Վերջին ուսումնասիրությունները ցույց են տվել արհեստական ինտելեկտի համակարգերի կարողությունը բժշկական ախտորոշման գործում կարևոր հիվանդությունների համար
Արհեստական ինտելեկտի (AI) համակարգեր գոյություն ունեն բավականին երկար ժամանակ և այժմ ժամանակի ընթացքում դառնում են ավելի խելացի և ավելի լավը: AI ունի բազմաթիվ ոլորտներ և այժմ հանդիսանում է շատ ոլորտների անբաժանելի մասը: AI-ն կարող է լինել կարևոր և օգտակար բաղադրիչ բժշկական գիտությունը և հետազոտությունը, քանի որ այն հսկայական ներուժ ունի ազդելու առողջապահության ոլորտի վրա:
Արհեստական ինտելեկտը բժշկական ախտորոշման մեջ.
Ժամանակն ամենաարժեքավոր ռեսուրսն է առողջապահության մեջ, և վաղ համապատասխան ախտորոշումը շատ կարևոր է հիվանդության վերջնական արդյունքի համար: Առողջապահությունը հաճախ երկարատև և ժամանակ ու ռեսուրս խլող գործընթաց է, որը հետաձգում է արդյունավետ ախտորոշումը և իր հերթին հետաձգում ճիշտ բուժումը: AI կարող է օգնել լրացնել բժիշկների կողմից հասանելիության և ժամանակի կառավարման միջև եղած բացը` ներառելով հիվանդների ախտորոշման արագությունն ու ճշգրտությունը: Այն կարող է օգնել հաղթահարել ռեսուրսների և առողջապահության ոլորտի մասնագետների սահմանափակումները, հատկապես ցածր և միջին եկամուտ ունեցող երկրներում: AI-ն սովորելու և մտածելու գործընթաց է, ինչպես մարդիկ խորը ուսուցում կոչվող հայեցակարգի միջոցով: Խորը ուսուցումն օգտագործում է ընտրանքային տվյալների լայն հավաքածուներ՝ ինքնուրույն որոշումների ծառեր ստեղծելու համար: Այս խորը ուսուցմամբ, AI համակարգը կարող է իրականում մտածել ճիշտ այնպես, ինչպես մարդիկ, եթե ոչ ավելի լավ, և, հետևաբար, AI-ն կարող է պիտանի համարվել բժշկական առաջադրանքներ կատարելու համար: Հիվանդներին ախտորոշելիս AI համակարգերը շարունակում են օրինաչափություններ փնտրել նույն հիվանդություններով հիվանդների շրջանում: Ժամանակի ընթացքում այս օրինաչափությունները կարող են հիմք ստեղծել հիվանդությունների կանխատեսման համար՝ նախքան դրանց դրսևորումը:
Վերջերս ուսումնասիրության ժամանակ1 հրատարակվել է Բջիջ, հետազոտողները օգտագործել են արհեստական հետախուզական և մեքենայական ուսուցման տեխնիկա՝ նոր հաշվողական գործիք մշակելու համար՝ ցանցաթաղանթի սովորական, բայց կուրացնող հիվանդություններով հիվանդներին զննելու համար, ինչը կարող է արագացնել ախտորոշումները և բուժումը: Հետազոտողները օգտագործել են արհեստական ինտելեկտի վրա հիմնված նեյրոնային ցանց՝ ուսումնասիրելու ավելի քան 200,000 աչքի սկանավորումներ, որոնք իրականացվել են ոչ ինվազիվ տեխնոլոգիայով, որը լույսը ցատկում է ցանցաթաղանթից՝ ստեղծելով հյուսվածքների 2D և 3D պատկերներ: Այնուհետև նրանք կիրառեցին «փոխանցման ուսուցում» կոչվող տեխնիկան, որտեղ մեկ խնդրի լուծման ժամանակ ձեռք բերված գիտելիքները պահվում են համակարգչի կողմից և կիրառվում տարբեր, բայց կապված խնդիրների վրա: Օրինակ, AI նեյրոնային ցանցը, որն օպտիմիզացված է ճանաչելու աչքի առանձին անատոմիական կառուցվածքները, ինչպիսիք են ցանցաթաղանթը, եղջերաթաղանթը կամ տեսողական նյարդը, կարող է ավելի արագ և արդյունավետ կերպով բացահայտել և գնահատել դրանք, երբ ուսումնասիրում է ամբողջ աչքի պատկերը: Այս գործընթացը թույլ է տալիս AI համակարգին աստիճանաբար սովորել շատ ավելի փոքր տվյալների բազա, քան ավանդական մեթոդները, որոնք պահանջում են տվյալների մեծ հավաքածուներ՝ դրանք դարձնելով թանկ և ժամանակատար:
Հետազոտությունը կենտրոնացել է անդառնալի կուրության երկու ընդհանուր պատճառների վրա, որոնք բուժելի են, երբ հայտնաբերվում են վաղաժամ: Մեքենայից ստացված ախտորոշումները համեմատվել են հինգ ակնաբույժների ախտորոշումների հետ, ովքեր վերանայել են նույն սկանավորումները: Բժշկական ախտորոշում կատարելուց բացի, AI պլատֆորմը նաև ստեղծեց ուղղորդման և բուժման առաջարկություն, որը չի արվել որևէ նախորդ ուսումնասիրության մեջ: Այս պատրաստված AI համակարգը գործում էր ճիշտ այնպես, ինչպես լավ պատրաստված ակնաբույժը և կարող էր որոշում կայացնել 30 վայրկյանի ընթացքում, թե արդյոք հիվանդը պետք է ուղեգրվի բուժման համար, ավելի քան 95 տոկոս ճշգրտությամբ: Նրանք նաև փորձարկել են արհեստական ինտելեկտի գործիքը մանկական թոքաբորբի ախտորոշման համար, որն աշխարհում երեխաների (մինչև 5 տարեկան) մահվան պատճառ է հանդիսանում՝ հիմնվելով կրծքավանդակի ռենտգենյան ճառագայթների մեքենայական վերլուծությունների վրա: Հետաքրքիր է, որ համակարգչային ծրագիրը կարողացել է տարբերակել վիրուսային և բակտերիալ 90 տոկոսից ավելի ճշգրտությամբ թոքաբորբ: Սա շատ կարևոր է, քանի որ չնայած վիրուսային թոքաբորբը բնականաբար ազատվում է մարմնի կողմից իր ընթացքից հետո, բակտերիալ թոքաբորբը, մյուս կողմից, ավելի լուրջ սպառնալիք է առողջության համար և պահանջում է անհապաղ բուժում հակաբիոտիկներով:
Մեկ այլ մեծ թռիչքով2 Բժշկական ախտորոշման արհեստական ինտելեկտի համակարգերում գիտնականները պարզել են, որ անհատի ցանցաթաղանթի լուսանկարները կարող են վերլուծվել մեքենայական ուսուցման ալգորիթմների կամ ծրագրաշարի միջոցով՝ կանխատեսելու սրտանոթային սրտի ռիսկը՝ բացահայտելով սրտի հիվանդության ցուցիչ ազդանշանները: Աչքի արյան անոթների կարգավիճակը, որը պատկերված է լուսանկարներում, ցույց է տվել, որ ճշգրիտ կանխատեսում է տարիքը, սեռը, ազգային պատկանելությունը, արյան ճնշումը, նախկինում սրտի կաթվածները և ծխելու սովորությունները, և այս բոլոր գործոնները միասին կանխատեսում են անհատի սրտի հետ կապված հիվանդությունները:
Աչքը որպես տեղեկատվական բլոկ
Առողջությունը ախտորոշելու համար աչքի լուսանկարները դիտելու գաղափարը վաղուց է եղել: Լավ հաստատված է, որ մարդու աչքերի հետևի ներքին պատը ունի շատ արյունատար անոթներ, որոնք արտացոլում են մարմնի ընդհանուր առողջությունը: Տեսախցիկով և մանրադիտակով ուսումնասիրելով և վերլուծելով այս արյունատար անոթների արտաքին տեսքը, կարելի է կանխագուշակել մարդու արյան ճնշման, տարիքի, ծխողի կամ չծխողի և այլնի մասին շատ տեղեկություններ, և սրանք բոլորը անհատի սրտի առողջության կարևոր ցուցանիշներ են։ . Սրտանոթային հիվանդությունը (CVD) մահացության թիվ մեկ պատճառն է աշխարհում, և ավելի շատ մարդիկ են մահանում սրտանոթային հիվանդություններից ցանկացած այլ հիվանդության կամ վիճակի համեմատ: Սա ավելի տարածված է ցածր և միջին եկամուտ ունեցող երկրներում և հսկայական բեռ է տնտեսության և մարդկության համար: Սրտանոթային ռիսկը կախված է բազմաթիվ գործոններից, ինչպիսիք են գեները, տարիքը, էթնիկ պատկանելությունը, սեռը, ֆիզիկական վարժությունների և սննդակարգի հետ համատեղ: Սրտանոթային հիվանդությունների մեծ մասը կարելի է կանխել՝ հաշվի առնելով վարքագծային ռիսկերը, ինչպիսիք են ծխախոտի օգտագործումը, գիրությունը, ֆիզիկական անգործությունը և անառողջ սննդակարգը՝ հնարավոր ռիսկերը վերացնելու համար կենսակերպի զգալի փոփոխություններ կատարելով:
Առողջության ախտորոշում ցանցաթաղանթի պատկերների միջոցով
Google-ի և նրա սեփական առողջապահական տեխնոլոգիական ընկերության՝ Verily Life Sciences-ի հետազոտողների կողմից անցկացված այս հետազոտությունը ցույց է տվել, որ արհեստական ինտելեկտի ալգորիթմն օգտագործվել է շուրջ 280,000 հիվանդի ցանցաթաղանթի լուսանկարների մեծ հավաքածուի վրա, և այս ալգորիթմը կարողացել է հաջողությամբ կանխատեսել սրտի ռիսկի գործոնները երկու ամբողջությամբ: մոտ 12000 և 1000 հիվանդների անկախ տվյալների հավաքածուներ՝ բավականին լավ ճշգրտությամբ: Ալգորիթմն օգտագործել է ցանցաթաղանթի ամբողջ լուսանկարը՝ պատկերի և սրտի կաթվածի ռիսկի միջև կապը քանակականացնելու համար: Այս ալգորիթմը կարող էր կանխատեսել սիրտ-անոթային իրադարձությունների 70 տոկոսը հիվանդի մոտ, իսկ իրականում ծխողն ու չծխողը նույնպես տարբերվում էին այս թեստի ժամանակ 71 տոկոսում: Ալգորիթմը կարող է նաև կանխատեսել արյան բարձր ճնշումը, որը ցույց է տալիս սրտի վիճակը, և կանխատեսում է սիստոլիկ արյան ճնշումը (ճնշումը անոթներում, երբ սրտի բաբախյունը) արյան բարձր ճնշում ունեցող կամ առանց հիվանդների մեծ մասի սահմաններում: Այս կանխատեսման ճշգրտությունը, ըստ հեղինակների, շատ նման է լաբորատորիայում սրտանոթային ստուգմանը, որտեղ արյունը վերցվում է հիվանդից՝ չափելու խոլեստերինի մակարդակը՝ նայելով հիվանդի պատմությանը զուգահեռ: Այս հետազոտության ալգորիթմը հրապարակված է Բնության կենսաբժշկական ճարտարագիտություն, ամենայն հավանականությամբ կարող է նաև կանխատեսել սրտանոթային մեծ իրադարձության, օրինակ՝ սրտի կաթվածի առաջացումը:
Այս ուսումնասիրությունների չափազանց հետաքրքիր և կարևոր կողմն այն էր, որ համակարգիչը կարող է ասել, թե որտեղ է այն նայում պատկերի մեջ, որպեսզի հասնենք ախտորոշմանը, ինչը թույլ է տալիս մեզ հասկանալ կանխատեսման գործընթացը: Օրինակ, Google-ի ուսումնասիրությունը ճշգրիտ ցույց է տվել, որ «ցանցաթաղանթի որ մասերը» նպաստել են կանխատեսման ալգորիթմին, այլ կերպ ասած, թե ինչպես է ալգորիթմը կանխատեսում անում: Այս ըմբռնումը կարևոր է ոչ միայն այս կոնկրետ դեպքում մեքենայական ուսուցման մեթոդը հասկանալու համար, այլ նաև այս ամբողջ մեթոդաբանության նկատմամբ վստահություն և հավատ առաջացնելու համար՝ այն թափանցիկ դարձնելով:
Խնդիրները
Նման բժշկական պատկերներն ունեն իրենց մարտահրավերները, քանի որ նման պատկերների վրա հիմնված ասոցիացիաների դիտարկումը և այնուհետև քանակականացումը պարզ չէ, հիմնականում այս պատկերների մի քանի հատկանիշների, գույների, արժեքների, ձևերի և այլնի պատճառով: Այս ուսումնասիրությունը օգտագործում է խորը ուսուցում մարդու անատոմիայի (մարմնի ներքին մորֆոլոգիայի) և հիվանդության փոփոխությունների միջև կապերը, ասոցիացիաները և հարաբերությունները պարզելու համար, ինչպես դա կանի բուժաշխատողը, երբ հիվանդի ախտանիշները կապում է հիվանդության հետ: . Այս ալգորիթմները պահանջում են ավելի շատ փորձարկումներ, նախքան դրանք կարող են օգտագործվել կլինիկական պայմաններում:
Չնայած քննարկումներին և մարտահրավերներին, AI-ն հսկայական ներուժ ունի հեղափոխելու հիվանդությունների ախտորոշումը և կառավարումը` կատարելով վերլուծություններ և դասակարգումներ, որոնք ներառում են հսկայական քանակությամբ տվյալներ, որոնք դժվար են մարդկային փորձագետների համար: Այն ապահովում է արագ, ծախսարդյունավետ, ոչ ինվազիվ այլընտրանքային պատկերի վրա հիմնված ախտորոշիչ գործիքներ: AI համակարգերի հաջողության կարևոր գործոնները կլինեն ավելի բարձր հաշվողական հզորությունը և մարդկանց ավելի շատ փորձը: Հավանական ապագայում նոր բժշկական պատկերացումներն ու ախտորոշումները կարող են հասանելի լինել արհեստական ինտելեկտի միջոցով՝ առանց մարդկային ուղղորդման կամ վերահսկողության:
***
{Դուք կարող եք կարդալ հետազոտական հոդվածի բնօրինակը` սեղմելով ներքևում նշված DOI հղումը` մեջբերված աղբյուրների ցանկում:}
Աղբյուրը (ներ)
1. Kermany DS et al. 2018. Բժշկական ախտորոշման և բուժելի հիվանդությունների բացահայտում պատկերի վրա հիմնված խորը ուսուցման միջոցով: Բջջ. 172 (5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. Սրտանոթային ռիսկի գործոնների կանխատեսում ցանցաթաղանթի ֆոնդի լուսանկարներից՝ խորը ուսուցման միջոցով: Բնության կենսաբժշկական ճարտարագիտություն. 2. https://doi.org/10.1038/s41551-018-0195-0
