Watson ora cokotan dhokter, lan banget

Sanajan, kaya ing pirang-pirang lapangan liyane, semangat kanggo ngganti dokter karo AI wis suda sawise pirang-pirang kegagalan diagnostik, pangembangan obat berbasis AI isih ditindakake. Amarga, nanging, dheweke isih menehi kesempatan gedhe lan kesempatan kanggo nambah efisiensi operasi ing akeh wilayah.

IBM diumumake ing 2015, lan ing 2016 entuk akses menyang data saka papat perusahaan data pasien utama (1). Sing paling misuwur, amarga akeh laporan media, lan ing wektu sing padha proyek paling ambisius nggunakake intelijen buatan canggih saka IBM ana gandhengane karo onkologi. Para ilmuwan wis nyoba nggunakake sumber data sing akeh banget kanggo ngolah data kasebut supaya bisa dadi terapi anti-kanker sing cocog. Tujuan jangka panjang yaiku supaya Watson dadi wasit uji klinis lan asil minangka dhokter bakal.

1. Salah sawijining visualisasi sistem medis Watson Health

Nanging, ternyata Watson ora bisa kanthi mandiri ngrujuk menyang literatur medis, lan uga ora bisa ngekstrak informasi saka cathetan medis elektronik pasien. Nanging, tuduhan sing paling serius marang dheweke yaiku ora bisa mbandhingake pasien anyar kanthi efektif karo pasien kanker lawas liyane lan ndeteksi gejala sing ora katon sepisanan.

Ana, diakoni, sawetara ahli onkologi sing ngaku duwe kapercayan marang pertimbangane, sanajan umume babagan saran Watson kanggo perawatan standar, utawa minangka tambahan, pendapat medis tambahan. Akeh sing nyatakake yen sistem iki bakal dadi pustakawan otomatis sing apik kanggo dokter.

Minangka asil review ora banget flattering saka IBM masalah karo Advertisement saka sistem Watson ing institusi medical US. Perwakilan dodolan IBM bisa ngedol menyang sawetara rumah sakit ing India, Korea Selatan, Thailand lan negara liya. Ing India, dokter () ngevaluasi rekomendasi Watson kanggo 638 kasus kanker payudara. Tingkat kepatuhan kanggo rekomendasi perawatan yaiku 73%. Luwih elek Watson dropped metu ing Gachon Medical Center ing Korea Kidul, ngendi Rekomendasi kang paling apik kanggo 656 patients kanker kolorektal cocog Rekomendasi pakar mung 49 persen wektu. Dokter wis ngevaluasi Watson ora apik karo pasien sing luwih tuwakanthi ora menehi obat-obatan standar tartamtu, lan nggawe kesalahan kritis kanggo nindakake pengawasan perawatan agresif kanggo sawetara pasien kanthi penyakit metastatik.

Pungkasane, sanajan pakaryane minangka ahli diagnosa lan dokter dianggep ora kasil, ana sawetara wilayah sing kabukten migunani banget. produk Watson kanggo Genomics, sing dikembangake kanthi kolaborasi karo Universitas North Carolina, Universitas Yale, lan institusi liyane, digunakake laboratorium genetik kanggo nyiapake laporan kanggo ahli onkologi. Watson ndownload file dhaptar mutasi genetik ing pasien lan bisa ngasilake laporan sajrone sawetara menit sing kalebu saran kanggo kabeh obat penting lan uji klinis. Watson nangani informasi genetik kanthi relatif gampangamarga ditampilake ing file terstruktur lan ora ngemot ambiguitas - ana mutasi utawa ora ana mutasi.

Mitra IBM ing Universitas North Carolina nerbitake makalah babagan efisiensi ing 2017. Watson nemokake mutasi potensial penting sing durung diidentifikasi dening studi manungsa ing 32% mutasi kasebut. patients sinau, nggawe wong calon apik kanggo tamba anyar. Nanging, isih ora ana bukti yen nggunakake ndadékaké asil perawatan sing luwih apik.

Domestikasi protein

Iki lan akeh conto liyane nyumbang kanggo kapercayan sing akeh yen kabeh kekurangan ing perawatan kesehatan ditangani, nanging kita kudu nggoleki wilayah sing bisa mbantu, amarga wong ora nindakake kanthi apik ing kana. Lapangan kaya ngono, contone, riset protein. Taun kepungkur, informasi muncul sing bisa prédhiksi kanthi akurat wangun protein adhedhasar urutane (2). Iki minangka tugas tradisional, ngluwihi kekuwatane ora mung wong, nanging uga komputer sing kuat. Yen kita nguwasani pemodelan sing tepat saka twisting molekul protein, bakal ana kesempatan gedhe kanggo terapi gen. Para ilmuwan ngarep-arep yen kanthi bantuan AlphaFold kita bakal sinau fungsi ewu, lan iki, bakal ngidini kita ngerti panyebab akeh penyakit.

Gambar 2. Protein twisting model karo DeepMind's AlphaFold.

Saiki kita ngerti rong atus yuta protein, nanging kita ngerti struktur lan fungsi bagean cilik saka wong-wong mau. Protein iku pamblokiran bangunan dhasar saka organisme urip. Dheweke tanggung jawab kanggo sebagian besar proses sing kedadeyan ing sel. Cara kerjane lan apa sing ditindakake ditemtokake dening struktur 50D. Dheweke njupuk formulir sing cocog tanpa instruksi, dipandu dening hukum fisika. Wis pirang-pirang dekade, metode eksperimen dadi cara utama kanggo nemtokake bentuk protein. Ing XNUMXs, nggunakake Metode kristalografi sinar-X. Ing dasawarsa pungkasan, wis dadi alat riset pilihan. mikroskop kristal. Ing 80s lan 90s, karya wiwit nggunakake komputer kanggo nemtokake wangun saka protein. Nanging, asile tetep ora gawe marem para ilmuwan. Cara sing bisa digunakake kanggo sawetara protein ora bisa digunakake kanggo wong liya.

Wis ing 2018 AlphaFold nampa pengakuan saka ahli ing modeling protein. Nanging, nalika nggunakake cara sing padha karo program liyane. Para ilmuwan ngganti taktik lan nggawe liyane, sing uga nggunakake informasi babagan watesan fisik lan geometris ing lempitan molekul protein. AlphaFold menehi asil ora rata. Kadhangkala dheweke nindakake luwih apik, kadhangkala luwih ala. Nanging meh rong pertiga saka ramalane bertepatan karo asil sing dipikolehi kanthi metode eksperimen. Ing wiwitan taun 2, algoritma kasebut nggambarake struktur sawetara protein virus SARS-CoV-3. Mengko, ditemokake yen prediksi kanggo protein Orf2020a konsisten karo asil sing dipikolehi kanthi eksperimen.

Iku ora mung babagan nyinaoni cara internal protein lempitan, nanging uga babagan desain. Peneliti saka inisiatif NIH BRAIN digunakake machine learning ngembangake protein sing bisa nglacak tingkat serotonin otak ing wektu nyata. Serotonin minangka neurokimia sing nduwe peran penting babagan cara otak ngontrol pikiran lan perasaan kita. Contone, akeh antidepresan dirancang kanggo ngganti sinyal serotonin sing ditularake antarane neuron. Ing artikel ing jurnal Cell, para ilmuwan nerangake carane nggunakake majeng metode rekayasa genetika ngowahi protein bakteri dadi alat riset anyar sing bisa mbantu nglacak transmisi serotonin kanthi akurasi sing luwih dhuwur tinimbang cara saiki. Eksperimen preclinical, biasane ing tikus, nuduhake yen sensor bisa langsung ndeteksi owah-owahan subtle ing tingkat serotonin otak nalika turu, rasa wedi lan interaksi sosial, lan nguji efektifitas obat psikoaktif anyar.

Perang nglawan pandemi ora mesthi sukses

Sawise kabeh, iki minangka epidemi pertama sing kita tulis ing MT. Nanging, umpamane, yen kita ngomong babagan proses pangembangan pandemi, mula ing tahap wiwitan, AI kayane gagal. Ulama wis sambat babagan iki Intelijen Ponggawa ora bisa prédhiksi kanthi bener babagan panyebaran koronavirus adhedhasar data saka epidemi sadurunge. "Solusi iki bisa digunakake ing sawetara wilayah, kayata ngenali pasuryan sing duwe mata lan kuping tartamtu. Epidemi SARS-CoV-2 Iki minangka acara sing sadurunge ora dingerteni lan akeh variabel anyar, mula intelijen buatan adhedhasar data sejarah sing digunakake kanggo nglatih ora bisa digunakake kanthi apik. Pandemi kasebut nuduhake manawa kita kudu golek teknologi lan pendekatan liyane, "ujare Maxim Fedorov saka Skoltech ing April 2020 ing pratelan menyang media Rusia.

Swara wektu ana Nanging algoritma sing kayane mbuktekake kegunaan AI sing apik ing perang nglawan COVID-19. Ilmuwan ing AS ngembangake sistem ing musim gugur 2020 kanggo ngenali pola batuk sing khas ing wong sing nandhang COVID-19, sanajan ora ana gejala liyane.

Nalika vaksin muncul, ide kasebut lair kanggo mbantu vaksinasi populasi. Dheweke bisa, contone bantuan model transportasi lan logistik vaksin. Uga kanggo nemtokake populasi endi sing kudu divaksinasi dhisik kanggo ngatasi pandemik luwih cepet. Iki uga bakal mbantu ramalan permintaan lan ngoptimalake wektu lan kacepetan vaksinasi kanthi cepet ngenali masalah lan kemacetan ing logistik. Kombinasi algoritma kanthi pemantauan terus-terusan uga bisa nyedhiyakake informasi kanthi cepet babagan efek samping lan acara kesehatan.

iki sistem nggunakake AI ing ngoptimalake lan ningkatake kesehatan wis dikenal. kaluwihan praktis padha ngormati; contone,, sistem perawatan kesehatan dikembangaké dening Macro-Eyes ing Universitas Stanford ing AS. Kaya ing pirang-pirang institusi medis liyane, masalahe yaiku kekurangan pasien sing ora teka kanggo janjian. Mripat Makro dibangun sistem sing andal bisa prédhiksi kang patients ora kamungkinan kanggo ana. Ing sawetara kahanan, dheweke uga bisa menehi saran wektu lan lokasi alternatif kanggo klinik, sing bakal nambah kemungkinan pasien muncul. Mengko, teknologi padha Applied ing macem-macem panggonan saka Arkansas kanggo Nigeria karo support, utamané, US Agency for International Development i.

Ing Tanzania, Macro-Eyes nggarap proyek sing dituju nambah tarif imunisasi anak. Piranti lunak kasebut nganalisa jumlah dosis vaksin sing kudu dikirim menyang pusat vaksinasi tartamtu. Dheweke uga bisa ngira-ngira kulawarga endi sing wegah menehi vaksinasi marang anak-anake, nanging bisa diyakinake kanthi argumentasi sing cocog lan lokasi pusat vaksinasi ing lokasi sing trep. Nggunakake piranti lunak iki, pamrentah Tanzania wis bisa ningkatake efektifitas program imunisasi nganti 96%. lan ngurangi limbah vaksin dadi 2,42 saben 100 wong.

Ing Sierra Leone, ing ngendi data kesehatan warga ora ana, perusahaan kasebut nyoba cocog karo informasi babagan pendidikan. Pranyata gunggunge guru lan muride wae cukup kanggo prediksi 70 persen. akurasi apa klinik lokal duwe akses banyu resik, sing wis dadi jejak data babagan kesehatan masyarakat ing kono (3).

3. Ilustrasi Macro-Eys program kesehatan sing didorong AI ing Afrika.

Mitos dokter mesin ora ilang

Senadyan gagal Watson pendekatan diagnostik anyar isih dikembangaké lan dianggep dadi luwih lan luwih maju. Perbandingan digawe ing Swedia ing September 2020. digunakake ing diagnostik imaging kanker payudara nuduhake yen sing paling apik bisa digunakake kanthi cara sing padha karo ahli radiologi. Algoritma kasebut wis diuji nggunakake meh sangang ewu gambar mamografi sing dipikolehi sajrone pemeriksaan rutin. Telung sistem, sing ditunjuk minangka AI-1, AI-2 lan AI-3, entuk akurasi 81,9%, 67%. lan 67,4%. Kanggo mbandhingake, kanggo ahli radiologi sing nerangake gambar kasebut minangka sing pertama, angka iki 77,4%, lan ing kasus ahli radiologising nomer loro kanggo njlèntrèhaké, iku 80,1 persen. Algoritma sing paling apik uga bisa ndeteksi kasus sing ora kejawab ahli radiologi sajrone screening, lan wanita didiagnosis lara kurang saka setahun.

Miturut peneliti, asil kasebut mbuktekake manawa algoritma intelijen buatan mbantu mbenerake diagnosis palsu-negatif sing digawe dening ahli radiologi. Nggabungake kemampuan AI-1 karo ahli radiologi rata-rata nambah jumlah kanker payudara sing dideteksi nganti 8%. Tim ing Royal Institute nganakake panaliten iki ngarepake kualitas algoritma AI terus berkembang. Katrangan lengkap babagan eksperimen kasebut diterbitake ing JAMA Oncology.

W ing skala limang titik. Saiki, kita nyekseni akselerasi teknologi sing signifikan lan tekan tingkat IV (otomatisasi dhuwur), nalika sistem kasebut kanthi otomatis ngolah data sing ditampa lan nyedhiyakake informasi sing wis dianalisis kanggo spesialis. Iki ngirit wektu, ngindhari kesalahan manungsa lan nyedhiyakake perawatan pasien sing luwih efisien. Iku sing diadili sawetara sasi kepungkur Stan A.I. ing bidang kedokteran sing cedhak karo dheweke, prof. Janusz Braziewicz saka Masyarakat Polandia kanggo Kedokteran Nuklir ing statement menyang Badan Pers Polandia.

4. Mesin ndeleng gambar medis

Algoritma, miturut para ahli kayata prof. Brazievichmalah indispensable ing industri iki. Alasane yaiku tambah cepet ing jumlah tes pencitraan diagnostik. Mung kanggo periode 2000-2010. jumlah ujian lan ujian MRI wis tambah sepuluh tikel. Sayange, jumlah dokter spesialis sing kasedhiya sing bisa nindakake kanthi cepet lan andal durung tambah. Ana uga kekurangan teknisi sing mumpuni. Implementasi algoritma basis AI ngirit wektu lan ngidini standarisasi prosedur lengkap, uga ngindhari kesalahan manungsa lan perawatan pribadi sing luwih efisien kanggo pasien.

Minangka ternyata, uga Kedokteran forensik bisa entuk manfaat saka pangembangan intelijen buatan. Spesialis ing lapangan iki bisa nemtokake wektu pas pati saka almarhum kanthi analisis kimia saka sekresi cacing lan makhluk liyane sing mangan jaringan mati. Masalah muncul nalika campuran sekresi saka macem-macem jinis nekrofag kalebu ing analisis. Iki ngendi machine learning diputer. Ilmuwan ing Universitas Albany wis dikembangake cara intelijen buatan sing ngidini identifikasi spesies cacing luwih cepet adhedhasar "sidik jari kimia". Tim kasebut nglatih program komputer kanthi nggunakake campuran macem-macem kombinasi sekresi kimia saka enem spesies fly. Dheweke njlentrehake tandha-tandha kimia saka larva serangga nggunakake spektrometri massa, sing ngenali bahan kimia kanthi akurat ngukur rasio massa kanggo muatan listrik saka ion.

Dadi, sampeyan bisa ndeleng, nanging AI minangka detektif investigasi ora apik banget, bisa migunani banget ing laboratorium forensik. Mungkin kita ngarep-arep banget saka dheweke ing tahap iki, nunggu algoritma sing bakal nggawe dokter ora kerja (5). Nalika kita ndeleng Intelijen Ponggawa luwih realistis, fokus ing keuntungan praktis tartamtu tinimbang umum, karir ing medicine katon banget janjeni maneh.

5. Vision saka mobil dhokter