Краткий обзор применения AI / ML в здравоохранении.
Примечание редакции: Towards Data Science - это издание Medium, в основном основанное на изучении науки о данных и машинного обучения. Мы не являемся специалистами в области здравоохранения или эпидемиологами, и мнения, изложенные в этой статье, не следует интерпретировать как профессиональные советы. Чтобы узнать больше о пандемии коронавируса, нажмите здесь.
Вступление
XXI веку всего два десятилетия, и несомненно, что одной из самых больших преобразующих технологий и инструментов для развития человеческого общества в этом веке станет искусственный интеллект (ИИ). Это хорошо зарекомендовавшая себя идея, что ИИ и связанные с ним сервисы и платформы призваны изменить глобальную производительность, рабочие модели и образ жизни и создать огромное богатство.
Например, McKinsey считает, что к 2030 году глобальная экономическая активность составит около 13 триллионов долларов. В краткосрочной перспективе исследовательская компания Gartner ожидает, что глобальная экономическая активность на основе ИИ вырастет с примерно 1,2 триллиона долларов в 2018 году до примерно 3,9 триллиона долларов к 2022 году.
Не секрет, что эта трансформация в значительной степени поддерживается мощными инструментами и методами машинного обучения (ML), такими как Deep Convolutional Networks, Generative Adversarial Networks (GAN), Gradient-Boosted-tree models (GBM), Глубокое обучение с подкреплением (DRL) и т. Д.
Однако ИИ влияет не только на традиционный бизнес и технологический сектор. Здравоохранение - это область, которая считается наиболее подходящей для применения инструментов и методов искусственного интеллекта.
Обязательные практики, такие как Электронные медицинские записи (EMR), уже подтолкнули системы здравоохранения к применению инструментов больших данных для анализа данных следующего поколения. Инструменты AI / ML призваны повысить ценность этого потока. Ожидается, что они повысят качество автоматизации и интеллектуального принятия решений в системах первичной / третичной медицинской помощи и общественного здравоохранения. Это может быть самым большим влиянием инструментов искусственного интеллекта, поскольку потенциально может изменить качество жизни миллиардов людей во всем мире.
Ключевые примеры применения ML в здравоохранении
Радиология и патология с применением искусственного интеллекта
В наши дни в большом количестве хранятся данные медицинской визуализации, хранящиеся в электронном виде, и алгоритмы DL можно использовать с таким набором данных для обнаружения и обнаружения закономерностей и аномалий. Машины и алгоритмы могут интерпретировать данные изображений так же, как это мог бы делать высококвалифицированный радиолог - выявляя подозрительные пятна на коже, поражения, опухоли и мозговые кровотечения. Поэтому использование инструментов / платформ искусственного интеллекта / машинного обучения для помощи радиологам будет расширяться в геометрической прогрессии.
Такой подход решает критическую проблему в области здравоохранения, потому что во всем мире становится все труднее найти хорошо обученных радиологов. В большинстве случаев такие квалифицированные работники испытывают огромную нагрузку из-за большого количества цифровых медицинских данных. Среднестатистическому рентгенологу, согласно этой статье, необходимо получать результаты интерпретации одного изображения каждые 3–4 секунды, чтобы удовлетворить потребность.
Выявление редких или трудно диагностируемых заболеваний часто зависит от выявления так называемых «крайних случаев». Поскольку такая система машинного обучения построена на больших наборах данных, содержащих необработанные изображения (и различные преобразования) этих заболеваний, они часто более надежны, чем люди, для этого типа обнаружения.
Ожидается, что они повысят качество автоматизации и интеллектуального принятия решений в системах первичной / третичной медицинской помощи и общественного здравоохранения. Это может быть самым большим влиянием инструментов искусственного интеллекта, поскольку потенциально может изменить качество жизни миллиардов людей во всем мире.
Отличным тестовым примером является Microsoft's Project InnerEye, в котором используются методы машинного обучения для сегментации и идентификации опухолей с использованием трехмерных радиологических изображений. Это может помочь в точном планировании хирургии, навигации и эффективном контурировании опухоли при планировании лучевой терапии.
МРТ и другие передовые системы визуализации, которые все чаще используются для раннего обнаружения рака, оснащаются алгоритмами машинного обучения. В следующей статье дается исчерпывающий обзор по этому поводу.
В следующей статье Nature описывается, как методы машинного обучения применяются для выполнения расширенного анализа изображений, такого как сегментация простаты и слияние нескольких источников данных изображений (например, УЗИ, КТ и МРТ).
Инструменты машинного обучения также добавляют значительную ценность за счет добавления на экран хирурга такой информации, как локализация рака во время роботизированных процедур и других вмешательств с использованием изображений.
Поэтому использование инструментов / платформ искусственного интеллекта / машинного обучения для помощи радиологам будет расширяться в геометрической прогрессии.
Машинное обучение и наука о данных для практических идей
В современном мире медицинские данные размером эксабайта оцифровываются в различных медицинских учреждениях (государственных больницах, домах престарелых, врачебных клиниках, патологических лабораториях и т. Д.). К сожалению, эти данные часто беспорядочные и неструктурированные. В отличие от стандартных бизнес-данных транзакционного типа, данные пациента не поддаются простому статистическому моделированию и аналитике.
Надежные и гибкие платформы с поддержкой ИИ, способные подключаться к множеству баз данных пациентов и анализировать сложное сочетание типов данных (например, патология крови, геномика, радиологические изображения, история болезни), необходимы час. Кроме того, эти системы должны иметь возможность тщательно анализировать результаты анализа и обнаруживать скрытые закономерности.
Кроме того, они должны иметь возможность переводить и визуализировать свои выводы в понятные для человека формы, чтобы врачи и другие медицинские работники могли работать над своими результатами с высокой уверенностью и полной прозрачностью.
Интерпретируемый искусственный интеллект и распределенные системы машинного обучения - очень хорошо соответствуют этим требованиям и готовы удовлетворить требования к таким системам в ближайшем будущем.
Физические роботы для хирургической помощи
Хирургические роботы могут оказать уникальную помощь хирургам-людям,
- повышение способности видеть и перемещаться по процедуре,
- создание точных и малоинвазивных разрезов.
- уменьшение боли благодаря оптимальной геометрии шва и ране
Существуют действительно захватывающие возможности применения AI / ML для таких цифровых хирургических роботов.
- программно-ориентированное сотрудничество роботов с помощью массовой распределенной обработки
- Управляемые данными идеи и рекомендации, основанные на историях операций (выполненных как на машинах, так и на людях) и их результатах (благоприятных или неблагоприятных)
- Созданное искусственным интеллектом пространство виртуальной реальности для направления и руководства в реальном времени
- Возможность телемедицины и удаленной хирургии для относительно простых процедур.
В следующей статье кратко описаны потенциальные приложения.
ИИ для управления медицинскими операциями и обслуживания пациентов
В Соединенных Штатах стоимость и сложность получения населением надлежащей медицинской помощи были предметом долгих и ожесточенных споров.
Искусственный интеллект и связанные с ним методы, основанные на данных, уникальным образом подходят для решения некоторых проблем, определенных как первопричины: длинная очередь, страх необоснованных счетов, затяжной и слишком сложный процесс приема на прием, отсутствие доступа к нужному специалисту в области здравоохранения.
Те же самые проблемы преследуют традиционный бизнес на протяжении многих десятилетий, и методы искусственного интеллекта / машинного обучения уже являются частью решения. Это связано с тем, что огромные базы данных и алгоритмы интеллектуального поиска, которые являются сильной стороной систем искусственного интеллекта, превосходно справляются с такими проблемами сопоставления с образцом или оптимизации. Следовательно, передовые инструменты и методы искусственного интеллекта / машинного обучения должны использоваться больницами и организациями общественного здравоохранения в их повседневных операционных аспектах.
Замечательно то, что забота о конфиденциальности данных, которая является сложной и трудной проблемой для систем здравоохранения, не представляет серьезной проблемы для такого типа приложений ИИ. Чаще всего операционная проблема не связана с конфиденциальными данными пациента, связанными с заболеванием, диагнозом или лекарствами, но, как и любое другое современное коммерческое предприятие, состоит из данных, связанных с финансами, капиталом, маркетингом или человеческими ресурсами.
Основная цель таких систем должна заключаться в том, чтобы платформы с искусственным интеллектом были нацелены на повышение качества медицинских услуг для самой большой группы простых людей. Общая цель уже развернутых систем в традиционных компаниях - максимизация прибыли. Мощные инструменты искусственного интеллекта для управления операциями в здравоохранении должны отличаться от этих традиционных систем, сочетая сочувствие с целью получения прибыли.
Открытие лекарств с помощью методов AI / ML
Технологии искусственного интеллекта и машинного обучения все чаще выбираются громкими именами в фармацевтической индустрии для решения адски сложной проблемы успешного открытия лекарств. Некоторые яркие примеры - с участием Sanofi, Genentech, Pfizer - взяты из этой статьи. В этих тематических исследованиях рассматриваются все виды терапевтических областей - метаболические заболевания, лечение рака, иммуноонкологические препараты.
Выйдя за рамки обычного долгосрочного процесса, методы искусственного интеллекта все чаще применяются для ускорения фундаментальных процессов выбора кандидатов на ранней стадии и обнаружения механизмов.
Например, биотехнологическая компания Berg использует свою платформу искусственного интеллекта для анализа огромного количества биологических данных и данных о результатах (профили липидов, метаболитов, ферментов и белков), полученных от пациентов, чтобы выявить ключевые различия между больными и здоровыми клетками и выявить новые механизмы рака.
Другим ярким примером в этом отношении является публикация DeepMind возможных белковых структур, связанных с вирусом COVID-19 (SARS-CoV-2) с использованием их системы AlphaFold.
Многие начинающие фирмы также работают над использованием ИИ-систем для анализа многоканальных данных (исследовательские работы, патенты, клинические испытания и записи пациентов), используя новейшие методы в байесовском выводе, моделях цепей Маркова, обучении с подкреплением. и обработка естественного языка (NLP). Поиск шаблонов и построение многомерных представлений, которые будут храниться в облаке и использоваться в процессе открытия лекарств, являются ключевыми целями.
Вот обзорная статья, показывающая использование DL для открытия лекарств.
Мощные инструменты искусственного интеллекта для управления операциями в здравоохранении должны отличаться от этих традиционных систем, сочетая сочувствие с целью получения прибыли.
В будущее - точная медицина и профилактическое здравоохранение
Согласно Национальной медицинской библиотеке США, прецизионная медицина - это «новый подход к лечению и профилактике заболеваний, который учитывает индивидуальную изменчивость генов, окружающей среды и образа жизни каждого человека. ”
Заглядывая в будущее, можно сказать, что это может быть одним из самых значительных преимуществ применения ИИ / МО в здравоохранении.
Цель здесь чрезвычайно сложная и требовательная - найти точные варианты лечения для человека на основе его или ее личной истории болезни, образа жизни, генетических данных и постоянно меняющихся патологических тестов. Естественно, нам нужно использовать самые мощные методы искусственного интеллекта - глубокие нейронные сети, алгоритмы поиска на основе искусственного интеллекта / расширенное обучение с подкреплением, вероятностные графические модели, полууправляемое обучение - для решения этой проблемы.
Выходя за рамки прогнозирования и моделирования заболевания и лечения, такая система искусственного интеллекта также может потенциально прогнозировать вероятность будущих пациентов иметь определенные заболевания с учетом данных раннего скрининга или рутинных ежегодных медицинских осмотров. Более того, инструменты искусственного интеллекта могут моделировать, почему и при каких обстоятельствах более вероятно возникновение заболеваний, и, таким образом, могут помочь направить и подготовить врачей к вмешательству (индивидуально) еще до того, как у человека начнут проявляться симптомы.
Цель здесь чрезвычайно сложная и требовательная - найти точные варианты лечения для человека на основе его или ее личной истории болезни, образа жизни, генетических данных и постоянно меняющихся патологических тестов.
ИИ для систем общественного здравоохранения
Излишне говорить, что такие мощные методы могут применяться к крупномасштабным системам здравоохранения наряду с индивидуальным уходом за пациентами. Фактически, цифровое наблюдение за пандемиями и аналитика медицинских данных с помощью ИИ созрели для расширения.
Всемирная организация здравоохранения (ВОЗ) также говорит об этом ...
Продолжающийся кризис COVID-19 показал, насколько важно проводить сотни параллельных испытаний разработки вакцины и проектов терапевтических исследований. Получение данных и распознавание закономерностей из всех этих разрозненных источников - часто приводящих к результатам с высокой степенью неопределенности - практически невозможно достичь с помощью стандартных методов статистического моделирования, оптимизированных для небольших испытаний. Для решения таких проблем планетарного масштаба необходимо использовать методы искусственного интеллекта.
Резюме
Был обсужден широкий спектр интересных и перспективных приложений технологий и платформ AI / ML в сфере здравоохранения. Были рассмотрены самые разные темы: от помощника радиолога до интеллектуального управления операциями в области здравоохранения, от персонализированной медицины до цифрового наблюдения за общественным здравоохранением.
Известные проблемы, связанные с конфиденциальностью данных и правовой базой, по-прежнему будут препятствовать полному внедрению этих систем. Может быть чрезвычайно сложно выяснить, какие данные могут быть просмотрены и использованы на законных основаниях сторонними поставщиками (например, владельцем инструментов AI и ML, физических устройств или платформ). Следовательно, необходимы масштабные усилия по рационализации законодательства и политики, параллельно для решения этих проблем.
Как технологи и практики AI / ML, мы должны стремиться к светлому будущему, в котором мощность алгоритмов AI принесет пользу миллиардам простых людей для улучшения их основного здоровья и благополучия.
Кроме того, вы можете проверить в репозиториях GitHub автора код, идеи и ресурсы по машинному обучению и науке о данных. Если вы, как и я, увлечены искусственным интеллектом / машинным обучением / наукой о данных, пожалуйста, не стесняйтесь добавить меня в LinkedIn или подписаться на меня в Twitter.
Enjoy Medium: https://medium.com/@tirthajyoti/membership
