Watson hat den Arzt nicht gebissen, und zwar sehr gut

Obwohl, wie in vielen anderen Bereichen, die Begeisterung, Ärzte durch KI zu ersetzen, nach einer Reihe diagnostischer Misserfolge etwas nachgelassen hat, wird an der Entwicklung der KI-basierten Medizin weiter gearbeitet. Denn sie bieten dennoch große Chancen und eine Chance, die Effizienz des Betriebs in vielen seiner Bereiche zu verbessern.

IBM wurde 2015 angekündigt und erhielt 2016 Zugang zu Daten von vier großen Patientendatenunternehmen (1). Das dank zahlreicher Medienberichte bekannteste und gleichzeitig ehrgeizigste Projekt mit fortschrittlicher künstlicher Intelligenz von IBM bezog sich auf die Onkologie. Wissenschaftler haben versucht, die riesigen Datenressourcen zu nutzen, um sie zu verarbeiten, um sie in gut angepasste Krebstherapien umzuwandeln. Langfristiges Ziel war es, Watson zum Schiedsrichter zu bringen klinische Versuche und Ergebnisse, wie es ein Arzt tun würde.

1. Eine der Visualisierungen des medizinischen Systems von Watson Health

Das hat sich aber herausgestellt Watson kann nicht selbstständig auf medizinische Literatur zurückgreifen und kann auch keine Informationen aus elektronischen Krankenakten von Patienten extrahieren. Der schwerste Vorwurf gegen ihn war jedoch der Unfähigkeit, einen neuen Patienten effektiv mit anderen älteren Krebspatienten zu vergleichen und Symptome zu erkennen, die auf den ersten Blick unsichtbar sind.

Es gab zugegebenermaßen einige Onkologen, die behaupteten, seinem Urteil zu vertrauen, wenn auch meist in Bezug auf Watsons Vorschläge für Standardbehandlungen oder als zusätzliche, zusätzliche medizinische Meinung. Viele haben darauf hingewiesen, dass dieses System eine großartige automatisierte Bibliothek für Ärzte sein wird.

Aufgrund nicht sehr schmeichelhafter Bewertungen von IBM Probleme mit dem Verkauf des Watson-Systems in US-amerikanischen medizinischen Einrichtungen. IBM-Vertriebsmitarbeitern gelang es, es an einige Krankenhäuser in Indien, Südkorea, Thailand und anderen Ländern zu verkaufen. In Indien bewerteten Ärzte () Watsons Empfehlungen für 638 Fälle von Brustkrebs. Die Compliance-Rate für Behandlungsempfehlungen liegt bei 73 %. Schlimmer Watson brach am Gachon Medical Center in Südkorea ab, wo seine besten Empfehlungen für 656 Darmkrebspatienten nur in 49 Prozent der Fälle mit den Empfehlungen von Experten übereinstimmten. Das haben Ärzte beurteilt Watson kam mit älteren Patienten nicht gut zurechtindem sie ihnen bestimmte Standardmedikamente nicht anboten und den entscheidenden Fehler machten, bei einigen Patienten mit metastasierenden Erkrankungen eine aggressive Behandlungsüberwachung durchzuführen.

Auch wenn seine Arbeit als Diagnostiker und Arzt als erfolglos gilt, so gibt es doch Bereiche, in denen er sich als äußerst nützlich erwiesen hat. Produkt Watson für Genomik, das in Zusammenarbeit mit der University of North Carolina, der Yale University und anderen Institutionen entwickelt wurde, verwendet Genlabors zur Erstellung von Berichten für Onkologen. Watson lädt die Listendatei herunter genetische Mutationen bei einem Patienten und kann in wenigen Minuten einen Bericht erstellen, der Vorschläge für alle wichtigen Medikamente und klinischen Studien enthält. Watson geht relativ leicht mit genetischen Informationen umweil sie in strukturierten Dateien präsentiert werden und keine Mehrdeutigkeiten enthalten - entweder gibt es eine Mutation oder es gibt keine Mutation.

IBM-Partner an der University of North Carolina veröffentlichten 2017 ein Papier zum Thema Effizienz. Watson fand bei 32 % von ihnen potenziell wichtige Mutationen, die in Studien am Menschen nicht identifiziert worden waren. Patienten untersucht, was sie zu guten Kandidaten für das neue Medikament macht. Es gibt jedoch noch keine Hinweise darauf, dass die Anwendung zu besseren Behandlungsergebnissen führt.

Domestizierung von Proteinen

Dieses und viele andere Beispiele tragen zu der wachsenden Überzeugung bei, dass alle Mängel in der Gesundheitsversorgung angegangen werden, aber wir müssen nach Bereichen suchen, in denen dies wirklich helfen kann, da es den Menschen dort nicht sehr gut geht. Ein solches Feld ist bspw. Proteinforschung. Letztes Jahr tauchten Informationen auf, dass es die Form von Proteinen basierend auf ihrer Sequenz genau vorhersagen könnte (2). Dies ist eine traditionelle Aufgabe, die nicht nur von Menschen, sondern sogar von leistungsstarken Computern überfordert wird. Wenn wir die genaue Modellierung der Verdrehung von Proteinmolekülen beherrschen, ergeben sich enorme Möglichkeiten für die Gentherapie. Wissenschaftler hoffen, dass wir mit Hilfe von AlphaFold die Funktionen von Tausenden untersuchen werden, und dies wiederum wird es uns ermöglichen, die Ursachen vieler Krankheiten zu verstehen.

Abbildung 2. Proteinverdrehung, modelliert mit DeepMinds AlphaFold.

im Moment Wir kennen zweihundert Millionen Proteine, aber wir verstehen die Struktur und Funktion eines kleinen Teils von ihnen vollständig. Proteine es ist der Grundbaustein lebender Organismen. Sie sind für die meisten Prozesse verantwortlich, die in Zellen ablaufen. Wie sie funktionieren und was sie tun, wird durch ihre 50D-Struktur bestimmt. Sie nehmen die entsprechende Form ohne Anweisungen an, geleitet von den Gesetzen der Physik. Experimentelle Methoden sind seit Jahrzehnten die Hauptmethode zur Bestimmung der Form von Proteinen. In den XNUMXer Jahren die Verwendung Röntgenkristallographische Methoden. In den letzten zehn Jahren hat es sich zum Forschungsinstrument der Wahl entwickelt Kristallmikroskopie. In den 80er und 90er Jahren begann man damit, mit Computern die Form von Proteinen zu bestimmen. Die Ergebnisse stellten die Wissenschaftler jedoch noch nicht zufrieden. Methoden, die bei einigen Proteinen funktionierten, funktionierten bei anderen nicht.

Bereits 2018 AlphaFold erhielt Anerkennung von Experten in Proteinmodellierung. Zu dieser Zeit verwendete es jedoch Methoden, die anderen Programmen sehr ähnlich waren. Die Wissenschaftler änderten die Taktik und entwickelten eine andere, die ebenfalls Informationen über die physikalischen und geometrischen Einschränkungen bei der Faltung von Proteinmolekülen nutzte. AlphaFold gab uneinheitliche Ergebnisse. Mal ging es ihm besser, mal schlechter. Aber fast zwei Drittel seiner Vorhersagen stimmten mit den Ergebnissen der experimentellen Methoden überein. Zu Beginn des zweiten Jahres beschrieb der Algorithmus die Struktur mehrerer Proteine ​​des SARS-CoV-2-Virus. Später wurde festgestellt, dass die Vorhersagen für das Orf3a-Protein mit den experimentell erhaltenen Ergebnissen übereinstimmen.

Es geht nicht nur darum, die internen Wege der Faltung von Proteinen zu untersuchen, sondern auch um das Design. Forscher der NIH BRAIN-Initiative verwendet maschinelles Lernen ein Protein entwickeln, das den Serotoninspiegel im Gehirn in Echtzeit verfolgen kann. Serotonin ist eine Neurochemikalie, die eine Schlüsselrolle dabei spielt, wie das Gehirn unsere Gedanken und Gefühle steuert. Beispielsweise sind viele Antidepressiva so konzipiert, dass sie die Serotoninsignale verändern, die zwischen Neuronen übertragen werden. In einem Artikel in der Zeitschrift Cell haben Wissenschaftler beschrieben, wie sie advanced gentechnische Methoden ein bakterielles Protein in ein neues Forschungsinstrument umzuwandeln, das dabei helfen könnte, die Serotoninübertragung mit größerer Genauigkeit als aktuelle Methoden zu verfolgen. Präklinische Experimente, hauptsächlich an Mäusen, haben gezeigt, dass der Sensor geringfügige Veränderungen des Serotoninspiegels im Gehirn während des Schlafs, bei Angst und bei sozialen Interaktionen sofort erkennen und die Wirksamkeit neuer psychoaktiver Medikamente testen kann.

Der Kampf gegen die Pandemie war nicht immer erfolgreich

Immerhin war dies die erste Epidemie, über die wir in MT geschrieben haben. Wenn wir jedoch beispielsweise über den eigentlichen Entwicklungsprozess der Pandemie sprechen, dann schien die KI in der Anfangsphase so etwas wie ein Fehlschlag zu sein. Das haben Wissenschaftler bemängelt künstliche Intelligenz kann das Ausmaß der Ausbreitung des Coronavirus anhand von Daten früherer Epidemien nicht korrekt vorhersagen. „Diese Lösungen funktionieren in manchen Bereichen gut, etwa beim Erkennen von Gesichtern, die eine bestimmte Anzahl von Augen und Ohren haben. SARS-CoV-2-Epidemie Dies sind bisher unbekannte Ereignisse und viele neue Variablen, sodass künstliche Intelligenz auf der Grundlage der historischen Daten, mit denen sie trainiert wurde, nicht gut funktioniert. Die Pandemie hat gezeigt, dass wir nach anderen Technologien und Ansätzen suchen müssen“, sagte Maxim Fedorov von Skoltech in einer Erklärung vom April 2020 gegenüber den russischen Medien.

Im Laufe der Zeit gab es jedoch Algorithmen, die den großen Nutzen von KI im Kampf gegen COVID-19 zu beweisen scheinen. Wissenschaftler in den USA haben im Herbst 2020 ein System entwickelt, um charakteristische Hustenmuster bei Menschen mit COVID-19 zu erkennen, auch wenn sie keine anderen Symptome hatten.

Als Impfstoffe auftauchten, wurde die Idee geboren, die Bevölkerung zu impfen. Sie könnte z helfen, den Transport und die Logistik von Impfstoffen zu modellieren. Auch bei der Bestimmung, welche Bevölkerungsgruppen zuerst geimpft werden sollten, um die Pandemie schneller zu bewältigen. Es würde auch helfen, die Nachfrage zu prognostizieren und den Zeitpunkt und die Geschwindigkeit der Impfung zu optimieren, indem Probleme und Engpässe in der Logistik schnell erkannt werden. Die Kombination von Algorithmen mit kontinuierlichem Monitoring kann zudem schnell Aufschluss über mögliche Nebenwirkungen und gesundheitliche Ereignisse geben.

diese Systeme mit KI bei der Optimierung und Verbesserung der Gesundheitsversorgung sind bereits bekannt. Ihre praktischen Vorteile wurden geschätzt; zum Beispiel das von Macro-Eyes an der Stanford University in den USA entwickelte Gesundheitssystem. Wie in vielen anderen medizinischen Einrichtungen war das Problem der Mangel an Patienten, die nicht zu Terminen erschienen. Makro-Augen baute ein System, das zuverlässig vorhersagen konnte, welche Patienten wahrscheinlich nicht da sein würden. In einigen Situationen könnte er auch alternative Zeiten und Orte für Kliniken vorschlagen, was die Wahrscheinlichkeit erhöhen würde, dass ein Patient auftaucht. Später wurde eine ähnliche Technologie an verschiedenen Orten von Arkansas bis Nigeria mit Unterstützung insbesondere der US-Agentur für internationale Entwicklung i.

In Tansania arbeitete Macro-Eyes an einem Projekt, das darauf abzielte Erhöhung der Kinderimpfraten. Die Software analysierte, wie viele Impfstoffdosen an ein bestimmtes Impfzentrum geschickt werden mussten. Er konnte auch einschätzen, welche Familien möglicherweise zögern, ihre Kinder zu impfen, aber mit entsprechenden Argumenten und dem Standort eines Impfzentrums in günstiger Lage überzeugen konnten. Mithilfe dieser Software konnte die tansanische Regierung die Wirksamkeit ihres Impfprogramms um 96 % steigern. und Reduzierung der Impfstoffabfälle auf 2,42 pro 100 Personen.

In Sierra Leone, wo Gesundheitsdaten der Einwohner fehlten, versuchte das Unternehmen, diese mit Informationen über Bildung abzugleichen. Es stellte sich heraus, dass allein die Zahl der Lehrer und ihrer Schüler ausreichte, um 70 Prozent vorherzusagen. die Genauigkeit, ob das örtliche Gesundheitszentrum Zugang zu sauberem Wasser hat, was bereits ein Fußabdruck von Daten über die Gesundheit der dort lebenden Menschen ist (3).

3. Macro-Eyes-Darstellung von KI-gesteuerten Gesundheitsprogrammen in Afrika.

Der Mythos des Maschinendoktors verschwindet nicht

Trotz Misserfolgen Watson neue diagnostische Ansätze werden noch entwickelt und gelten als immer weiter fortgeschritten. Vergleich in Schweden im September 2020. in der bildgebenden Diagnostik von Brustkrebs eingesetzt zeigte, dass die Besten von ihnen wie ein Radiologe arbeiten. Die Algorithmen wurden anhand von fast neuntausend Mammographiebildern getestet, die während des Routinescreenings gewonnen wurden. Drei Systeme, bezeichnet als AI-1, AI-2 und AI-3, erreichten eine Genauigkeit von 81,9 %, 67 %. und 67,4 %. Zum Vergleich: Für Radiologen, die diese Bilder als erste interpretieren, betrug diese Zahl 77,4 %, und im Fall von Radiologenwer es als Zweiter beschrieb, waren es 80,1 Prozent. Der beste Algorithmus war auch in der Lage, Fälle zu erkennen, die Radiologen beim Screening übersehen hatten, und Frauen wurden in weniger als einem Jahr als krank diagnostiziert.

Laut den Forschern belegen diese Ergebnisse das Algorithmen der künstlichen Intelligenz helfen, falsch-negative Diagnosen von Radiologen zu korrigieren. Die Kombination der Fähigkeiten von AI-1 mit einem durchschnittlichen Radiologen erhöhte die Anzahl der erkannten Brustkrebserkrankungen um 8 %. Das Team des Royal Institute hinter dieser Studie geht davon aus, dass sich die Qualität der KI-Algorithmen weiter verbessern wird. Eine vollständige Beschreibung des Experiments wurde in JAMA Oncology veröffentlicht.

W auf einer fünfstufigen Skala. Derzeit erleben wir eine deutliche technologische Beschleunigung und erreichen das IV-Level (Hochautomatisierung), wenn das System die empfangenen Daten selbstständig automatisch verarbeitet und dem Spezialisten voranalysierte Informationen zur Verfügung stellt. Das spart Zeit, vermeidet menschliche Fehler und sorgt für eine effizientere Patientenversorgung. So hat er vor ein paar Monaten geurteilt Stan A.I. im bereich der medizin in seiner nähe, prof. Janusz Braziewicz von der Polnischen Gesellschaft für Nuklearmedizin in einer Erklärung gegenüber der Polnischen Presseagentur.

4. Maschinelles Betrachten medizinischer Bilder

Algorithmen, so Experten wie Prof. Brazievichsogar unverzichtbar in dieser Branche. Grund ist die rasante Zunahme der Zahl diagnostischer Bildgebungsverfahren. Nur für den Zeitraum 2000-2010. die Zahl der MRT-Untersuchungen und Untersuchungen hat sich verzehnfacht. Leider hat sich die Zahl der verfügbaren Fachärzte, die sie schnell und zuverlässig durchführen könnten, nicht erhöht. Es fehlt auch an qualifizierten Technikern. Die Implementierung von KI-basierten Algorithmen spart Zeit und ermöglicht eine vollständige Standardisierung von Verfahren sowie die Vermeidung menschlicher Fehler und effizientere, personalisierte Behandlungen für Patienten.

Wie sich herausstellte, auch forensische Medizin profitieren können Entwicklung der künstlichen Intelligenz. Spezialisten auf diesem Gebiet können den genauen Todeszeitpunkt des Verstorbenen durch chemische Analyse der Sekrete von Würmern und anderen Lebewesen bestimmen, die sich von totem Gewebe ernähren. Ein Problem entsteht, wenn Mischungen von Sekreten verschiedener Arten von Nekrophagen in die Analyse einbezogen werden. Hier kommt maschinelles Lernen ins Spiel. Das haben Wissenschaftler der University of Albany entwickelt eine Methode der künstlichen Intelligenz, die eine schnellere Identifizierung von Wurmarten ermöglicht anhand ihres "chemischen Fingerabdrucks". Das Team trainierte sein Computerprogramm mit Mischungen aus verschiedenen Kombinationen chemischer Sekrete von sechs Fliegenarten. Er entschlüsselte die chemischen Signaturen von Insektenlarven mithilfe der Massenspektrometrie, die Chemikalien identifiziert, indem sie das Verhältnis von Masse zu elektrischer Ladung eines Ions genau misst.

Also, wie man aber sieht KI als investigativer Detektiv nicht sehr gut, es kann in einem forensischen Labor sehr nützlich sein. Vielleicht haben wir zu diesem Zeitpunkt zu viel von ihr erwartet und Algorithmen erwartet, die Ärzte arbeitslos machen würden (5). Wenn wir uns anschauen künstliche Intelligenz Realistischer betrachtet sieht ihre Karriere in der Medizin wieder sehr vielversprechend aus, da sie sich eher auf den konkreten praktischen Nutzen als auf den allgemeinen konzentriert.

5. Vision des Arztwagens