Nylige undersøgelser har vist evnen af kunstige intelligenssystemer til medicinsk diagnosticering af vigtige sygdomme
Artificial Intelligence (AI) systemer har eksisteret i et stykke tid og bliver nu klogere og bedre med tiden. AI har applikationer er mange områder og er nu en integral af de fleste områder. AI kan være en væsentlig og nyttig komponent af medicinsk videnskab og forskning, da det har et enormt potentiale til at påvirke sundhedsindustrien.
Kunstig intelligens i medicinsk diagnose?
Tid er den mest værdifulde ressource i sundhedsvæsenet, og tidlig passende diagnose er meget vigtig for det endelige resultat af en sygdom. Sundhedspleje er ofte en langvarig og tids- og ressourcekrævende proces, der forsinker en effektiv diagnose og forsinker til gengæld den korrekte behandling. AI kan hjælpe med at udfylde hullet mellem tilgængelighed og tidsstyring hos læger ved at inkorporere hurtighed og nøjagtighed i diagnosticering af patienter. Det kan hjælpe med at overvinde begrænsninger af ressourcer og sundhedspersonale, især i lav- og mellemindkomstlande. AI er en proces med at lære og tænke ligesom mennesker gennem et koncept kaldet deep-learning. Deep learning bruger brede sæt af eksempeldata til selv at skabe beslutningstræer. Med denne dybe læring kan et AI-system faktisk tænke ligesom mennesker, hvis ikke bedre, og derfor kunne AI anses for egnet til at udføre medicinske opgaver. Når man diagnosticerer patienter, bliver AI-systemer ved med at lede efter mønstre blandt patienter med samme sygdomme. Over tid kan disse mønstre konstruere et grundlag for at forudsige sygdomme, før de manifesteres.
I en nylig undersøgelse1 offentliggjort i Cell, har forskere brugt kunstig intelligens og maskinlæringsteknikker til at udvikle et nyt beregningsværktøj til at screene patienter med almindelige, men blændende nethindesygdomme, hvilket potentielt fremskynder diagnoser og behandling. Forskere brugte et AI-baseret neuralt netværk til at gennemgå mere end 200,000 øjenscanninger udført med en ikke-invasiv teknologi, der afviser lys fra nethinden for at skabe 2D- og 3D-repræsentationer af væv. De brugte derefter en teknik kaldet 'transfer learning', hvor viden opnået ved at løse et problem gemmes af en computer og anvendes på forskellige, men relaterede problemer. For eksempel kan et AI-neuralt netværk, der er optimeret til at genkende øjets diskrete anatomiske strukturer, såsom nethinden, hornhinden eller synsnerven, hurtigere og mere effektivt identificere og evaluere dem, når det undersøger billeder af et helt øje. Denne proces gør det muligt for AI-systemet gradvist at lære med et meget mindre datasæt end traditionelle metoder, som kræver store datasæt, hvilket gør dem dyre og tidskrævende.
Undersøgelsen fokuserede på to almindelige årsager til irreversibel blindhed, som kan behandles, når de opdages tidligt. Maskinafledte diagnoser blev sammenlignet med diagnoser fra fem øjenlæger, som gennemgik de samme scanninger. Ud over at stille en medicinsk diagnose genererede AI-platformen også en henvisning og behandlingsanbefaling, som ikke er blevet gjort i nogen tidligere undersøgelse. Dette trænede AI-system fungerede ligesom en veluddannet øjenlæge og kunne inden for 30 sekunder generere en beslutning om, hvorvidt patienten skulle henvises til behandling, med mere end 95 procent nøjagtighed. De testede også AI-værktøjet til diagnosticering af lungebetændelse i børn, en førende dødsårsag på verdensplan hos børn (under 5 år) baseret på maskinanalyser af røntgenbilleder af thorax. Interessant nok var computerprogrammet i stand til at skelne mellem viral og bakteriel lungebetændelse med mere end 90 procents nøjagtighed. Dette er afgørende, fordi selvom viral lungebetændelse naturligt bliver befriet af kroppen efter sit forløb, har bakteriel lungebetændelse på den anden side en tendens til at være en mere alvorlig sundhedstrussel og kræver øjeblikkelig behandling med antibiotika.
I endnu et stort spring2 i kunstige intelligenssystemer til medicinsk diagnose fandt forskerne ud af, at fotografier taget af et individs nethinde kan analyseres ved hjælp af maskinlæringsalgoritmer eller software til at forudsige kardiovaskulær hjerterisiko ved at identificere signaler, der er tegn på hjertesygdom. Status for blodkar i øjet, som er fanget på fotografierne, blev vist nøjagtigt at forudsige alder, køn, etnicitet, blodtryk, eventuelle tidligere hjerteanfald og rygevaner, og alle disse faktorer forudsiger tilsammen hjerte-relaterede sygdomme hos en person.
Øjet som informationsblok
Ideen om at se på billederne af øjet for at diagnosticere sundhed har eksisteret i nogen tid. Det er veletableret, at den bageste indre væg i menneskets øjne har en masse blodkar, som afspejler kroppens generelle helbred. Ved at studere og analysere udseendet af disse blodkar med et kamera og et mikroskop kan en masse information om en persons blodtryk, alder, ryger eller ikke-ryger osv. forudsiges, og disse er alle vigtige indikatorer for sundheden for en persons hjerte . Kardiovaskulær sygdom (CVD) er den største dødsårsag globalt, og flere mennesker dør af hjerte-kar-sygdomme sammenlignet med enhver anden sygdom eller tilstand. Dette er mere udbredt i lav- og mellemindkomstlande og er en enorm byrde for økonomien og menneskeheden. Den kardiovaskulære risiko afhænger af en lang række faktorer som gener, alder, etnicitet, køn, i kombination med motion og kost. De fleste hjerte-kar-sygdomme kan forebygges ved at tage fat på adfærdsmæssige risici som brug af tobak, fedme, fysisk inaktivitet og usund kost ved at foretage væsentlige livsstilsændringer for at imødegå de mulige risici.
Sundhedsdiagnose ved hjælp af nethindebilleder
Denne undersøgelse udført af forskere hos Google og dets eget sundhedsteknologiselskab Verily Life Sciences viste, at en kunstig intelligens-algoritme blev brugt på et stort datasæt af retinale fotografier af omkring 280,000 patienter, og denne algoritme var i stand til at forudsige hjerterisikofaktorer i to fuldstændigt. uafhængige datasæt på omkring 12000 og 1000 patienter med rimelig god nøjagtighed. Algoritmen brugte hele billedet af nethinden til at kvantificere sammenhængen mellem billedet og risikoen for hjerteanfald. Denne algoritme kunne forudsige en kardiovaskulær hændelse 70 procent af tiden hos en patient, og faktisk kunne en ryger og en ikke-ryger også skelnes i denne test 71 procent af tiden. Algoritmen kunne også forudsige forhøjet blodtryk, der indikerer en hjertesygdom, og forudsige systolisk blodtryk - trykket i karrene, når hjertet slår - inden for en række af de fleste patienter med eller uden forhøjet blodtryk. Nøjagtigheden af denne forudsigelse er ifølge forfatterne meget lig et kardiovaskulært tjek i laboratoriet, hvor blod udtages fra patienten for at måle kolesterolniveauer, der ser parallelt med patientens historie. Algoritmen i denne undersøgelse, offentliggjort i Naturbiomedicinsk teknik, kunne med stor sandsynlighed også forudsige forekomsten af en større kardiovaskulær hændelse -f.eks. et hjerteanfald.
Et yderst interessant og afgørende aspekt af disse undersøgelser var, at computeren kan fortælle, hvor den kigger i et billede for at nå frem til en diagnose, hvilket giver os mulighed for at forstå forudsigelsesprocessen. Eksempelvis viste undersøgelsen fra Google nøjagtigt "hvilke dele af nethinden" der bidrog til forudsigelsesalgoritmen, med andre ord hvordan algoritmen lavede forudsigelsen. Denne forståelse er vigtig ikke kun for at forstå maskinlæringsmetoden i dette særlige tilfælde, men også for at skabe tillid og tro på hele denne metode ved at gøre den gennemsigtig.
Udfordringer
Sådanne medicinske billeder kommer med sine udfordringer, fordi det ikke er ligetil at observere og derefter kvantificere associationer baseret på sådanne billeder, primært på grund af flere funktioner, farver, værdier, former osv. i disse billeder. Denne undersøgelse bruger dyb læring til at tegne sammenhænge, associationer og sammenhænge mellem ændringer i den menneskelige anatomi (kroppens indre morfologi) og sygdom på samme måde, som en sundhedsprofessionel ville gøre, når han eller hun korrelerer patientens symptomer med en sygdom. . Disse algoritmer kræver flere tests, før de kan bruges i et klinisk miljø.
På trods af diskussioner og udfordringer har AI et enormt potentiale til at revolutionere sygdomsdiagnostik og -håndtering ved at lave analyser og klassifikationer, der involverer enorme mængder data, som er vanskelige for menneskelige eksperter. Det giver hurtige, omkostningseffektive, ikke-invasive alternative billedbaserede diagnostiske værktøjer. De vigtige faktorer for succes for AI-systemer ville være højere beregningskraft og mere erfaring fra folket. I en sandsynlig fremtid vil ny medicinsk indsigt og diagnose kunne opnås med kunstig intelligens uden menneskelig ledelse eller tilsyn.
***
Kilde (r)
1. Kermany DS et al. 2018. Identifikation af medicinske diagnoser og behandlingsbare sygdomme ved billedbaseret dyb læring. Celle. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. Forudsigelse af kardiovaskulære risikofaktorer fra retinal fundus fotografier via deep learning. Natur Biomedicinsk Teknik. 2. https://doi.org/10.1038/s41551-018-0195-0
***
