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