Sztuczna inteligencja w medycynie: obecne trendy i przyszłe możliwości

ai-w-medycynie

Badania nad sztuczną inteligencją (AI) w medycynie gwałtownie rosną. W 2016 r. Projekty AI w służbie zdrowia przyciągnęły więcej inwestycji niż projekty AI w jakimkolwiek innym sektorze światowej gospodarki. 1 Jednak wśród podniecenia, jest równa sceptycyzm, z pewną ostrożnością, wymuszając na zawyżonych oczekiwań. 2 W

CZYM JEST INTELIGENCJA SZTUCZNEJ MEDYCZNOŚCI?

Podstawą medycyny opartej na dowodach jest informowanie o podejmowaniu decyzji klinicznych na podstawie danych z przeszłości. Tradycyjnie metody statystyczne podeszły do ​​tego zadania, charakteryzując wzorce w danych jako równania matematyczne, na przykład regresja liniowa sugeruje „linię najlepszego dopasowania”. Poprzez „uczenie maszynowe” (ML) AI zapewnia techniki, które odkrywają złożone skojarzenia, których nie można łatwo sprowadzić do równania. Na przykład sieci neuronowe reprezentują dane poprzez ogromną liczbę wzajemnie połączonych neuronów w podobny sposób jak ludzki mózg. Umożliwia to systemom ML podejście do skomplikowanego rozwiązywania problemów tak, jak mógłby to zrobić lekarz – poprzez staranne ważenie dowodów w celu wyciągnięcia uzasadnionych wniosków. Jednak w przeciwieństwie do jednego klinicysty, systemy te mogą jednocześnie obserwować i szybko przetwarzać prawie nieograniczoną liczbę danych wejściowych.3 Ponadto systemy te są w stanie uczyć się na podstawie każdego przyrostowego przypadku i mogą być narażone, w ciągu kilku minut, na więcej przypadków, niż klinicysta mógł zobaczyć przez wiele wcieleń. Dlatego aplikacja sterowana przez sztuczną inteligencję jest w stanie przewyższyć dermatologów prawidłową klasyfikacją podejrzanych zmian skórnych 4 lub dlaczego AI ma zaufanie do zadań, w których eksperci często się nie zgadzają, takich jak rozpoznanie gruźlicy płuc na radiogramach klatki piersiowej. 5 Chociaż AI jest obszerną dziedziną, ten artykuł koncentruje się wyłącznie na technikach ML ze względu na ich wszechstronne zastosowanie w ważnych zastosowaniach klinicznych.

JAKIE SĄ AKTUALNE TRENDY W MEDYCZNEJ AI?

Oprócz zwykłej demonstracji doskonałej skuteczności, nowe technologie wchodzące na rynek medyczny muszą również integrować się z obecnymi praktykami, uzyskać odpowiednią zgodę organów nadzoru, a być może, co najważniejsze, inspirować personel medyczny i pacjentów do inwestowania w nowy paradygmat. Wyzwania te doprowadziły do ​​pojawienia się szeregu pojawiających się trendów w badaniach i adaptacji AI.

AI przoduje w dobrze zdefiniowanych zadaniach

Badania skupiły się na zadaniach, w których AI jest w stanie skutecznie wykazać swoje działanie w stosunku do ludzkiego lekarza. Zasadniczo zadania te mają jasno zdefiniowane dane wejściowe i dane binarne, które można łatwo sprawdzić. W klasyfikacji podejrzanych zmian skórnych dane wejściowe są fotografią cyfrową, a dane wyjściowe są prostą klasyfikacją binarną: łagodną lub złośliwą. W tych warunkach badacze musieli po prostu wykazać, że AI ma wyższą czułość i swoistość niż dermatolodzy podczas klasyfikacji wcześniej niewidzianych zdjęć zmian zwalidowanych biopsyjnie. 4

AI wspiera lekarzy, nie zastępując ich

Maszyny nie mają cech ludzkich, takich jak empatia i współczucie, dlatego pacjenci muszą dostrzec, że konsultacje prowadzone są przez lekarzy. Co więcej, nie można oczekiwać, że pacjenci natychmiast zaufają AI; technologia spowita nieufnością. 6 Dlatego AI zazwyczaj zajmuje się zadaniami, które są niezbędne, ale są wystarczająco ograniczone, aby pozostawić główną odpowiedzialność za zarządzanie pacjentem lekarzowi. Trwają badania kliniczne z wykorzystaniem sztucznej inteligencji do obliczania stref docelowych radioterapii głowy i szyi w sposób dokładniejszy i znacznie szybszy niż człowiek. Radiolog interwencyjny jest ostatecznie ostatecznie odpowiedzialny za przeprowadzenie terapii, ale AI odgrywa znaczącą rolę w ochronie pacjenta przed szkodliwym promieniowaniem. 7

AI obsługuje usługi o słabych zasobach

Pojedynczy system sztucznej inteligencji jest w stanie obsłużyć dużą populację, dlatego idealnie nadaje się do sytuacji, w których wiedza ludzka jest rzadkim zasobem. W wielu krajach, w których występuje gruźlica, brak jest specjalistycznej wiedzy radiologicznej w odległych ośrodkach. 8 Za pomocą AI radiogramy przesłane z tych ośrodków mogą być interpretowane przez pojedynczy system centralny; ostatnie badanie pokazuje, że AI prawidłowo diagnozuje gruźlicę płucną z czułością 95% i swoistością 100%. 5 Ponadto zadania niedoinwestowane, w których pacjenci doświadczają niezadowalających czasów oczekiwania, są również atrakcyjne dla AI w postaci systemów segregacji. 3)

AI jest bardzo wybredna

Opracowanie modeli ML wymaga dobrze skonstruowanych danych szkoleniowych na temat zjawiska, które pozostaje względnie stabilne w czasie. Odejście od tego skutkuje „nadmiernym dopasowaniem”, w którym AI przywiązuje nadmierną wagę do fałszywych korelacji w danych z przeszłości. W 2008 r. Google próbowało przewidzieć sezonowe występowanie grypy, wykorzystując tylko wyszukiwane hasła wprowadzone do swojej wyszukiwarki. Ponieważ nawyki poszukiwania ludzi zmieniają się dramatycznie z każdym rokiem, model tak słabo przewidywał przyszłość, że szybko przestał istnieć. 9 Ponadto dane, które są zanonimizowane i zdigitalizowane u źródła, są również preferowane, ponieważ pomaga to w badaniach i rozwoju.

Bądź pierwszy, który skomentuje ten wpis!

Dodaj komentarz

Twój adres email nie zostanie opublikowany.


*