Sztuczna inteligencja w medycynie: zastosowania, implikacje i ograniczenia

medtech-ai-sztuczna-inteligencja

Przyszłość „standardowej” praktyki medycznej może być tu wcześniej niż przewidywano, w której pacjent mógłby zobaczyć komputer przed wizytą u lekarza. Dzięki postępom w sztucznej inteligencji (AI) wydaje się, że dni błędnej diagnozy i leczenia symptomów choroby, a nie ich pierwotna przyczyna, pozostają w tyle. Pomyśl o tym, ile masz lat pomiarów ciśnienia krwi lub ile miejsca potrzebujesz na usunięcie pełnego obrazu 3D narządu na laptopie? Gromadzenie danych generowanych w klinikach i przechowywanych w elektronicznej dokumentacji medycznej za pomocą wspólnych testów i obrazowania medycznego pozwala na więcej zastosowań sztucznej inteligencji i medycyny o wysokiej wydajności opartej na danych .Aplikacje te uległy zmianie i nadal będą zmieniać sposób, w jaki zarówno lekarze, jak i badacze podchodzą do rozwiązywania problemów klinicznych.

Jednak chociaż niektóre algorytmy mogą konkurować z klinicystami, a czasem osiągają lepsze wyniki w różnych zadaniach, nie zostały jeszcze w pełni zintegrowane z codzienną praktyką medyczną. Czemu? Ponieważ chociaż algorytmy te mogą znacząco wpłynąć na medycynę i wzmocnić siłę interwencji medycznych, istnieje wiele problemów regulacyjnych, które należy rozwiązać w pierwszej kolejności.

Sztuczna inteligencja w medycynie

Co czyni algorytm inteligentnym?

Podobnie jak kształcenie lekarzy przez lata edukacji medycznej, wykonywanie zadań i egzaminów praktycznych, otrzymywanie ocen i uczenie się na błędach, algorytmy AI również muszą nauczyć się, jak wykonywać swoją pracę. Zasadniczo zadania, które mogą wykonywać algorytmy AI, to zadania wymagające ludzkiej inteligencji, takie jak rozpoznawanie wzorców i mowy, analiza obrazów i podejmowanie decyzji. Jednak ludzie muszą wyraźnie powiedzieć komputerowi dokładnie, czego będą szukać na przykład w obrazie, który przekazują algorytmowi. Krótko mówiąc, algorytmy AI świetnie nadają się do automatyzacji żmudnych zadań, a czasem mogą przewyższać ludzi w zadaniach, do których zostali przeszkoleni.

Aby wygenerować skuteczny algorytm sztucznej inteligencji, systemy komputerowe są najpierw zasilane danymi, które zwykle mają strukturę, co oznacza, że ​​każdy punkt danych ma etykietę lub adnotację rozpoznawalną dla algorytmu (rysunek 1). Po wystawieniu algorytmu na wystarczającą liczbę zestawów punktów danych i ich etykiet, wydajność jest analizowana w celu zapewnienia dokładności, podobnie jak egzaminy są wydawane uczniom. Te „egzaminy” algorytmów zazwyczaj obejmują wprowadzanie danych testowych, na które programiści znają już odpowiedzi, co pozwala im ocenić zdolność algorytmów do ustalenia poprawnej odpowiedzi. Na podstawie wyników testów algorytm można zmodyfikować, podać więcej danych lub wdrożyć, aby pomóc w podjęciu decyzji przez osobę, która napisała algorytm.

Rysunek 1: Algorytmy AI.  Powyższe zdjęcie pokazuje przykład algorytmu, który uczy się podstawowej anatomii ręki i może odtworzyć, gdzie powinna być brakująca cyfra. Dane wejściowe to różnorodne zdjęcia rentgenowskie dłoni, a dane wyjściowe to ślad, gdzie powinny znajdować się brakujące części dłoni. Model w tym przypadku stanowi kontur dłoni, który można wygenerować i zastosować do innych obrazów. To może pozwolić lekarzom zobaczyć właściwe miejsce do zrekonstruowania kończyny lub założenia protezy.

Istnieje wiele różnych algorytmów, które mogą uczyć się na podstawie danych. Większość aplikacji AI w medycynie odczytuje jako dane wejściowe dane liczbowe (takie jak częstość akcji serca lub ciśnienie krwi) lub obrazowe (takie jak skany MRI lub obrazy próbek tkanek biopsyjnych ). Algorytmy uczą się na podstawie danych i wyrzucają prawdopodobieństwo lub klasyfikację. Na przykład, możliwym do wykonania rezultatem może być prawdopodobieństwo uzyskania skrzepu tętniczego przy danych danych dotyczących tętna i ciśnienia krwi lub oznakowanie obrazowanej próbki tkanki jako rakowej lub nienowotworowej. W zastosowaniach medycznych wydajność algorytmu w zadaniu diagnostycznym jest porównywana z wydajnością lekarza, aby określić jego zdolność i wartość w klinice.

Najnowsze zastosowania AI w medycynie

Postępy w zakresie mocy obliczeniowej w połączeniu z ogromną ilością danych generowanych w systemach opieki zdrowotnej sprawiają, że wiele problemów klinicznych jest dojrzałych do zastosowań AI. Poniżej znajdują się dwa najnowsze zastosowania dokładnych i istotnych klinicznie algorytmów, które mogą przynieść korzyści zarówno pacjentom, jak i lekarzom poprzez uproszczenie diagnozy.

Pierwszy z tych algorytmów jest jednym z wielu istniejących przykładów algorytmu, który przewyższa lekarzy w zadaniach klasyfikacji obrazów. Jesienią 2018 r. Naukowcy z Seoul National University Hospital and College of Medicine opracowali algorytm AI o nazwie DLAD (automatyczne wykrywanie oparte na głębokim uczeniu się) do analizy radiogramów klatki piersiowej i wykrywania nieprawidłowego wzrostu komórek, takich jak potencjalne nowotwory (ryc. 2). Wydajność algorytmu została porównana z możliwościami wykrywania wielu lekarzy na tych samych obrazach i przewyższyła 17 z 18 lekarzy.

Ryc. 2: Zastosowanie algorytmów AI w medycynie. Lewy panel pokazuje obraz wprowadzony do algorytmu. Prawy panel pokazuje obszar potencjalnie niebezpiecznych komórek, zidentyfikowany przez algorytm, na który lekarz powinien przyjrzeć się dokładniej.

Drugi z tych algorytmów pochodzi od naukowców z Google AI Healthcare, również jesienią 2018 r., Którzy stworzyli algorytm uczenia się, LYNA (asystent węzła chłonnego ), który analizował próbki histologiczne zabarwionych próbek tkanek ) w celu zidentyfikowania przerzutowych nowotworów piersi z węzła chłonnego biopsje. To nie jest pierwsze zastosowanie sztucznej inteligencji do próby analizy histologicznej, ale co ciekawe, ten algorytm może zidentyfikować podejrzane regiony nierozróżnialne dla ludzkiego oka w podanych próbkach z biopsji. LYNA przetestowano na dwóch zestawach danych i wykazano, że dokładnie klasyfikuje próbkę jako rakową lub nienowotworową poprawnie 99%czasu. Ponadto, gdy podano lekarzom do użycia w połączeniu z ich typową analizą wybarwionych próbek tkanek, LYNA zmniejszyła o połowę średni czas przeglądu slajdów.

Ostatnio inne algorytmy oparte na obrazowaniu wykazały podobną zdolność do zwiększania dokładności lekarzy. W krótkim okresie algorytmy te mogą być używane przez lekarzy, aby pomóc w podwójnym sprawdzaniu diagnoz i szybszej interpretacji danych pacjentów bez utraty dokładności. Jednak w dłuższej perspektywie algorytmy zatwierdzone przez rząd mogą funkcjonować niezależnie w klinice, umożliwiając lekarzom skupienie się na przypadkach, których komputery nie są w stanie rozwiązać. Zarówno LYNA, jak i DLAD służą jako główne przykłady algorytmów, które uzupełniają klasyfikacje lekarzy zdrowych i chorych próbek, pokazując lekarzom istotne cechy obrazów, które należy dokładniej zbadać. Prace te ilustrują potencjalne zalety algorytmów w medycynie, więc co powstrzymuje je przed zastosowaniem klinicznym?

Implikacje prawne i ograniczenia algorytmu

Jak dotąd algorytmy w medycynie wykazały wiele potencjalnych korzyści zarówno dla lekarzy, jak i pacjentów. Jednak regulacja tych algorytmów jest trudnym zadaniem. Amerykańska Agencja ds. Żywności i Leków (FDA) zatwierdziła niektóre algorytmy wspomagające, ale obecnie nie istnieją uniwersalne wytyczne dotyczące zatwierdzania. Co więcej, ludzie tworzący algorytmy do zastosowania w klinice nie zawsze są lekarzami, którzy leczą pacjentów, dlatego w niektórych przypadkach obliczeniowcy mogą potrzebować więcej informacji na temat medycyny, podczas gdy klinicyści mogą potrzebować wiedzy na temat zadań, jakie konkretny algorytm jest lub nie jest do tego odpowiedni. Podczas gdy sztuczna inteligencja może pomóc w diagnozowaniu i podstawowych zadaniach klinicznych, trudno wyobrazić sobie zautomatyzowane operacje mózgu, na przykład, w których czasami lekarze muszą zmienić podejście w locie, gdy tylko zobaczą pacjenta. W ten sposób i inne możliwości AI w medycynieobecnie przewyższają możliwości AI w zakresie opieki nad pacjentem. Wyjaśnione wytyczne FDA mogą jednak pomóc w określeniu wymagań dla algorytmów i mogą doprowadzić do poprawy algorytmów wdrożonych klinicznie.

Ponadto FDA ma surowe kryteria akceptacji dla badań klinicznych, wymagające ekstremalnej przejrzystości w odniesieniu do metod naukowych. Wiele algorytmów opiera się na bardzo skomplikowanej, trudnej do rozplątywania matematyce, zwanej czasem „czarną skrzynką”, aby przejść od danych wejściowych do końcowego wyniku. Czy niemożność „rozpakowania czarnej skrzynki” i wyjaśnienia wewnętrznych zasad działania algorytmu wpłynie na prawdopodobieństwo zatwierdzenia przez FDA próby opartej na sztucznej inteligencji? Prawdopodobnie. Zrozumiałe jest, że badacze, firmy i przedsiębiorcy mogą wahać się przed ujawnieniem swoich zastrzeżonych metod społeczeństwu, ryzykując utratę pieniędzy poprzez zajęcie się i umocnienie swoich pomysłów przez innych. Jeśli prawa patentowe zmienią się z obecnego stanu, w którym algorytm jest technicznie patentowalny tylko wtedy, gdy jest częścią fizycznej maszyny, dwuznaczność otaczająca szczegóły algorytmu może się zmniejszyć. Tak czy inaczej, zwiększenie przejrzystości w krótkim okresie jest konieczne, aby dane pacjenta nie były źle traktowane lub niewłaściwie klasyfikowane, a zatem łatwiej byłoby ustalić, czy algorytm będzie wystarczająco dokładny w klinice.

Oprócz przeszkód w zatwierdzeniu przez FDA, algorytmy AI mogą również napotykać trudności w osiąganiu zaufania i akceptacji pacjentów .Bez jasnego zrozumienia działania algorytmu przez osoby zatwierdzające go do użytku klinicznego pacjenci mogą nie chcieć pozwolić, by wykorzystano go do zaspokojenia ich potrzeb medycznych. Gdyby zmuszeni do dokonania wyboru, pacjenci byliby raczej źle zdiagnozowani przez człowieka lub algorytm, jeśli algorytm ogólnie przewyższa lekarzy? Jest to trudne pytanie dla wielu, ale prawdopodobnie sprowadza się do poczucia pewności w podejmowaniu decyzji przez algorytm. Prawidłowe podejmowanie decyzji jest funkcją struktury danych wykorzystywanych jako dane wejściowe, co jest niezwykle ważne dla prawidłowej funkcjonalności. W przypadku danych wprowadzających w błąd algorytmy mogą dawać wprowadzające w błąd wyniki. Jest całkiem możliwe, że osoby tworzące algorytm mogą nie wiedzieć, że wprowadzane przez nich dane wprowadzają w błąd, dopóki nie będzie za późno, a ichalgorytm spowodował błąd w sztuce lekarskiej . Tego błędu można uniknąć zarówno dzięki klinicystom, jak i programistom, którzy są dobrze poinformowani o danych i metodach niezbędnych do prawidłowego wykorzystania danych w algorytmie. Dzięki ustanowieniu relacji między klinicystami, którzy rozumieją specyfikę danych klinicznych, a obliczeniowcami tworzącymi algorytmy, algorytm nie będzie w stanie nauczyć się dokonywać nieprawidłowych wyborów.

Właściwe zrozumienie ograniczeń algorytmów przez klinicystów i właściwe zrozumienie danych klinicznych przez programistów jest kluczem do stworzenia algorytmów przydatnych w klinice. Konieczne może być poświęcenie przez firmy tajników działania algorytmu, aby szersza publiczność mogła zweryfikować metody i wskazać źródła błędów, które mogą mieć wpływ na opiekę nad pacjentem. Nadal wydaje się, że daleko nam do algorytmów działających niezależnie w klinikach, zwłaszcza biorąc pod uwagę brak wyraźnej ścieżki do zatwierdzenia klinicznego. Zdefiniowanie cech niezbędnych do tego, aby algorytm mógł zostać uznany za wystarczająco dokładny dla kliniki, przy jednoczesnym zajęciu się potencjalnymi źródłami błędów w podejmowaniu decyzji przez algorytm oraz przejrzystość co do tego, gdzie algorytm rozwija się, a gdzie nie, może umożliwić publiczną akceptację algorytmów zastępujących lekarzy w niektórych zadaniach. Wyzwania te warto jednak pokonać, aby uniwersalnie zwiększyć dokładność i skuteczność praktyk medycznych w przypadku różnych chorób.  

Bądź pierwszy, który skomentuje ten wpis!

Dodaj komentarz

Twój adres email nie zostanie opublikowany.


*