واتسون دکتر را گاز نگرفت و خیلی خوب

اگرچه، مانند بسیاری از زمینه‌های دیگر، پس از یک سری شکست‌های تشخیصی، اشتیاق به جایگزینی پزشکان با هوش مصنوعی تا حدودی کاهش یافته است، کار بر روی توسعه پزشکی مبتنی بر هوش مصنوعی همچنان ادامه دارد. زیرا، با این وجود، آنها هنوز هم فرصت های بزرگ و فرصتی برای بهبود کارایی عملیات در بسیاری از مناطق آن ارائه می دهند.

IBM در سال 2015 معرفی شد و در سال 2016 به داده های چهار شرکت بزرگ داده بیماران دسترسی پیدا کرد (1). معروف ترین، به لطف گزارش های متعدد رسانه ها، و در عین حال جاه طلبانه ترین پروژه با استفاده از هوش مصنوعی پیشرفته IBM مربوط به سرطان شناسی بود. دانشمندان سعی کرده اند از منابع گسترده داده ها برای پردازش آنها استفاده کنند تا آنها را به درمان های ضد سرطانی مناسب تبدیل کنند. هدف بلندمدت این بود که واتسون را به داوری بکشانیم آزمایشات بالینی و نتایج را همانطور که یک پزشک انجام می دهد.

1. یکی از تجسم های سیستم پزشکی Watson Health

با این حال، معلوم شد که واتسون نمی تواند به طور مستقل به ادبیات پزشکی مراجعه کند و همچنین نمی تواند اطلاعاتی را از پرونده الکترونیکی پزشکی بیماران استخراج کند. با این حال، جدی ترین اتهام به او این بود عدم مقایسه موثر یک بیمار جدید با سایر بیماران سرطانی مسن تر و تشخیص علائمی که در نگاه اول نامرئی هستند..

مسلماً برخی از انکولوژیست‌ها وجود داشتند که ادعا می‌کردند به قضاوت او اطمینان دارند، البته بیشتر از نظر پیشنهادات واتسون برای درمان‌های استاندارد، یا به عنوان نظر پزشکی اضافی. بسیاری اشاره کرده اند که این سیستم یک کتابدار خودکار عالی برای پزشکان خواهد بود.

در نتیجه بررسی های نه چندان خوشایند IBM مشکلات فروش سیستم واتسون در موسسات پزشکی ایالات متحده. نمایندگان فروش IBM موفق به فروش آن به برخی بیمارستان ها در هند، کره جنوبی، تایلند و سایر کشورها شدند. در هند، پزشکان () توصیه های واتسون را برای 638 مورد سرطان سینه ارزیابی کردند. میزان انطباق برای توصیه های درمانی 73 درصد است. بدتر واتسون در مرکز پزشکی گاچون در کره جنوبی ترک تحصیل کرد، جایی که بهترین توصیه های او برای 656 بیمار مبتلا به سرطان کولورکتال تنها در 49 درصد موارد با توصیه های متخصص مطابقت داشت. پزشکان آن را ارزیابی کرده اند واتسون با بیماران مسن تر رفتار خوبی نداشتبا ناکامی در ارائه داروهای استاندارد خاص به آنها و مرتکب این اشتباه بزرگ در انجام مراقبت های درمانی تهاجمی برای برخی از بیماران مبتلا به بیماری متاستاتیک شد.

در نهایت، اگرچه کار او به عنوان یک متخصص تشخیص و پزشک ناموفق تلقی می شود، اما مواردی وجود دارد که او در آنها بسیار مفید است. تولید - محصول واتسون برای ژنومیکسکه با همکاری دانشگاه کارولینای شمالی، دانشگاه ییل و سایر موسسات توسعه یافته است، استفاده می شود. آزمایشگاه های ژنتیک برای تهیه گزارش برای انکولوژیست ها. فایل لیست دانلودهای Watson جهش های ژنتیکی در یک بیمار و می تواند گزارشی را در عرض چند دقیقه ایجاد کند که شامل پیشنهاداتی برای همه داروها و آزمایشات بالینی مهم است. واتسون اطلاعات ژنتیکی را با سهولت نسبی مدیریت می کندزیرا آنها در فایل های ساختار یافته ارائه می شوند و حاوی ابهام نیستند - یا جهش وجود دارد یا هیچ جهشی وجود ندارد.

شرکای IBM در دانشگاه کارولینای شمالی مقاله ای در مورد کارایی در سال 2017 منتشر کردند. واتسون جهش های بالقوه مهمی را یافت که توسط مطالعات انسانی در 32 درصد از آنها شناسایی نشده بود. بیماران مطالعه کردند و آنها را کاندیدای خوبی برای داروی جدید کرد. با این حال، هنوز هیچ مدرکی وجود ندارد که استفاده از آن منجر به نتایج درمانی بهتری شود.

اهلی شدن پروتئین ها

این و بسیاری از مثال‌های دیگر به این باور فزاینده کمک می‌کنند که همه کمبودها در مراقبت‌های بهداشتی برطرف می‌شوند، اما ما باید به دنبال زمینه‌هایی باشیم که این واقعاً می‌تواند کمک کند، زیرا مردم در آنجا خیلی خوب عمل نمی‌کنند. چنین زمینه ای مثلاً تحقیق پروتئین. سال گذشته، اطلاعاتی به دست آمد که می تواند شکل پروتئین ها را بر اساس توالی آنها به طور دقیق پیش بینی کند (2). این یک کار سنتی است، که فراتر از توان نه تنها افراد، بلکه حتی کامپیوترهای قدرتمند است. اگر بر مدل‌سازی دقیق پیچش مولکول‌های پروتئین مسلط باشیم، فرصت‌های بزرگی برای ژن درمانی وجود خواهد داشت. دانشمندان امیدوارند که با کمک AlphaFold عملکرد هزاران نفر را مطالعه کنیم و این به نوبه خود به ما امکان می دهد علل بسیاری از بیماری ها را درک کنیم.

شکل 2. چرخش پروتئین با AlphaFold DeepMind مدل شده است.

اکنون ما دویست میلیون پروتئین را می شناسیم، اما ساختار و عملکرد بخش کوچکی از آنها را کاملاً درک می کنیم. پروتئین ها بلوک ساختمانی اصلی موجودات زنده است. آنها مسئول بیشتر فرآیندهایی هستند که در سلول ها اتفاق می افتد. نحوه کار و کاری که انجام می دهند توسط ساختار سه بعدی آنها تعیین می شود. آنها فرم مناسب را بدون هیچ دستورالعملی، با هدایت قوانین فیزیک به خود می گیرند. برای چندین دهه، روش های تجربی روش اصلی برای تعیین شکل پروتئین ها بوده است. در دهه 50، استفاده از روش های کریستالوگرافی اشعه ایکس. در دهه اخیر، به ابزار پژوهشی منتخب تبدیل شده است. میکروسکوپ کریستالی. در دهه 80 و 90، کار بر روی استفاده از رایانه برای تعیین شکل پروتئین ها آغاز شد. با این حال، نتایج هنوز دانشمندان را راضی نکرد. روش‌هایی که برای برخی از پروتئین‌ها مؤثر بودند، برای برخی دیگر کارساز نبودند.

قبلاً در سال 2018 آلفافولد به رسمیت شناخته شده از کارشناسان در مدل سازی پروتئین. با این حال، در آن زمان از روش هایی بسیار شبیه به برنامه های دیگر استفاده می کرد. دانشمندان تاکتیک‌ها را تغییر دادند و تاکتیک دیگری ایجاد کردند که همچنین از اطلاعاتی در مورد محدودیت‌های فیزیکی و هندسی در چین‌خوردن مولکول‌های پروتئین استفاده می‌کرد. آلفافولد نتایج نابرابر داد گاهی اوقات او بهتر بود، گاهی اوقات بدتر. اما تقریباً دو سوم پیش‌بینی‌های او با نتایج به‌دست‌آمده از روش‌های تجربی همزمان بود. در ابتدای سال دوم، الگوریتم ساختار چندین پروتئین ویروس SARS-CoV-2 را توصیف کرد. بعداً مشخص شد که پیش‌بینی‌ها برای پروتئین Orf3a با نتایج به‌دست‌آمده تجربی مطابقت دارد.

این فقط در مورد مطالعه روش های داخلی تا کردن پروتئین نیست، بلکه در مورد طراحی نیز هست. محققان از ابتکار NIH BRAIN استفاده کردند فراگیری ماشین پروتئینی را تولید کنید که می تواند سطح سروتونین مغز را در زمان واقعی ردیابی کند. سروتونین یک ماده شیمیایی عصبی است که نقش کلیدی در نحوه کنترل مغز افکار و احساسات ما دارد. به عنوان مثال، بسیاری از داروهای ضد افسردگی برای تغییر سیگنال های سروتونین که بین نورون ها منتقل می شود، طراحی شده اند. در مقاله ای در مجله Cell، دانشمندان نحوه استفاده از پیشرفته را شرح دادند روش های مهندسی ژنتیک یک پروتئین باکتریایی را به یک ابزار تحقیقاتی جدید تبدیل کنید که می تواند به ردیابی انتقال سروتونین با دقت بیشتری نسبت به روش های فعلی کمک کند. آزمایش‌های پیش‌بالینی، عمدتاً روی موش‌ها، نشان داده‌اند که حسگر می‌تواند فوراً تغییرات ظریف در سطح سروتونین مغز را در طول خواب، ترس و تعاملات اجتماعی تشخیص دهد و اثربخشی داروهای روان‌گردان جدید را آزمایش کند.

مبارزه با این بیماری همه گیر همیشه موفق نبوده است

به هر حال، این اولین اپیدمی بود که در MT درباره آن نوشتیم. با این حال، به عنوان مثال، اگر ما در مورد روند توسعه بیماری همه گیر صحبت کنیم، در مرحله اولیه به نظر می رسید که هوش مصنوعی چیزی شبیه به شکست است. علما از آن شکایت کرده اند هوش مصنوعی بر اساس داده‌های اپیدمی‌های قبلی نمی‌توان میزان شیوع کرونا را به درستی پیش‌بینی کرد. این راه‌حل‌ها در برخی زمینه‌ها مانند تشخیص چهره‌هایی که تعداد مشخصی چشم و گوش دارند، به خوبی کار می‌کنند. اپیدمی SARS-CoV-2 اینها رویدادهای ناشناخته قبلی و بسیاری از متغیرهای جدید هستند، بنابراین هوش مصنوعی بر اساس داده های تاریخی که برای آموزش آن استفاده شده است، به خوبی کار نمی کند. ماکسیم فدوروف از Skoltech در بیانیه ای در آوریل 2020 به رسانه های روسی گفت: همه گیری نشان داده است که ما باید به دنبال فناوری ها و رویکردهای دیگری باشیم.

به مرور زمان وجود داشت با این حال الگوریتم هایی که به نظر می رسد مفید بودن هوش مصنوعی را در مبارزه با کووید-19 اثبات می کنند. دانشمندان آمریکایی در پاییز 2020 سیستمی را توسعه دادند تا الگوهای مشخصه سرفه در افراد مبتلا به کووید-19 را تشخیص دهد، حتی اگر علائم دیگری نداشته باشند.

وقتی واکسن ها ظاهر شدند، این ایده برای کمک به واکسیناسیون جمعیت به وجود آمد. او می تواند، برای مثال کمک به مدل سازی حمل و نقل و تدارکات واکسن ها. همچنین در تعیین اینکه کدام جمعیت باید ابتدا واکسینه شوند تا سریعتر با همه گیری مقابله کنند. همچنین با شناسایی سریع مشکلات و تنگناها در تدارکات به پیش بینی تقاضا و بهینه سازی زمان و سرعت واکسیناسیون کمک می کند. ترکیبی از الگوریتم ها با نظارت دائمی همچنین می تواند اطلاعاتی را در مورد عوارض جانبی احتمالی و رویدادهای سلامتی به سرعت ارائه دهد.

эти سیستم هایی با استفاده از هوش مصنوعی در بهینه سازی و بهبود مراقبت های بهداشتی از قبل شناخته شده است. مزایای عملی آنها قدردانی شد. به عنوان مثال، سیستم مراقبت های بهداشتی توسعه یافته توسط Macro-Eyes در دانشگاه استنفورد در ایالات متحده. مانند بسیاری از مؤسسات پزشکی دیگر، مشکل کمبود بیمارانی بود که برای قرار ملاقات حاضر نمی شدند. چشم های ماکرو سیستمی ساخته شده است که می تواند به طور قابل اعتماد پیش بینی کند که چه بیمارانی در آنجا حضور ندارند. در برخی موقعیت‌ها، او همچنین می‌تواند زمان‌ها و مکان‌های جایگزین برای کلینیک‌ها را پیشنهاد کند، که شانس حضور بیمار را افزایش می‌دهد. بعداً، فناوری مشابه در مکان‌های مختلف از آرکانزاس تا نیجریه با پشتیبانی به‌ویژه آژانس توسعه بین‌المللی ایالات متحده استفاده شد.

در تانزانیا، Macro-Eyes روی پروژه ای با هدف کار کرد افزایش نرخ واکسیناسیون کودکان. این نرم افزار تعداد دوزهای واکسن مورد نیاز برای ارسال به یک مرکز واکسیناسیون مشخص را تجزیه و تحلیل کرد. او همچنین توانست ارزیابی کند که کدام خانواده‌ها ممکن است تمایلی به واکسینه کردن فرزندان خود نداشته باشند، اما می‌توان آنها را با استدلال‌های مناسب و قرار دادن مرکز واکسیناسیون در مکانی مناسب متقاعد کرد. دولت تانزانیا با استفاده از این نرم افزار توانسته است اثربخشی برنامه ایمن سازی خود را تا 96 درصد افزایش دهد. و ضایعات واکسن را به 2,42 در هر 100 نفر کاهش دهد.

در سیرالئون، جایی که داده‌های بهداشتی ساکنان وجود نداشت، شرکت سعی کرد این را با اطلاعات مربوط به آموزش مطابقت دهد. معلوم شد که تعداد معلمان و دانش آموزان آنها به تنهایی برای پیش بینی 70 درصد کافی است. دقت در دسترسی کلینیک محلی به آب تمیز، که در حال حاضر ردپایی از داده ها در مورد سلامت مردم ساکن آنجا است (3).

3. تصویر کلان چشم از برنامه های مراقبت های بهداشتی مبتنی بر هوش مصنوعی در آفریقا.

اسطوره پزشک ماشین ناپدید نمی شود

با وجود شکست ها واتسون روش‌های تشخیصی جدید هنوز در حال توسعه هستند و بیشتر و پیشرفته‌تر در نظر گرفته می‌شوند. مقایسه انجام شده در سوئد در سپتامبر 2020. در تشخیص تصویربرداری سرطان سینه استفاده می شود نشان داد که بهترین آنها مانند یک رادیولوژیست عمل می کند. این الگوریتم ها با استفاده از نزدیک به نه هزار تصویر ماموگرافی که در طول غربالگری معمول به دست آمده است، آزمایش شده اند. سه سیستم با نام‌های AI-1، AI-2 و AI-3 به دقت 81,9٪، 67٪ دست یافتند. و 67,4 درصد. برای مقایسه، برای رادیولوژیست هایی که این تصاویر را به عنوان اولین تفسیر می کنند، این رقم 77,4٪ بود و در مورد رادیولوژیست هاکه دومین نفری بود که آن را توصیف کرد، 80,1 درصد بود. بهترین الگوریتم ها همچنین قادر به تشخیص مواردی بودند که رادیولوژیست ها در طول غربالگری از قلم انداخته بودند و زنان در کمتر از یک سال بیمار بودند.

به گفته محققان، این نتایج ثابت می کند الگوریتم های هوش مصنوعی کمک به تصحیح تشخیص های منفی کاذب که توسط رادیولوژیست ها ایجاد می شود. ترکیب قابلیت‌های AI-1 با یک رادیولوژیست متوسط، تعداد سرطان‌های سینه شناسایی شده را 8 درصد افزایش داد. تیمی در موسسه سلطنتی که این مطالعه را انجام می دهد انتظار دارد که کیفیت الگوریتم های هوش مصنوعی همچنان به رشد خود ادامه دهد. شرح کامل این آزمایش در JAMA Oncology منتشر شد.

W در مقیاس پنج نقطه ای. در حال حاضر، شاهد شتاب قابل توجه فناوری و رسیدن به سطح IV (اتوماسیون بالا) هستیم، زمانی که سیستم به طور مستقل داده های دریافتی را پردازش می کند و اطلاعات از پیش تحلیل شده را در اختیار متخصص قرار می دهد. این باعث صرفه جویی در زمان، جلوگیری از خطای انسانی و مراقبت کارآمدتر از بیمار می شود. این چیزی است که او چند ماه پیش قضاوت کرد Stan A.I. در زمینه پزشکی نزدیک به او، پروفسور. یانوش برازیوویچ از انجمن لهستان برای پزشکی هسته ای در بیانیه ای به خبرگزاری لهستان.

4. مشاهده ماشینی تصاویر پزشکی

الگوریتم ها به گفته کارشناسانی مانند پروفسور. برازیویچحتی در این صنعت ضروری است. دلیل آن افزایش سریع تعداد تست های تصویربرداری تشخیصی است. فقط برای دوره 2000-2010. تعداد معاینات و معاینات MRI ده برابر شده است. متأسفانه تعداد پزشکان متخصص موجود که بتوانند آن را به سرعت و با اطمینان انجام دهند افزایش نیافته است. همچنین کمبود تکنسین های واجد شرایط وجود دارد. اجرای الگوریتم های مبتنی بر هوش مصنوعی باعث صرفه جویی در زمان و استانداردسازی کامل روش ها و همچنین اجتناب از خطای انسانی و درمان های کارآمدتر و شخصی سازی شده برای بیماران می شود.

همانطور که معلوم شد، همچنین پزشکی قانونی می تواند بهره مند شود توسعه هوش مصنوعی. متخصصان این رشته می توانند با تجزیه و تحلیل شیمیایی ترشحات کرم ها و سایر موجوداتی که از بافت های مرده تغذیه می کنند، زمان دقیق مرگ متوفی را تعیین کنند. هنگامی که مخلوطی از ترشحات انواع مختلف نکروفاژها در تجزیه و تحلیل گنجانده می شود، مشکل ایجاد می شود. اینجاست که یادگیری ماشینی وارد عمل می شود. دانشمندان دانشگاه آلبانی توسعه یافته اند یک روش هوش مصنوعی که امکان شناسایی سریع‌تر گونه‌های کرم را فراهم می‌کند بر اساس "اثر انگشت شیمیایی" آنها. این تیم برنامه کامپیوتری خود را با استفاده از مخلوطی از ترکیبات مختلف ترشحات شیمیایی شش گونه مگس آموزش دادند. او علائم شیمیایی لارو حشرات را با استفاده از طیف سنجی جرمی رمزگشایی کرد که با اندازه گیری دقیق نسبت جرم به بار الکتریکی یک یون، مواد شیمیایی را شناسایی می کند.

بنابراین، همانطور که می بینید، با این حال هوش مصنوعی به عنوان کارآگاه تحقیقی خیلی خوب نیست، می تواند در آزمایشگاه پزشکی قانونی بسیار مفید باشد. شاید ما در این مرحله از او انتظار زیادی داشتیم و الگوریتم هایی را پیش بینی می کردیم که پزشکان را بیکار می کرد (5). وقتی نگاه می کنیم هوش مصنوعی به طور واقع بینانه تر، با تمرکز بر مزایای عملی خاص به جای موارد کلی، حرفه او در پزشکی دوباره بسیار امیدوار کننده به نظر می رسد.

5. دید ماشین پزشک