Краткий обзор наиболее важных медицинских применений глубокого обучения

Введение

Вокруг искусственного интеллекта и его потенциала революционизировать каждую отрасль и услугу много шумихи. Это особенно верно для здравоохранения, где использование ИИ в конечном итоге затронет всех нас. Хотя многое зависит от изменений, которые произойдут в ближайшие годы, здесь мы рассмотрим, как глубокое обучение уже оказало значительное влияние на здравоохранение, изменив то, как мы делаем такие вещи, как диагностика, планирование лечения и поиск лекарств.

Цель здесь — изучить, как глубокое обучение уже значительно улучшает нашу жизнь и меняет способы оказания медицинской помощи. Мы рассмотрим используемые методы и их влияние, а также изучим базовые технологии, которые воплощают эти методы в жизнь.

Как данные способствуют трансформации

Модели глубокого обучения обычно необходимо обучать на больших объемах данных. Обучение и разработка алгоритмов зависит от типов используемых наборов данных. Таким образом, чтобы понять использование глубокого обучения, мы должны понимать данные — корень всего этого.

Компьютерное зрение

Компьютерное зрение — это область ИИ, специально ориентированная на создание моделей, которые интерпретируют визуальную информацию. Эта область глубокого обучения особенно полезна в приложениях для здравоохранения, поскольку в этом формате существует множество медицинских данных. Алгоритмы могут быть созданы для анализа и интерпретации медицинских изображений, таких как рентгеновские снимки, компьютерная томография, МРТ и гистологические слайды. Модели глубокого обучения могут выполнять такие задачи, как сегментация изображения, которая включает в себя выделение определенных структур в изображении для дальнейшего анализа, и обнаружение объектов, которое включает в себя идентификацию и маркировку определенных структур в изображении. По сути, это означает, что такая задача, как диагностика заболеваний, которая всегда требовала целенаправленных усилий от медицинских экспертов, теперь может быть выполнена намного проще, когда они используют ИИ. Это очень важно не только из-за экономии времени, но и потому, что в некоторых случаях ИИ точнее, чем врачи. Только в США около 12 миллионов пациентов ежегодно получают неверный диагноз, и мы можем ожидать, что эти инструменты будут улучшать результаты лечения пациентов по мере их развития.

Обработка естественного языка (NLP)

Модели NLP анализируют текстовые данные и, таким образом, строятся в основном с использованием электронных медицинских карт (EHR) в медицинском контексте. Эти алгоритмы используются для извлечения из электронных медицинских карт такой информации, как демографические данные пациентов, коды диагнозов и планы лечения. Эта информация затем может быть использована для различных целей, таких как улучшение качества или медицинские исследования. НЛП было особенно полезно, потому что алгоритмы могут быть намного эффективнее людей при выявлении закономерностей и тенденций в огромных объемах данных пациентов. На самом деле, продукты, основанные на НЛП, даже утверждают, что приводят к 70-процентному снижению выгорания, что всегда было серьезной проблемой для медсестер и врачей.

NLP даже был интегрирован в системы здравоохранения, чтобы помочь в процессе кодирования и выставления счетов за счет автоматического извлечения соответствующей информации из электронных медицинских карт, что снижает потребность в ручном вводе данных и риск ошибок. Это позволяет больницам максимально эффективно использовать свои ресурсы, а также принимать более обоснованные решения об уходе за пациентами. Повышение эффективности оказания медицинских услуг — простой, но важный пример того, как глубокое обучение меняет здравоохранение.

Прогноз и лечение рака

Одной из самых больших проблем, с которыми сталкиваются врачи после постановки диагноза рака, является выбор наилучшего курса лечения. Врачам трудно предсказать эволюцию опухоли, однако можно построить модели глубокого обучения, чтобы сообщить им, как тот или иной тип рака может прогрессировать с течением времени. Обладая этими знаниями, врачи оснащены инструментами для создания более точного плана лечения, но использование ИИ может пойти еще дальше. Глубокое обучение также можно использовать на генетической информации для выявления маркеров, которые указывают, как пациент будет реагировать на конкретный план лечения. Это может повысить вероятность того, что пациенты получат правильное лечение с меньшим количеством побочных эффектов.

Это очень хороший вариант использования глубокого обучения в здравоохранении, поскольку ранее не существовало метода использования генетических данных для оптимизации лечения рака.

Обнаружение наркотиков

Алгоритмы не ограничиваются только данными пациентов и могут обучаться на наборах данных о химических соединениях и связанных с ними биологических активностях для выявления новых кандидатов в лекарства. Это позволяет фармацевтическим и биотехнологическим компаниям более эффективно искать новые молекулы, которые приведут к новым лекарствам. На следующем этапе цикла разработки лекарств можно использовать глубокое обучение для оптимизации дизайна лекарств путем прогнозирования свойств вновь образованных соединений, таких как фармакокинетика и токсичность. Раньше эти тесты приходилось выполнять вручную, что означало гораздо более длительные циклы разработки. Глубокое обучение используется на разных этапах конвейера разработки, что делает весь процесс разработки лекарств намного быстрее и эффективнее. Учитывая тот факт, что средний жизненный цикл разработки в США составляет 12 лет и только 10% препаратов из доклинической фазы получают одобрение FDA, сэкономить несколько лет и увеличить шансы на успех даже с небольшим отрывом может быть очень важный.

Во многих случаях исследователи ИИ комбинируют различные методы данных для создания более сложных моделей, использующих несколько источников информации для прогнозирования. Вот пример того, как компьютерная томография использовалась вместе с клиническими данными для прогнозирования тяжести случая covid-19.

Продукты ИИ в действии

Давайте поговорим о нескольких примерах продуктов, которые уже развернуты. Это не исчерпывающий список, а скорее обзор некоторых из наиболее эффективных продуктов.

  • Enlitic создала платформу здравоохранения для использования искусственного интеллекта на протяжении всего жизненного цикла с инструментами для стандартизации данных, ретроспективного анализа и анализа в реальном времени, исследований, снижения рисков и упрощения рабочих процессов. Это помогает больницам экономить массу драгоценного времени.
  • IBM Watson Health — это дочерняя компания IBM, разработавшая решения на основе ИИ, использующие почти все рассмотренные выше технологии. Они помогают больницам использовать ИИ для принятия решений в 9 из 10 лучших больниц США.
  • Компания Оукин создала диагностический инструмент, который помогает патологоанатомам определять риск рецидива у пациентов с раком молочной железы, позволяя врачам создавать оптимальные планы лечения по мере того, как они получают больше информации о результатах лечения пациентов.
  • NVIDIA Clara предоставляет инструменты искусственного интеллекта, специально предназначенные для исследователей. Они предназначены для ускорения открытия лекарств и поддерживают миссии других биотехнологических компаний.

Переход от исследования и моделирования к фактической поставке продукта, который используется в больницах, — это очень долгий путь. Даже после того, как научные проблемы были преодолены, необходимо преодолеть множество юридических и финансовых барьеров, прежде чем эти инструменты можно будет использовать. Во многом это связано с очень строгими правилами в отношении здравоохранения в сочетании с отсутствием существующих правовых рамок в отношении ИИ.

Это еще одна причина, по которой биотехнологические компании очень капиталоемкие, поскольку может потребоваться много лет работы, прежде чем они начнут получать доход от своей продукции. Несмотря на то, что большинство этих компаний, скорее всего, потерпят неудачу, венчурные капиталисты продолжают вкладывать миллиарды в биотехнологические компании, поскольку риск может стоить вознаграждения.

Следующие шаги и проблемы

Эти продукты — только начало и служат примером масштабных изменений, которые нас ждут. Хотя большинство вовлеченных людей очень рады грядущим инновациям, важно действовать осторожно и задавать некоторые сложные вопросы, поскольку интеграция ИИ в повседневные процессы становится новой нормой в больницах и клинических испытаниях.

Поскольку эти модели опираются на данные, в игру вступают вопросы биоэтики об источнике и использовании данных.

  • Кому принадлежат данные?

Сбор больших объемов персональных данных системами ИИ вызывает опасения по поводу конфиденциальности и безопасности данных. Технологии сохранения конфиденциальности, такие как Федеративное обучение, были предложены в качестве решения для смягчения этой проблемы, но вопрос использования данных пациентов для ИИ до сих пор полностью не решен.

  • Предвзятость и дискриминация

Алгоритмы ИИ могут увековечивать существующие погрешности в обучающих данных, что приводит к предвзятым результатам и решениям, которые нельзя обобщить. Лечение может быть оптимизировано для подмножеств населения.

  • Кто несет ответственность?

Непонятно, кто будет нести ответственность, если что-то пойдет не так. Это важный вопрос, поскольку решения, принимаемые этими моделями, имеют огромные последствия. Будут ли нести ответственность больницы или те, кто стоит за фактическими продуктами?

По мере того, как ИИ продвигается вперед и проникает во все аспекты системы здравоохранения, большое внимание уделяется здравоохранению с открытым исходным кодом, чтобы помочь установить стандарты и обеспечить сотрудничество. Технологии, обеспечивающие совместную работу, важны, поскольку они позволяют ученым и врачам восполнить пробел в знаниях и работать вместе, чтобы максимизировать свою производительность.

Тем не менее, это очень захватывающее время для человека, поскольку мы можем ожидать значительных изменений парадигмы в течение следующего десятилетия. Некоторые исследователи, такие как Дэвид Синклер из Гарварда, даже используют ИИ для решения проблемы старения.

ИСПОЛЬЗОВАННАЯ ЛИТЕРАТУРА:

https://www.mckinsey.com/industries/life-sciences/our-insights/what-are-the-biotech-investment-themes-that-will-shape-the-industry

https://vial.com/blog/articles/drug-development-lifecycle/

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6716335/

https://www.ge.com/news/reports/software-please-doctors-looking-ai-speed-diagnosis

https://anolytics.home.blog/2020/07/20/what-are-the-medical-data-sets-that-i-can-use-to-train-ai-for-medical-diagnosis/