, kahit na karamihan sa mga tuntunin ng mga mungkahi ni Watson para sa mga karaniwang paggamot, o bilang isang karagdagang, karagdagang medikal na opinyon. Marami ang nagturo na ang sistemang ito ay magiging isang mahusay na awtomatikong librarian para sa mga manggagamot.

Bilang resulta ng hindi masyadong nakakabigay-puri na mga review mula sa IBM mga problema sa pagbebenta ng Watson system sa mga institusyong medikal sa US. Nagawa ng mga sales representative ng IBM na ibenta ito sa ilang ospital sa India, South Korea, Thailand at iba pang mga bansa. Sa India, sinuri ng mga doktor () ang mga rekomendasyon ni Watson para sa 638 kaso ng kanser sa suso. Ang rate ng pagsunod para sa mga rekomendasyon sa paggamot ay 73%. Mas malala pa Watson bumaba sa Gachon Medical Center sa South Korea, kung saan ang kanyang pinakamahusay na mga rekomendasyon para sa 656 na mga pasyente ng colorectal cancer ay tumugma sa mga rekomendasyon ng eksperto sa 49 porsiyento lamang ng oras. Nasuri iyon ng mga doktor Hindi maganda ang ginawa ni Watson sa mga matatandang pasyentesa pamamagitan ng hindi pag-aalok sa kanila ng ilang karaniwang mga gamot, at gumawa ng kritikal na pagkakamali sa pagsasagawa ng agresibong pagsubaybay sa paggamot para sa ilang pasyenteng may metastatic na sakit.

Sa huli, kahit na ang kanyang trabaho bilang isang diagnostician at manggagamot ay itinuturing na hindi matagumpay, may mga lugar kung saan napatunayang siya ay lubhang kapaki-pakinabang. produkto Watson para sa Genomics, na binuo sa pakikipagtulungan sa University of North Carolina, Yale University, at iba pang mga institusyon, ay ginagamit genetic laboratories para sa paghahanda ng mga ulat para sa mga oncologist. Nagda-download si Watson ng list file genetic mutations sa isang pasyente at maaaring makabuo ng ulat sa loob ng ilang minuto na kinabibilangan ng mga mungkahi para sa lahat ng mahahalagang gamot at klinikal na pagsubok. Pinangangasiwaan ni Watson ang genetic na impormasyon nang madalidahil ipinakita ang mga ito sa mga structured na file at hindi naglalaman ng mga kalabuan - maaaring mayroong mutation o walang mutation.

Ang mga kasosyo sa IBM sa University of North Carolina ay nag-publish ng isang papel sa kahusayan noong 2017. Natagpuan ni Watson ang mga potensyal na mahalagang mutasyon na hindi natukoy ng mga pag-aaral ng tao sa 32% ng mga ito. nag-aral ang mga pasyente, ginagawa silang mahusay na mga kandidato para sa bagong gamot. Gayunpaman, wala pa ring katibayan na ang paggamit ay humahantong sa mas mahusay na mga resulta ng paggamot.

Domestication ng mga protina

Ito at maraming iba pang mga halimbawa ay nakakatulong sa lumalagong paniniwala na ang lahat ng mga kakulangan sa pangangalagang pangkalusugan ay tinutugunan, ngunit kailangan nating maghanap ng mga lugar kung saan ito ay talagang makakatulong, dahil ang mga tao ay hindi masyadong gumagana doon. Ang ganitong larangan ay, halimbawa, pananaliksik sa protina. Noong nakaraang taon, lumitaw ang impormasyon na maaari nitong tumpak na mahulaan ang hugis ng mga protina batay sa kanilang pagkakasunud-sunod (2). Ito ay isang tradisyunal na gawain, na lampas sa kapangyarihan ng hindi lamang ng mga tao, kundi maging ng mga makapangyarihang computer. Kung makabisado natin ang tumpak na pagmomodelo ng pag-twist ng mga molekula ng protina, magkakaroon ng malaking pagkakataon para sa gene therapy. Inaasahan ng mga siyentipiko na sa tulong ng AlphaFold ay pag-aralan natin ang mga pag-andar ng libu-libo, at ito naman, ay magpapahintulot sa atin na maunawaan ang mga sanhi ng maraming sakit.

Figure 2. Protein twisting na namodelo gamit ang DeepMind's AlphaFold.

Ngayon alam natin ang dalawang daang milyong protina, ngunit lubos naming nauunawaan ang istraktura at paggana ng isang maliit na bahagi ng mga ito. Protina ito ang pangunahing bloke ng gusali ng mga buhay na organismo. Sila ang may pananagutan sa karamihan ng mga prosesong nagaganap sa mga selula. Kung paano sila gumagana at kung ano ang kanilang ginagawa ay tinutukoy ng kanilang 50D na istraktura. Kinukuha nila ang naaangkop na anyo nang walang anumang mga tagubilin, na ginagabayan ng mga batas ng pisika. Sa loob ng mga dekada, ang mga eksperimentong pamamaraan ang naging pangunahing pamamaraan para sa pagtukoy ng hugis ng mga protina. Sa XNUMXs, ang paggamit X-ray crystallographic na pamamaraan. Sa huling dekada, ito ay naging tool sa pananaliksik na pinili. kristal na mikroskopya. Noong 80s at 90s, nagsimula ang trabaho sa paggamit ng mga computer upang matukoy ang hugis ng mga protina. Gayunpaman, ang mga resulta ay hindi pa rin nasiyahan sa mga siyentipiko. Ang mga pamamaraan na nagtrabaho para sa ilang mga protina ay hindi gumagana para sa iba.

Nasa 2018 na AlphaFold nakatanggap ng pagkilala mula sa mga eksperto sa pagmomolde ng protina. Gayunpaman, sa panahong ito ay gumamit ng mga pamamaraan na halos kapareho sa ibang mga programa. Binago ng mga siyentipiko ang mga taktika at lumikha ng isa pa, na gumamit din ng impormasyon tungkol sa pisikal at geometric na mga paghihigpit sa pagtitiklop ng mga molekula ng protina. AlphaFold nagbigay ng hindi pantay na resulta. Minsan mas maganda ang ginawa niya, minsan mas masahol pa. Ngunit halos dalawang-katlo ng kanyang mga hula ay nag-tutugma sa mga resulta na nakuha ng mga eksperimentong pamamaraan. Sa simula ng taon 2, inilarawan ng algorithm ang istraktura ng ilang mga protina ng SARS-CoV-3 virus. Nang maglaon, natagpuan na ang mga hula para sa protina ng Orf2020a ay naaayon sa mga resulta na nakuha sa eksperimento.

Ito ay hindi lamang tungkol sa pag-aaral ng mga panloob na paraan ng pagtitiklop ng mga protina, kundi pati na rin sa disenyo. Ginamit ng mga mananaliksik mula sa inisyatiba ng NIH BRAIN machine learning bumuo ng isang protina na maaaring sumubaybay sa mga antas ng serotonin sa utak sa real time. Ang serotonin ay isang neurochemical na gumaganap ng mahalagang papel sa kung paano kinokontrol ng utak ang ating mga iniisip at nararamdaman. Halimbawa, maraming antidepressant ang idinisenyo upang baguhin ang mga signal ng serotonin na ipinapadala sa pagitan ng mga neuron. Sa isang artikulo sa journal Cell, inilarawan ng mga siyentipiko kung paano sila gumagamit ng advanced pamamaraan ng genetic engineering gawing bagong tool sa pananaliksik ang bacterial protein na makakatulong sa pagsubaybay sa paghahatid ng serotonin nang mas tumpak kaysa sa mga kasalukuyang pamamaraan. Ang mga preclinical na eksperimento, karamihan sa mga daga, ay nagpakita na ang sensor ay maaaring agad na makakita ng mga banayad na pagbabago sa mga antas ng serotonin sa utak sa panahon ng pagtulog, takot at mga pakikipag-ugnayan sa lipunan, at subukan ang pagiging epektibo ng mga bagong psychoactive na gamot.

Ang paglaban sa pandemya ay hindi palaging matagumpay

Pagkatapos ng lahat, ito ang unang epidemya na isinulat namin tungkol sa MT. Gayunpaman, halimbawa, kung pinag-uusapan natin ang mismong proseso ng pag-unlad ng pandemya, kung gayon sa paunang yugto, tila isang pagkabigo ang AI. Inireklamo ito ng mga iskolar Artipisyal na Katalinuhan hindi mahuhulaan nang tama ang lawak ng pagkalat ng coronavirus batay sa data mula sa mga nakaraang epidemya. "Ang mga solusyon na ito ay mahusay na gumagana sa ilang mga lugar, tulad ng pagkilala sa mga mukha na may isang tiyak na bilang ng mga mata at tainga. Epidemya ng SARS-CoV-2 Ang mga ito ay dating hindi kilalang mga kaganapan at maraming mga bagong variable, kaya ang artificial intelligence batay sa makasaysayang data na ginamit upang sanayin ito ay hindi gumagana nang maayos. Ipinakita ng pandemya na kailangan nating maghanap ng iba pang mga teknolohiya at diskarte," sabi ni Maxim Fedorov mula sa Skoltech sa isang pahayag noong Abril 2020 sa media ng Russia.

Sa paglipas ng panahon nagkaroon gayunpaman, ang mga algorithm na tila nagpapatunay sa mahusay na pagiging kapaki-pakinabang ng AI sa paglaban sa COVID-19. Ang mga siyentipiko sa US ay bumuo ng isang sistema noong taglagas ng 2020 upang makilala ang mga katangian ng pattern ng ubo sa mga taong may COVID-19, kahit na wala silang iba pang mga sintomas.

Nang lumitaw ang mga bakuna, ipinanganak ang ideya na tumulong sa pagbabakuna sa populasyon. Kaya niya, halimbawa tumulong sa modelo ng transportasyon at logistik ng mga bakuna. Gayundin sa pagtukoy kung aling mga populasyon ang dapat unang mabakunahan upang mas mabilis na harapin ang pandemya. Makakatulong din ito sa pagtataya ng demand at i-optimize ang timing at bilis ng pagbabakuna sa pamamagitan ng mabilis na pagtukoy ng mga problema at mga bottleneck sa logistik. Ang kumbinasyon ng mga algorithm na may patuloy na pagsubaybay ay maaari ding mabilis na makapagbigay ng impormasyon sa mga posibleng epekto at mga kaganapan sa kalusugan.

эти sistema gamit ang AI sa pag-optimize at pagpapabuti ng pangangalagang pangkalusugan ay kilala na. Ang kanilang mga praktikal na pakinabang ay pinahahalagahan; halimbawa, ang sistema ng pangangalagang pangkalusugan na binuo ng Macro-Eyes sa Stanford University sa US. Tulad ng kaso sa maraming iba pang mga institusyong medikal, ang problema ay ang kakulangan ng mga pasyente na hindi sumipot para sa mga appointment. Macro Eyes bumuo ng isang sistema na mapagkakatiwalaang mahulaan kung aling mga pasyente ang malamang na hindi naroroon. Sa ilang sitwasyon, maaari rin siyang magmungkahi ng mga alternatibong oras at lokasyon para sa mga klinika, na magpapataas ng pagkakataong magpakita ng pasyente. Nang maglaon, ang katulad na teknolohiya ay inilapat sa iba't ibang lugar mula Arkansas hanggang Nigeria na may suporta, lalo na, ang US Agency for International Development i.

Sa Tanzania, ang Macro-Eyes ay nagtrabaho sa isang proyektong nilalayon pagtaas ng mga rate ng pagbabakuna sa bata. Sinuri ng software kung gaano karaming mga dosis ng mga bakuna ang kailangang ipadala sa isang partikular na sentro ng pagbabakuna. Nasuri din niya kung aling mga pamilya ang maaaring mag-atubiling pabakunahan ang kanilang mga anak, ngunit maaari silang mahikayat ng naaangkop na mga argumento at ang lokasyon ng isang sentro ng pagbabakuna sa isang maginhawang lokasyon. Gamit ang software na ito, napataas ng pamahalaan ng Tanzanian ang pagiging epektibo ng programa ng pagbabakuna nito ng 96%. at bawasan ang basura ng bakuna sa 2,42 bawat 100 tao.

Sa Sierra Leone, kung saan nawawala ang data ng kalusugan ng mga residente, sinubukan ng kumpanya na itugma ito sa impormasyon tungkol sa edukasyon. Lumalabas na ang bilang ng mga guro at kanilang mga mag-aaral lamang ay sapat na upang mahulaan ang 70 porsyento. ang katumpakan kung ang lokal na klinika ay may access sa malinis na tubig, na isa nang footprint ng data sa kalusugan ng mga taong naninirahan doon (3).

3. Ilustrasyon ng Macro-Eyes ng AI-driven na mga programa sa pangangalagang pangkalusugan sa Africa.

Ang mito ng doktor ng makina ay hindi nawawala

Sa kabila ng mga kabiguan Watson ang mga bagong diagnostic approach ay ginagawa pa rin at itinuturing na mas at mas advanced. Paghahambing na ginawa sa Sweden noong Setyembre 2020. ginagamit sa imaging diagnostics ng breast cancer ay nagpakita na ang pinakamahusay sa kanila ay gumagana sa parehong paraan tulad ng isang radiologist. Ang mga algorithm ay nasubok gamit ang halos siyam na libong mga imahe ng mammography na nakuha sa regular na screening. Tatlong sistema, na itinalaga bilang AI-1, AI-2 at AI-3, ay nakamit ang katumpakan ng 81,9%, 67%. at 67,4%. Para sa paghahambing, para sa mga radiologist na binibigyang kahulugan ang mga larawang ito bilang una, ang bilang na ito ay 77,4%, at sa kaso ng mga radiologistkung sino ang pangalawa sa paglalarawan nito, ito ay 80,1 porsyento. Ang pinakamahusay sa mga algorithm ay nagawa ring makakita ng mga kaso na napalampas ng mga radiologist sa panahon ng screening, at ang mga kababaihan ay na-diagnose na may sakit sa loob ng wala pang isang taon.

Ayon sa mga mananaliksik, ang mga resultang ito ay nagpapatunay na mga algorithm ng artificial intelligence tumulong na itama ang mga maling-negatibong diagnosis na ginawa ng mga radiologist. Ang pagsasama-sama ng mga kakayahan ng AI-1 sa isang average na radiologist ay nagpapataas ng bilang ng mga nakitang kanser sa suso ng 8%. Inaasahan ng koponan sa Royal Institute na nagsasagawa ng pag-aaral na ito na patuloy na lalago ang kalidad ng mga algorithm ng AI. Ang isang buong paglalarawan ng eksperimento ay nai-publish sa JAMA Oncology.

W sa limang-puntong sukat. Sa kasalukuyan, nasasaksihan namin ang isang makabuluhang teknolohikal na acceleration at umabot sa IV level (high automation), kapag ang system ay nagsasarili na awtomatikong nagpoproseso ng natanggap na data at nagbibigay sa espesyalista ng pre-analyzed na impormasyon. Makakatipid ito ng oras, maiiwasan ang pagkakamali ng tao at nagbibigay ng mas mahusay na pangangalaga sa pasyente. Iyon ang hinusgahan niya ilang buwan na ang nakakaraan Stan A.I. sa larangan ng medisina na malapit sa kanya, prof. Janusz Braziewicz mula sa Polish Society for Nuclear Medicine sa isang pahayag sa Polish Press Agency.

4. Machine viewing ng mga medikal na larawan

Algorithm, ayon sa mga eksperto tulad ng prof. Brazievichkahit na kailangang-kailangan sa industriyang ito. Ang dahilan ay ang mabilis na pagtaas ng bilang ng mga diagnostic imaging test. Para lamang sa panahon ng 2000-2010. ang bilang ng mga pagsusuri at pagsusuri sa MRI ay tumaas ng sampung ulit. Sa kasamaang palad, ang bilang ng mga magagamit na espesyalistang doktor na maaaring magsagawa ng mga ito nang mabilis at mapagkakatiwalaan ay hindi tumaas. May kakulangan din ng mga kwalipikadong technician. Ang pagpapatupad ng mga algorithm na nakabatay sa AI ay nakakatipid ng oras at nagbibigay-daan sa ganap na standardisasyon ng mga pamamaraan, pati na rin ang pag-iwas sa pagkakamali ng tao at mas mahusay, personalized na mga paggamot para sa mga pasyente.

Tulad ng nangyari, din forensic na Medisina maaaring makinabang mula sa pag-unlad ng artificial intelligence. Matutukoy ng mga espesyalista sa larangang ito ang eksaktong oras ng pagkamatay ng namatay sa pamamagitan ng pagsusuri ng kemikal ng mga pagtatago ng mga bulate at iba pang nilalang na kumakain sa mga patay na tisyu. Ang isang problema ay lumitaw kapag ang mga paghahalo ng mga pagtatago mula sa iba't ibang uri ng mga necrophage ay kasama sa pagsusuri. Dito pumapasok ang machine learning. Ang mga siyentipiko sa Unibersidad ng Albany ay nakabuo isang paraan ng artificial intelligence na nagbibigay-daan sa mas mabilis na pagkilala sa mga species ng worm base sa kanilang "chemical fingerprints". Sinanay ng pangkat ang kanilang programa sa kompyuter gamit ang mga pinaghalong iba't ibang kumbinasyon ng mga chemical secretion mula sa anim na species ng langaw. Natukoy niya ang mga kemikal na pirma ng larvae ng insekto gamit ang mass spectrometry, na kinikilala ang mga kemikal sa pamamagitan ng tumpak na pagsukat ng ratio ng mass sa electric charge ng isang ion.

Kaya, tulad ng nakikita mo, gayunpaman AI bilang isang investigative detective hindi napakahusay, maaari itong maging lubhang kapaki-pakinabang sa isang forensic lab. Marahil ay labis kaming umasa mula sa kanya sa yugtong ito, na inaasahan ang mga algorithm na magpapaalis sa trabaho ng mga doktor (5). Pag tingin namin Artipisyal na Katalinuhan mas makatotohanan, na nakatuon sa mga partikular na praktikal na benepisyo kaysa sa pangkalahatan, ang kanyang karera sa medisina ay mukhang napaka-promising muli.

5. Paningin sa kotse ng doktor