Здравоохранение Часть 2
ИИ меняет отрасль здравоохранения. Как общество, мы становимся более голодными к данным, чем когда-либо прежде, и это также очевидно на индивидуальном уровне, несмотря на наше растущее увлечение носимыми технологиями и электронным здравоохранением. Ранее мы подвели итоги ИИ и глубокого обучения с точки зрения новичка и обсудили некоторые варианты их использования в здравоохранении, в частности медицинские диагнозы. Ниже мы продолжаем тему здравоохранения, предоставляя краткий обзор глубокого обучения в поиске лекарств, электронном здравоохранении и электронных медицинских картах.
Обнаружение наркотиков
Открытие лекарств от концепции идеи до товарного продукта может занять более десяти лет и в среднем стоит 2,6 миллиарда долларов США. Потенциал глубокого обучения в крупной фармацевтике был отмечен в 2012 году, когда алгоритм глубокого обучения выиграл конкурс Merck Molecular Activity Challenge. Учитывая числовые дескрипторы химических структур 15 молекул, цель состояла в том, чтобы создать наилучший метод для прогнозирования биологической активности различных молекул на цели и вне ее. Выигрышное решение состояло из однозадачных нейронных сетей, многозадачных нейронных сетей и регрессии гауссовского процесса с минимальной предварительной обработкой и без разработки признаков. С тех пор многие крупные фармацевтические компании стали партнерами ИИ-компаний. В 2012 году Merck стала партнером Numerate, в 2016 году Pfizer объединилась с IBM Watson, а в 2017 году GSK начала сотрудничество с Exscientia по разработке лекарств стоимостью 37 миллионов евро.
Этапы открытия лекарств, описанные здесь, очень специфичны, регламентированы и требуют много времени. На сегодняшний день ИИ и глубокое обучение были реализованы на ранних этапах процесса, например:
- просмотр больших баз данных на наличие соединений, которые могут быть потенциальными лекарствами;
- очистка потенциальных соединений;
- оптимизация состава свинца; и
- прогнозирование того, как ведущее соединение будет вести себя при тестировании
BeneloventAI, компания, объединяющая ИИ с открытием лекарств, воспользовалась преимуществами массовой оцифровки информации, создав платформу ИИ, которая использует обработку естественного языка для анализа массы исследовательских статей, патентов, клинических испытаний, научных баз данных и историй болезни для создания новые идеи для открытия наркотиков. Платформа может делать выводы о взаимосвязях между такой информацией, как симптомы, заболевания, лекарства и гены, что позволяет создавать графики знаний, помогая тем самым идентифицировать потенциальные лекарства и мишени для лекарств. Точно так же IBM Watson for Drug Discovery использует ИИ для поиска новых идей для открытия лекарств, просматривая свою базу данных, которая, как сообщалось, в 2016 году содержала более 25 миллионов рефератов, 1 миллион полнотекстовых журнальных статей и 4 миллиона патентов.
ИИ также широко использовался в количественных соотношениях структура-активность (QSAR), области вычислительного моделирования в биохимии, которая предсказывает, как активность соединения изменяется при изменении его структуры. В конечном итоге это было целью конкурса Merck Molecular Activity Challenge 2012 года. Первоначально использовались метод опорных векторов и случайные леса, но теперь исследования показывают, что глубокое обучение дает более оптимальные результаты» (Ma, Sheridan, Liaw, Dahl, & Svetnik, 2015)».
Электронное здравоохранение и носимые устройства
Согласно глобальным оценкам, более 2,5 миллиардов человек используют смартфоны. Таким образом, компании, правительства и учреждения здравоохранения осознали важность электронного здравоохранения (теле-; мобильного-). С увеличением количества носимых устройств, доступных для смартфонов, и постоянно растущим списком приложений для здоровья отслеживается и собирается невероятное количество данных о здоровье. Об этом свидетельствует недавнее партнерство между Fitbit и Google. Чтобы предоставить потребителям более значимые данные о здоровье, Fitbit будет использовать Google Cloud Healthcare API и, следовательно, возможности искусственного интеллекта для объединения данных своих носимых устройств с электронными медицинскими картами (EHR). Apple следует этому примеру, недавно представив свои последние часы Watch Series 4, которые имеют функцию действовать как электрокардиограмма (ЭКГ) с одним отведением и выдавать соответствующие предупреждения о состоянии здоровья. Это означает, что после того, как пользователь зафиксирует свою ЭКГ на своих часах, алгоритм, обученный на размеченных данных ЭКГ, может предсказать, а затем уведомить пользователя о подозрении на аритмию. В конечном счете, носимые устройства позволяют людям иметь прямой доступ к своим отслеживаемым данным о здоровье, позволяя им активно следить за своим здоровьем, что, несомненно, приводит к лучшим результатам для здоровья.
Захватывающий пример использования был опубликован в 2018 году компанией Cardiogram, которая создала DeepHeart, многозадачный LSTM с полууправлением, предназначенный для прогнозирования риска сердечно-сосудистых заболеваний. Баллинджер и др. (2018) объединил EHR с данными о частоте сердечных сокращений и подсчете шагов от 14 011 пользователей Apple Watch. Используя полууправляемое обучение последовательности и алгоритмы эвристического предварительного обучения, они смогли обнаружить диабет (0,85), высокий уровень холестерина (0,74), высокое кровяное давление (0,81) и апноэ во сне (0,83) с довольно высокой точностью. Что делает это исследование еще более захватывающим, так это то, что обучение последовательности с полуучителем существует уже некоторое время; он широко используется в системах рекомендаций такими компаниями, как Amazon и Netflix. Таким образом, внедрение такой технологии, вероятно, неизбежно. Возможно, самым большим ограничением глубокого обучения для электронного здравоохранения является то, что из-за аппаратных ограничений большая часть самой обработки не может быть выполнена на носимых устройствах или телефоне. Тем не менее, благодаря постоянному совершенствованию аппаратного обеспечения и более инновационных алгоритмов, глубокое обучение может вполне реально произвести революцию в здравоохранении с помощью электронного здравоохранения.
Электронные медицинские карты (ЭМК)
Электронные медицинские карты — это структурированные базы данных медицинских карт пациентов, которые позволяют упростить обмен данными между медицинскими учреждениями. Они могут включать общую информацию, такую как демографические данные пациента или статус иммунизации, или более подробную информацию, такую как основные показатели жизнедеятельности во время последней госпитализации. Существует большой интерес к использованию электронных медицинских карт для прогнозирования будущего состояния здоровья и, таким образом, улучшения результатов в отношении здоровья. Однако данные из электронных медицинских карт могут быть чрезвычайно зашумленными, разнородными и неполными. Например, для описания одной болезни можно использовать множество различных слов, показателей жизнедеятельности или измерений. Это затрудняет внедрение ИИ без эксперта в предметной области (например, медицинского работника), маркирующего данные, что невозможно для больших наборов данных. Тем не менее, неконтролируемое глубокое изучение признаков, по-видимому, является успешным: Миотто, Ли, Кидд и Дадли (2016) показали, что трехслойный автоэнкодер с шумоподавлением может предсказывать будущие заболевания у людей лучше, чем текущие клинические стандарты. Подобные варианты использования также были проиллюстрированы Ласко, Денни и Леви (2013) и Фам, Тран, Фунг и Венкатеш (2017).
Технологические гиганты также начинают осознавать ценность электронных медицинских карт для прогнозирования медицинских результатов, о чем свидетельствует недавнее сотрудничество между Google AI, Калифорнийским университетом в Сан-Франциско, Стэнфордской медициной и Чикагским медицинским университетом. Во-первых, Rajkomar et al. (2018) использовал общий конвейер обработки данных для преобразования необработанных входных данных EHR в выходные данные Fast Healthcare Interoperability Resources (FHIR), современный стандарт формата данных. Это означает, что данные могут быть в некоторой степени нормализованы без необходимости согласования функций вручную, что делает сопоставимыми различные электронные медицинские карты из разных больниц. Во-вторых, используя 46 864 534 945 точек данных из 216 221 госпитализации, авторы смогли обучить LSTM, FFN с учетом времени и встроенную модель временных рядов для точного прогнозирования многочисленных результатов. К ним относятся такие исходы, как внутрибольничная смертность, продолжительность пребывания в стационаре и окончательная выписка пациента; точность была лучше, чем у современных традиционных прогностических моделей, используемых в клинической практике.
Примеры, обсуждаемые как в этом посте, так и в предыдущем, — это лишь некоторые из множества вариантов использования глубокого обучения в здравоохранении. С растущим интересом и, следовательно, инвестициями в ИИ возможности преобразования и революции в здравоохранении практически безграничны. Тем не менее, чтобы избежать повторения ошибок недавнего прошлого, как предлагает Кристиа, Кахан и Иоаннидис (2019 г.), мы должны обеспечить, чтобы цифровое здравоохранение по-прежнему подвергалось высокому уровню научного контроля.
Ссылки
Баллинджер Б., Хси Дж., Сингх А., Сохони Н., Ван Дж., Тисон Г. Х., . . . Плетчер, MJ (2018). DeepHeart: частично контролируемое последовательное обучение для прогнозирования риска сердечно-сосудистых заболеваний.
Кристеа, И.А., Кахан, Э.М., и Иоаннидис, Дж.П.А. (2019). Скрытое исследование: отсутствие рецензируемых доказательств медицинских единорогов. Европейский журнал клинических исследований, 0(0), e13072. дои: 10.1111/eci.13072
Ласко, Т.А., Денни, Дж.К., и Леви, Массачусетс (2013). Вычислительное обнаружение фенотипа с использованием неконтролируемого обучения характеристикам зашумленных, разреженных и нерегулярных клинических данных. PLOS ONE, 8(6), e66341. doi:10.1371/journal.pone.0066341
Ма, Дж., Шеридан, Р.П., Лиав, А., Даль, Г.Э., и Светник, В. (2015). Глубокие нейронные сети как метод количественных взаимосвязей между структурой и активностью. Journal of Chemical Information and Modeling, 55(2), 263–274. дои: 10.1021/ci500747n
Миотто Р., Ли Л., Кидд Б. А. и Дадли Дж. Т. (2016). Глубокий пациент: неконтролируемое представление для прогнозирования будущего пациентов из электронных медицинских карт. Sci Rep, 6, 26094. doi:10.1038/srep26094
Фам Т., Тран Т., Фунг Д. и Венкатеш С. (2017). Прогнозирование траекторий здравоохранения на основе медицинских записей: подход к глубокому обучению. Журнал биомедицинской информатики, 69, 218–229. дои: https://doi.org/10.1016/j.jbi.2017.04.001
Райкомар А., Орен Э., Чен К., Дай А.М., Хаджадж Н., Хардт М., . . . Дин, Дж. (2018). Масштабируемое и точное глубокое обучение с электронными медицинскими картами. npj Цифровая медицина, 1(1), 18. doi:10.1038/s41746–018–0029–1