Watson không cắn bác sĩ, và rất tốt

Mặc dù, cũng như trong nhiều lĩnh vực khác, sự nhiệt tình thay thế các bác sĩ bằng AI đã phần nào suy giảm sau một loạt các thất bại trong chẩn đoán, công việc phát triển y học dựa trên AI vẫn đang tiếp tục. Bởi vì, tuy nhiên, họ vẫn mang đến những cơ hội lớn và cơ hội để nâng cao hiệu quả hoạt động trong nhiều lĩnh vực của mình.

IBM được công bố vào năm 2015 và vào năm 2016, IBM đã có quyền truy cập vào dữ liệu từ bốn công ty dữ liệu bệnh nhân lớn (1). Nổi tiếng nhất, nhờ nhiều báo cáo trên các phương tiện truyền thông, đồng thời là dự án tham vọng nhất sử dụng trí tuệ nhân tạo tiên tiến của IBM có liên quan đến ung thư học. Các nhà khoa học đã cố gắng sử dụng nguồn dữ liệu khổng lồ để xử lý chúng nhằm biến chúng thành các liệu pháp chống ung thư thích ứng tốt. Mục tiêu dài hạn là đưa Watson ra làm trọng tài các thử nghiệm lâm sàng và kết quả như một bác sĩ sẽ làm.

1. Một trong những hình dung về hệ thống y tế Watson Health

Tuy nhiên, hóa ra Watson không thể tham khảo độc lập các tài liệu y khoa, và cũng không thể trích xuất thông tin từ bệnh án điện tử của bệnh nhân. Tuy nhiên, lời buộc tội nghiêm trọng nhất chống lại anh ta là không có khả năng so sánh một cách hiệu quả một bệnh nhân mới với các bệnh nhân ung thư cũ khác và phát hiện các triệu chứng thoạt nhìn không nhìn thấy được.

Phải thừa nhận rằng, một số bác sĩ chuyên khoa ung thư đã tự tin vào phán đoán của mình, mặc dù chủ yếu là về đề xuất của Watson về các phương pháp điều trị tiêu chuẩn, hoặc như một ý kiến ​​y khoa bổ sung. Nhiều người đã chỉ ra rằng hệ thống này sẽ là một thủ thư tự động tuyệt vời cho các bác sĩ.

Do các đánh giá không mấy tâng bốc từ IBM vấn đề với việc bán hệ thống Watson trong các tổ chức y tế Hoa Kỳ. Các đại diện bán hàng của IBM đã quản lý để bán nó cho một số bệnh viện ở Ấn Độ, Hàn Quốc, Thái Lan và các quốc gia khác. Tại Ấn Độ, các bác sĩ () đã đánh giá các khuyến nghị của Watson cho 638 trường hợp ung thư vú. Tỷ lệ tuân thủ các khuyến nghị điều trị là 73%. Tệ hơn Watson bỏ học tại Trung tâm Y tế Gachon ở Hàn Quốc, nơi các khuyến nghị tốt nhất của ông cho 656 bệnh nhân ung thư đại trực tràng chỉ phù hợp với các khuyến nghị của chuyên gia 49% thời gian. Các bác sĩ đã đánh giá rằng Watson không làm tốt với bệnh nhân lớn tuổibằng cách không cung cấp cho họ một số loại thuốc tiêu chuẩn nhất định và đã mắc sai lầm nghiêm trọng khi tiến hành giám sát điều trị tích cực cho một số bệnh nhân mắc bệnh di căn.

Cuối cùng, mặc dù công việc của ông với tư cách là một nhà chẩn đoán và bác sĩ được coi là không thành công, nhưng có những lĩnh vực mà ông đã tỏ ra vô cùng hữu ích. Sản phẩm Watson dành cho Genomics, được phát triển với sự hợp tác của Đại học Bắc Carolina, Đại học Yale và các tổ chức khác, được sử dụng phòng thí nghiệm di truyền để chuẩn bị báo cáo cho bác sĩ ung thư. Watson tệp danh sách tải xuống đột biến gen trên một bệnh nhân và có thể tạo một báo cáo trong vài phút bao gồm các đề xuất cho tất cả các loại thuốc và thử nghiệm lâm sàng quan trọng. Watson xử lý thông tin di truyền một cách tương đối dễ dàngbởi vì chúng được trình bày trong các tệp có cấu trúc và không chứa sự mơ hồ - có đột biến hoặc không có đột biến.

Các đối tác của IBM tại Đại học Bắc Carolina đã xuất bản một bài báo về hiệu quả vào năm 2017. Watson đã tìm thấy những đột biến quan trọng tiềm tàng chưa được xác định trong các nghiên cứu trên người ở 32% trong số họ. các bệnh nhân được nghiên cứu, khiến họ trở thành những ứng cử viên sáng giá cho loại thuốc mới. Tuy nhiên, vẫn chưa có bằng chứng cho thấy việc sử dụng dẫn đến kết quả điều trị tốt hơn.

Thuần hóa protein

Điều này và nhiều ví dụ khác góp phần vào niềm tin ngày càng tăng rằng tất cả các khiếm khuyết trong chăm sóc sức khỏe đang được giải quyết, nhưng chúng ta cần tìm kiếm những lĩnh vực mà điều này thực sự có thể giúp ích, bởi vì mọi người đang làm không tốt ở đó. Một trường như vậy, chẳng hạn, nghiên cứu protein. Năm ngoái, thông tin xuất hiện rằng nó có thể dự đoán chính xác hình dạng của các protein dựa trên trình tự của chúng (2). Đây là một nhiệm vụ truyền thống, nằm ngoài khả năng của không chỉ con người, mà ngay cả những máy tính mạnh mẽ. Nếu chúng ta nắm vững mô hình chính xác về sự xoắn của các phân tử protein, sẽ có cơ hội rất lớn cho liệu pháp gen. Các nhà khoa học hy vọng rằng với sự giúp đỡ của AlphaFold, chúng tôi sẽ nghiên cứu các chức năng của hàng nghìn người, và điều này sẽ cho phép chúng tôi hiểu được nguyên nhân của nhiều loại bệnh.

Hình 2. Mô hình xoắn của protein được mô hình hóa bằng AlphaFold của DeepMind.

Bây giờ chúng ta biết hai trăm triệu protein, nhưng chúng tôi hoàn toàn hiểu được cấu trúc và chức năng của một phần nhỏ trong số chúng. Protein nó là nền tảng cơ bản của các cơ thể sống. Chúng chịu trách nhiệm cho hầu hết các quá trình xảy ra trong tế bào. Cách chúng hoạt động và những gì chúng làm được quyết định bởi cấu trúc 50D của chúng. Chúng có dạng thích hợp mà không cần bất kỳ hướng dẫn nào, được hướng dẫn bởi các định luật vật lý. Trong nhiều thập kỷ, phương pháp thực nghiệm là phương pháp chính để xác định hình dạng của protein. Trong những năm XNUMX, việc sử dụng Phương pháp tinh thể học tia X. Trong thập kỷ qua, nó đã trở thành công cụ nghiên cứu được lựa chọn nhiều nhất. kính hiển vi tinh thể. Trong những năm 80 và 90, người ta bắt đầu sử dụng máy tính để xác định hình dạng của protein. Tuy nhiên, kết quả thu được vẫn không làm hài lòng các nhà khoa học. Các phương pháp hiệu quả với một số protein không hiệu quả với những loại protein khác.

Đã có trong năm 2018 AlphaFold nhận được sự công nhận từ các chuyên gia trong mô hình protein. Tuy nhiên, vào thời điểm đó nó sử dụng các phương pháp rất giống với các chương trình khác. Các nhà khoa học đã thay đổi chiến thuật và tạo ra một chiến thuật khác, cũng sử dụng thông tin về các giới hạn vật lý và hình học trong quá trình gấp phân tử protein. AlphaFold đã cho kết quả không đồng đều. Đôi khi anh ấy làm tốt hơn, đôi khi tệ hơn. Nhưng gần 2/3 dự đoán của ông đều trùng khớp với kết quả thu được bằng phương pháp thực nghiệm. Vào đầu năm 2020, thuật toán đã mô tả cấu trúc của một số protein của virus SARS-CoV-XNUMX. Sau đó, người ta thấy rằng các dự đoán về protein OrfXNUMXa phù hợp với kết quả thu được bằng thực nghiệm.

Nó không chỉ là về nghiên cứu các cách bên trong của protein gấp mà còn về thiết kế. Các nhà nghiên cứu từ sáng kiến ​​NIH BRAIN đã sử dụng máy học phát triển một loại protein có thể theo dõi mức serotonin của não trong thời gian thực. Serotonin là một chất hóa học thần kinh đóng một vai trò quan trọng trong cách bộ não kiểm soát suy nghĩ và cảm xúc của chúng ta. Ví dụ, nhiều loại thuốc chống trầm cảm được thiết kế để thay đổi tín hiệu serotonin được truyền giữa các tế bào thần kinh. Trong một bài báo trên tạp chí Cell, các nhà khoa học đã mô tả cách họ sử dụng phương pháp kỹ thuật di truyền biến một protein vi khuẩn thành một công cụ nghiên cứu mới có thể giúp theo dõi quá trình truyền serotonin với độ chính xác cao hơn các phương pháp hiện tại. Các thí nghiệm tiền lâm sàng, chủ yếu trên chuột, đã chỉ ra rằng cảm biến có thể phát hiện ngay lập tức những thay đổi tinh vi về mức serotonin trong não khi ngủ, nỗi sợ hãi và các tương tác xã hội, đồng thời kiểm tra hiệu quả của các loại thuốc thần kinh mới.

Cuộc chiến chống lại đại dịch không phải lúc nào cũng thành công

Rốt cuộc, đây là dịch bệnh đầu tiên chúng tôi viết về MT. Tuy nhiên, ví dụ, nếu chúng ta nói về quá trình phát triển của đại dịch, thì ở giai đoạn đầu, AI dường như là một thứ gì đó thất bại. Các học giả đã phàn nàn rằng Trí tuệ nhân tạo không thể dự đoán chính xác mức độ lây lan của coronavirus dựa trên dữ liệu từ các vụ dịch trước đó. “Những giải pháp này hoạt động tốt trong một số lĩnh vực, chẳng hạn như nhận dạng khuôn mặt có một số mắt và tai nhất định. Dịch SARS-CoV-2 Đây là những sự kiện chưa được biết đến trước đây và nhiều biến số mới, vì vậy trí tuệ nhân tạo dựa trên dữ liệu lịch sử đã được sử dụng để đào tạo nó không hoạt động tốt. Đại dịch đã cho thấy rằng chúng ta cần phải tìm kiếm các công nghệ và cách tiếp cận khác ”, Maxim Fedorov từ Skoltech cho biết trong một tuyên bố vào tháng 2020 năm XNUMX với các phương tiện truyền thông Nga.

Theo thời gian đã có tuy nhiên, các thuật toán dường như đã chứng minh tính hữu ích tuyệt vời của AI trong cuộc chiến chống lại COVID-19. Các nhà khoa học ở Mỹ đã phát triển một hệ thống vào mùa thu năm 2020 để nhận biết các kiểu ho đặc trưng ở những người nhiễm COVID-19, ngay cả khi họ không có các triệu chứng khác.

Khi vắc-xin xuất hiện, ý tưởng ra đời để giúp tiêm chủng cho dân số. Ví dụ như cô ấy có thể giúp mô hình vận chuyển và hậu cần vắc xin. Cũng trong việc xác định những quần thể nào nên được tiêm phòng trước để đối phó với đại dịch nhanh hơn. Nó cũng sẽ giúp dự báo nhu cầu và tối ưu hóa thời gian và tốc độ tiêm chủng bằng cách nhanh chóng xác định các vấn đề và tắc nghẽn trong hậu cần. Sự kết hợp của các thuật toán với việc theo dõi liên tục cũng có thể cung cấp thông tin nhanh chóng về các tác dụng phụ có thể xảy ra và các sự kiện sức khỏe.

những hệ thống sử dụng AI trong việc tối ưu hóa và cải thiện chăm sóc sức khỏe đã được biết đến. Những lợi thế thực tế của họ đã được đánh giá cao; ví dụ, hệ thống chăm sóc sức khỏe được phát triển bởi Macro-Eyes tại Đại học Stanford ở Mỹ. Như trường hợp của nhiều cơ sở y tế khác, vấn đề là thiếu bệnh nhân đến khám. Mắt Macro đã xây dựng một hệ thống có thể dự đoán một cách đáng tin cậy những bệnh nhân nào không có khả năng ở đó. Trong một số tình huống, anh ta cũng có thể đề xuất thời gian và địa điểm thay thế cho các phòng khám, điều này sẽ làm tăng cơ hội xuất hiện của bệnh nhân. Sau đó, công nghệ tương tự đã được áp dụng ở nhiều nơi khác nhau từ Arkansas đến Nigeria với sự hỗ trợ, đặc biệt là Cơ quan Phát triển Quốc tế Hoa Kỳ.

Tại Tanzania, Macro-Eyes đã làm việc trong một dự án nhằm mục đích tăng tỷ lệ tiêm chủng ở trẻ em. Phần mềm phân tích có bao nhiêu liều vắc xin cần được gửi đến một trung tâm tiêm chủng nhất định. Ông cũng có thể đánh giá những gia đình nào có thể không muốn tiêm chủng cho con mình, nhưng họ có thể bị thuyết phục bằng những lý lẽ phù hợp và vị trí của một trung tâm tiêm chủng ở một địa điểm thuận tiện. Sử dụng phần mềm này, chính phủ Tanzania đã có thể tăng hiệu quả của chương trình tiêm chủng lên 96%. và giảm lãng phí vắc xin xuống 2,42 trên 100 người dân.

Ở Sierra Leone, nơi dữ liệu sức khỏe của cư dân bị thiếu, công ty đã cố gắng kết hợp điều này với thông tin về giáo dục. Hóa ra chỉ riêng số lượng giáo viên và học sinh của họ đã đủ để dự đoán 70 phần trăm. tính chính xác của việc liệu phòng khám địa phương có được tiếp cận với nước sạch hay không, vốn đã là một dấu vết của dữ liệu về sức khỏe của những người sống ở đó (3).

3. Minh họa Macro-Eyes về các chương trình chăm sóc sức khỏe do AI điều khiển ở Châu Phi.

Huyền thoại về bác sĩ máy không biến mất

Bất chấp những thất bại Watson các phương pháp chẩn đoán mới vẫn đang được phát triển và được coi là ngày càng tiên tiến hơn. So sánh được thực hiện tại Thụy Điển vào tháng 2020 năm XNUMX. được sử dụng trong chẩn đoán hình ảnh ung thư vú cho thấy rằng những người giỏi nhất trong số họ hoạt động giống như một bác sĩ X quang. Các thuật toán đã được thử nghiệm bằng cách sử dụng gần chín nghìn hình ảnh chụp nhũ ảnh thu được trong quá trình kiểm tra định kỳ. Ba hệ thống, được chỉ định là AI-1, AI-2 và AI-3, đạt độ chính xác 81,9%, 67%. và 67,4%. Để so sánh, đối với các bác sĩ X quang giải thích những hình ảnh này là hình ảnh đầu tiên, con số này là 77,4%, và trong trường hợp bác sĩ X quanglà người thứ hai mô tả nó, tỷ lệ này là 80,1%. Thuật toán tốt nhất cũng có thể phát hiện các trường hợp mà bác sĩ X quang đã bỏ sót trong quá trình sàng lọc và phụ nữ được chẩn đoán mắc bệnh trong vòng chưa đầy một năm.

Theo các nhà nghiên cứu, những kết quả này chứng minh rằng thuật toán trí tuệ nhân tạo giúp điều chỉnh các chẩn đoán âm tính giả do bác sĩ X quang đưa ra. Kết hợp khả năng của AI-1 với một bác sĩ X quang trung bình đã làm tăng 8% số ca ung thư vú được phát hiện. Nhóm nghiên cứu tại Viện Hoàng gia thực hiện nghiên cứu này hy vọng chất lượng của các thuật toán AI sẽ tiếp tục phát triển. Mô tả đầy đủ về thí nghiệm đã được đăng trên tạp chí JAMA Oncology.

W trên thang điểm năm. Hiện tại, chúng ta đang chứng kiến ​​sự tăng tốc công nghệ đáng kể và đạt đến cấp độ IV (tự động hóa cao), khi hệ thống tự động xử lý độc lập dữ liệu nhận được và cung cấp cho chuyên gia thông tin đã được phân tích trước. Điều này giúp tiết kiệm thời gian, tránh sai sót của con người và cung cấp dịch vụ chăm sóc bệnh nhân hiệu quả hơn. Đó là những gì anh ấy đã đánh giá vài tháng trước Stan A.I. trong lĩnh vực y học gần gũi với anh ta, prof. Janusz Braziewicz từ Hiệp hội Y học hạt nhân Ba Lan trong một tuyên bố gửi Cơ quan Báo chí Ba Lan.

4. Máy xem hình ảnh y tế

Các thuật toán, theo các chuyên gia như prof. Brazievichthậm chí không thể thiếu trong ngành này. Nguyên nhân là do số lượng các xét nghiệm chẩn đoán hình ảnh tăng nhanh. Chỉ trong giai đoạn 2000-2010. số lần khám và kiểm tra MRI đã tăng gấp XNUMX lần. Thật không may, số lượng các bác sĩ chuyên khoa có sẵn có thể tiến hành chúng một cách nhanh chóng và đáng tin cậy đã không tăng lên. Ngoài ra còn thiếu các kỹ thuật viên có trình độ. Việc triển khai các thuật toán dựa trên AI giúp tiết kiệm thời gian và cho phép tiêu chuẩn hóa đầy đủ các quy trình, cũng như tránh lỗi của con người và các phương pháp điều trị được cá nhân hóa, hiệu quả hơn cho bệnh nhân.

Hóa ra, cũng pháp y có thể hưởng lợi từ phát triển trí tuệ nhân tạo. Các chuyên gia trong lĩnh vực này có thể xác định chính xác thời gian chết của người chết bằng cách phân tích hóa học chất tiết của giun và các sinh vật khác ăn các mô chết. Một vấn đề nảy sinh khi các hỗn hợp chất tiết từ các loại tế bào hoại tử khác nhau được đưa vào phân tích. Đây là lúc học máy phát huy tác dụng. Các nhà khoa học tại Đại học Albany đã phát triển một phương pháp trí tuệ nhân tạo cho phép xác định các loài sâu nhanh hơn dựa trên "dấu vân tay hóa học" của họ. Nhóm nghiên cứu đã đào tạo chương trình máy tính của họ bằng cách sử dụng hỗn hợp các chất tiết hóa học khác nhau từ sáu loài ruồi. Ông đã giải mã các dấu hiệu hóa học của ấu trùng côn trùng bằng phương pháp khối phổ, xác định các hóa chất bằng cách đo chính xác tỷ lệ khối lượng trên điện tích của một ion.

Vì vậy, như bạn có thể thấy, tuy nhiên AI như một thám tử điều tra không tốt lắm, nó có thể rất hữu ích trong phòng thí nghiệm pháp y. Có lẽ chúng tôi đã mong đợi quá nhiều từ cô ấy ở giai đoạn này, dự đoán các thuật toán sẽ khiến các bác sĩ mất việc (5). Khi chúng tôi nhìn vào Trí tuệ nhân tạo thực tế hơn, tập trung vào những lợi ích thiết thực cụ thể hơn là chung chung, sự nghiệp y học của cô ấy có vẻ rất hứa hẹn trở lại.

5. Tầm nhìn xe của bác sĩ