Kajian terkini telah menunjukkan keupayaan sistem kecerdasan buatan dalam mendiagnosis penyakit penting secara perubatan
Sistem Kepintaran Buatan (AI). telah wujud untuk sekian lama dan kini semakin bijak dan lebih baik mengikut peredaran masa. AI mempunyai aplikasi dalam pelbagai bidang dan kini merupakan sebahagian daripada kebanyakan bidang. AI boleh menjadi komponen penting dan berguna perubatan sains dan penyelidikan kerana ia mempunyai potensi besar untuk memberi kesan kepada industri penjagaan kesihatan.
Kecerdasan Buatan dalam diagnosis perubatan?
Masa adalah sumber paling berharga dalam penjagaan kesihatan dan diagnosis awal yang sesuai adalah sangat penting untuk hasil akhir sesuatu penyakit. Penjagaan kesihatan selalunya merupakan proses yang panjang dan memakan masa dan sumber, melambatkan diagnosis yang berkesan dan seterusnya menangguhkan rawatan yang betul. AI boleh membantu mengisi jurang antara ketersediaan dan pengurusan masa oleh doktor dengan memasukkan kelajuan dan ketepatan dalam diagnosis pesakit. Ia boleh membantu untuk mengatasi had sumber dan profesional penjagaan kesihatan khususnya di negara berpendapatan rendah dan sederhana. AI ialah satu proses pembelajaran dan pemikiran sama seperti manusia melalui konsep yang dipanggil pembelajaran mendalam. Pembelajaran mendalam menggunakan set data sampel yang luas untuk mencipta pepohon keputusan dengan sendirinya. Dengan pembelajaran mendalam ini, sistem AI sebenarnya boleh berfikir sama seperti manusia, jika tidak lebih baik, dan oleh itu AI boleh dianggap sesuai untuk menjalankan tugas perubatan. Apabila mendiagnosis pesakit, sistem AI terus mencari corak dalam kalangan pesakit yang mempunyai penyakit yang sama. Dari masa ke masa, corak ini boleh membina asas untuk meramalkan penyakit sebelum ia dimanifestasikan.
Dalam satu kajian baru-baru ini1 diterbitkan dalam Cell, penyelidik telah menggunakan tiruan kecerdasan dan teknik pembelajaran mesin untuk membangunkan alat pengiraan baharu untuk menyaring pesakit dengan penyakit retina biasa tetapi membutakan, yang berpotensi mempercepatkan diagnosis dan rawatan. Penyelidik menggunakan rangkaian saraf berasaskan AI untuk menyemak lebih daripada 200,000 imbasan mata yang dijalankan dengan teknologi bukan invasif yang memantulkan cahaya dari retina untuk mencipta perwakilan 2D dan 3D tisu. Mereka kemudiannya menggunakan teknik yang dipanggil 'pembelajaran pemindahan' di mana pengetahuan yang diperoleh dalam menyelesaikan satu masalah disimpan oleh komputer dan digunakan untuk masalah yang berbeza tetapi berkaitan. Sebagai contoh, rangkaian neural AI yang dioptimumkan untuk mengenali struktur anatomi mata yang diskret, seperti retina, kornea atau saraf optik, boleh mengenal pasti dan menilai dengan lebih cepat dan cekap apabila ia memeriksa imej keseluruhan mata. Proses ini membolehkan sistem AI belajar secara beransur-ansur dengan set data yang jauh lebih kecil daripada kaedah tradisional yang memerlukan set data besar menjadikannya mahal dan memakan masa.
Kajian itu memfokuskan kepada dua punca biasa kebutaan tidak dapat dipulihkan yang boleh dirawat apabila dikesan awal. Diagnosis yang diperolehi oleh mesin dibandingkan dengan diagnosis daripada lima pakar oftalmologi yang menyemak imbasan yang sama. Selain membuat diagnosis perubatan, platform AI juga menghasilkan cadangan rujukan dan rawatan yang belum dilakukan dalam mana-mana kajian terdahulu. Sistem AI terlatih ini bertindak seperti pakar oftalmologi yang terlatih dan boleh menghasilkan keputusan dalam masa 30 saat sama ada pesakit perlu dirujuk untuk rawatan atau tidak, dengan ketepatan lebih 95 peratus. Mereka juga menguji alat AI dalam mendiagnosis radang paru-paru kanak-kanak, penyebab utama kematian di seluruh dunia pada kanak-kanak (di bawah umur 5) berdasarkan analisis mesin sinar-X dada. Menariknya, program komputer itu dapat membezakan antara virus dan bakteria radang paru-paru dengan lebih daripada 90 peratus ketepatan. Ini penting kerana walaupun radang paru-paru virus secara semula jadi disingkirkan oleh badan selepas perjalanannya, pneumonia bakteria sebaliknya cenderung menjadi ancaman kesihatan yang lebih serius dan memerlukan rawatan segera dengan antibiotik.
Dalam satu lagi lonjakan besar2 dalam sistem kecerdasan buatan untuk diagnosis perubatan, saintis mendapati bahawa gambar retina seseorang individu boleh dianalisis dengan algoritma pembelajaran mesin atau perisian untuk meramalkan risiko jantung kardiovaskular dengan mengenal pasti isyarat yang menunjukkan penyakit jantung. Status saluran darah di mata yang ditangkap dalam gambar ditunjukkan dengan tepat meramalkan umur, jantina, etnik, tekanan darah, sebarang serangan jantung sebelum ini dan tabiat merokok dan semua faktor ini secara kolektif meramalkan penyakit berkaitan jantung dalam seseorang individu.
Mata sebagai blok maklumat
Idea melihat gambar mata untuk mendiagnosis kesihatan telah wujud sejak sekian lama. Telah terbukti bahawa dinding dalaman belakang mata manusia mempunyai banyak saluran darah yang mencerminkan kesihatan keseluruhan badan. Dengan mengkaji dan menganalisis penampilan saluran darah ini dengan kamera dan mikroskop, banyak maklumat tentang tekanan darah individu, umur, perokok atau bukan perokok dan lain-lain boleh diramalkan dan ini semua adalah penunjuk penting kesihatan jantung individu. . Penyakit kardiovaskular (CVD) ialah punca kematian nombor satu di seluruh dunia dan lebih ramai orang mati akibat CVD berbanding mana-mana penyakit atau keadaan lain. Ini lebih berleluasa di negara berpendapatan rendah dan sederhana dan merupakan beban besar kepada ekonomi dan manusia. Risiko kardiovaskular bergantung kepada pelbagai faktor seperti gen, umur, etnik, jantina, dalam kombinasi dengan senaman dan diet. Kebanyakan penyakit kardiovaskular boleh dicegah dengan menangani risiko tingkah laku seperti penggunaan tembakau, obesiti, kurang aktiviti fizikal dan diet tidak sihat dengan membuat perubahan gaya hidup yang ketara untuk menangani risiko yang mungkin berlaku.
Diagnosis kesihatan menggunakan imej retina
Kajian yang dijalankan oleh penyelidik di Google dan syarikat teknologi kesihatannya sendiri Verily Life Sciences, menunjukkan bahawa algoritma Kecerdasan Buatan digunakan pada set data besar gambar retina sekitar 280,000 pesakit dan algoritma ini berjaya meramalkan faktor risiko jantung dalam dua sepenuhnya. set data bebas sekitar 12000 dan 1000 pesakit dengan ketepatan yang cukup baik. Algoritma menggunakan keseluruhan gambar retina untuk mengukur perkaitan antara imej dan risiko serangan jantung. Algoritma ini boleh meramalkan kejadian kardiovaskular 70 peratus masa dalam pesakit dan sebenarnya seorang perokok dan bukan perokok juga boleh dibezakan dalam ujian ini 71 peratus masa. Algoritma ini juga boleh meramalkan tekanan darah tinggi yang menunjukkan keadaan jantung dan meramalkan tekanan darah sistolik - tekanan dalam salur darah apabila jantung berdegup- dalam julat kebanyakan pesakit dengan atau tanpa tekanan darah tinggi. Ketepatan ramalan ini, menurut penulis adalah hampir sama dengan pemeriksaan kardiovaskular di makmal, di mana darah diambil dari pesakit untuk mengukur paras kolesterol yang kelihatan selari dengan sejarah pesakit. Algoritma dalam kajian ini, diterbitkan dalam Kejuruteraan Bioperubatan Alam, berkemungkinan besar juga boleh meramalkan berlakunya kejadian kardiovaskular utama -cth serangan jantung.
Aspek yang sangat menarik dan penting dalam kajian ini ialah komputer boleh memberitahu di mana ia melihat dalam imej untuk mencapai diagnosis, membolehkan kita memahami proses ramalan. Contohnya, kajian oleh Google betul-betul menunjukkan "bahagian retina yang mana" menyumbang kepada algoritma ramalan, dengan kata lain cara algoritma membuat ramalan. Pemahaman ini penting bukan sahaja untuk memahami kaedah pembelajaran mesin dalam kes khusus ini, tetapi juga untuk menjana keyakinan dan kepercayaan dalam keseluruhan metodologi ini dengan menjadikannya telus.
Cabaran
Imej perubatan sedemikian datang dengan cabarannya kerana memerhati dan kemudian mengukur perkaitan berdasarkan imej tersebut adalah tidak mudah terutamanya kerana beberapa ciri, warna, nilai, bentuk dan lain-lain dalam imej ini. Kajian ini menggunakan pembelajaran mendalam untuk menarik kaitan, persatuan dan hubungan antara perubahan dalam anatomi manusia (morfologi dalaman badan) dan penyakit dengan cara yang sama seperti yang akan dilakukan oleh profesional penjagaan kesihatan apabila dia mengaitkan simptom pesakit dengan penyakit. . Algoritma ini memerlukan lebih banyak ujian sebelum ia boleh digunakan dalam persekitaran klinikal.
Walaupun perbincangan dan cabaran, AI mempunyai potensi besar untuk merevolusikan diagnosis dan pengurusan penyakit dengan melakukan analisis dan klasifikasi yang melibatkan sejumlah besar data yang sukar untuk pakar manusia. Ia menyediakan alat diagnostik berasaskan imej alternatif yang pantas, kos efektif dan tidak invasif. Faktor penting untuk kejayaan sistem AI ialah kuasa pengiraan yang lebih tinggi dan lebih banyak pengalaman orang. Pada masa hadapan kemungkinan pandangan dan diagnosis perubatan baharu boleh dicapai dengan AI tanpa arahan atau pengawasan manusia.
***
{Anda boleh membaca kertas penyelidikan asal dengan mengklik pautan DOI yang diberikan di bawah dalam senarai sumber yang dipetik}
Sumber (s)
1. Kermany DS et al. 2018. Mengenalpasti Diagnosis Perubatan dan Penyakit Boleh Diubati oleh Pembelajaran Dalam Berasaskan Imej. sel. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. Ramalan faktor risiko kardiovaskular daripada gambar fundus retina melalui pembelajaran mendalam. Kejuruteraan Bioperubatan Alam Semulajadi. 2. https://doi.org/10.1038/s41551-018-0195-0
