XXIX. Точка невозврата. AI в системе здравоохранения

… год 2197
Взрывы, паника, кругом множество покореженных тел. Надо успеть пройти три квартала, пока этот район полностью не зачистили...
Путник проснулся весь в поту, задыхаясь, он потянулся за в рюкзаком и достал баллончик с двумя серыми буквами HL на белом фоне и вдохнул его содержимое. Кошмары, каждую ночь эти кошмары! Судьба странная штука, этот препарат, которым он очищали легкие, изобрел все тот же искусственный интеллект. Не совсем тот, а скорее версии 1,0. Теперь же он уничтожает, или уже уничтожил мир, но одновременно с этим спасает мою никчемную жизнь.
А как же мы радовались, когда он победил рак, вылечил почти все известные виды самых распространенных болезней....

… год 2017

Стремление к искусственному интеллекту (AI) — моделированию человеческого когнитивного поведения — началось всерьез в 1950-х годах. Достижения XXI века, особенно в области машинного обучения (например, создание алгоритма, способного обучаться делать прогнозы на основании меняющихся входных данных, не будучи линейно запрограммированным), внесли AI на гребень информационной волны. На переднем крае этих событий находится прорывная технология глубокого обучения (DL).

DL имеет свои основания в искусственных нейронных сетях (ANN), структурах взаимосвязанных узлов, имитирующих синаптические связи нервной системы человека. Регулируя сильные стороны (веса) соединений между узлами на основе данных обучения, ANN могут «учиться» выполнять определенные задачи, такие как распознавание изображений.

ANN организованы в слои, которые передают информацию друг другу: уровень ввода, выходной уровень и один или несколько скрытых слоев между ними. Наличие нескольких скрытых слоев облегчает взаимодействие множества уровней абстракции объектов, таких как построение от пикселей до текстур и фигур и т.д.

Исторически сложилось так, что медицина не была чужда исследованиям в области искусственного интеллекта, одним из ранних примеров которых была автоматическая интерпретация ЭКГ. Радиология, в частности, способна включаться в компьютерные системы, а компьютерные системы диагностики в настоящее время коммерчески доступны в таких областях, как маммография и обнаружение уплотнений в грудной клетке на рентгенограммах. В офтальмологии автоматизированная диагностика была настроена для лечения глаукомы, возрастной макулярной дегенерации и диабетической ретинопатии.

Следуя общим тенденциям, DL становится горячей темой в медицинских исследованиях AI, а число публикаций, упоминающих этот метод, применительно к анализу медицинских изображений стремительно растет с 2015 года. В дерматологии, например, использованные алгоритмы DL имеют производительность наравне с показателями дерматологов для классификации поражений кожи. Этот всплеск интереса сопровождался появлением технологических компаний, использующих DL для анализа медицинских изображений.

Глубокое обучение для скрининга диабетической ретинопатии (одно из наиболее тяжёлых осложнений сахарного диабета проявление диабетической микроангиопатии, поражающее сосуды сетчатой оболочки глазного яблока, наблюдаемое у 90% пациентов при сахарном диабете) показал свою высокую эффективность.

Особый интерес уделяется цифровой фотографии глазного дна как способа скрининга ретинопатии. Фотография предлагает несколько потенциальных преимуществ перед расширенной офтальмоскопией, включая более высокую чувствительность. Традиционные методы диагностики требуют времени и очень трудоемки. Все методы фотографического скрининга в настоящее время требуют ручной сортировки миллионов изображений. Использование методов глубокого обучения AI эффективно решает эту проблему. Преимущества автоматических алгоритмов для скрининга включают в себя согласованность оценки, экономическую эффективность и производительность обработки миллионов изображений в день.

Создание лекарств

Разработка фармацевтических препаратов через клинические испытания иногда занимает более десятилетия и стоит миллиарды долларов. Ускорение этого процесса и повышение рентабельности окажут огромное влияние на сегодняшнее здравоохранение и скорость внедрения инноваций в повседневную медицину. Например, проект Atomwise использует суперкомпьютеры для открытия новых малых молекул с беспрецедентной скоростью, точностью и разнообразием.

В прошлом году компания Atomwise начала виртуальный поиск безопасных лекарств, которые можно было бы использовать для лечения вируса Ebola. Они обнаружили два препарата, предсказанных технологией AI, которые могут значительно снизить инфекционную активность Ebola. Этот анализ, который, как правило, занимал месяцы или годы, был завершен менее чем за один день.

Еще одним замечательным примером использования Больших данных в здравоохранении является Berg Health, компания в Бостоне, которая анализирует данные, чтобы выяснить, почему некоторые люди выживают при различных заболеваниях и, таким образом, улучшают текущее лечение или создают новые методы лечения.

Открытые AI экосистемы

Открытая экосистема искусственного интеллекта заключается в идее о том, что при наличии беспрецедентного объема данных в сочетании с достижениями в области обработки естественного языка приложения AI станут все более полезными для потребителей. Это особенно актуально в сфере здравоохранения. Существует так много данных, которые можно использовать: истории болезни пациента, данные о лечении (в последнее время информация поступает также от носимых датчиков здоровья) и прочее. Этот огромный объем данных можно использовать для машинного обучения AI в различных сферах здравоохранения, так как, данные — это ключ к успешной работе нейронных сетей.

Искусственный интеллект будет иметь огромное влияние на генетику и геномику. Глубокая геномика направлена на выявление закономерностей в огромных наборах данных генетической информации и медицинских записей, поиск мутаций и связей с болезнями. Сегодня ряд ученых работает над алгоритмом, который мог бы определять физические характеристики пациента на основе его ДНК.

Но существует и ряд проблем, связанных с включением AI в клиническую практику. DL-алгоритмы — это так называемый «черный ящик»: неясно, что именно изучил алгоритм или какие функции он использовал. Механизм принятия им решения запутан и абсолютно не прозрачен. Остаются и другие вопросы; они включают ответственность и эволюцию роли врача, поскольку AI проникает все глубже в ежедневную клиническую практику.

Хотя AI и DL уже сегодня обладают огромным положительным потенциалом для улучшения ситуации в области здравоохранения, пациентам, разработчикам и регуляторам необходимо помнить о потенциальных проблемах и существующих опасностях.

… год 2197
Путник открыл дверцу Tesla Superman и продолжил путь. Какие еще лишения приготовил ему этот новый Мир.

Также, его до сих пор мучил вопрос: Кто, где и когда впервые обозначил понятие робота и сформулировал три закона робототехники?
И помните, первый правильно ответивший в чате Scintillam будет щедро вознагражден (10 золотых). А комментарий, понравившийся Путнику больше всего, не останется незамеченным. Автор этого комментария получит 10 золотых. Также напоминаем, что три лучших автора, кто напишет в тег chaos-legion в течении этой недели, получат по 50 золотых.

Контакты

Чат Легиона Хаоса в телеграм: Scintillam
Почтовый ящик для желающих стать авторами: [email protected]
Личка в телеграм: varwar и mamasetta
Тег: chaos-legion

Sequere nobis. Nos scientiam

@chaos.legion