Max Home IndustryВ прошлом месяце Nvidia обнародовала планы по созданию суперкомпьютера, предназначенного для исследований искусственного интеллекта в здравоохранении. Это побуждает нас взглянуть на потенциальную роль ИИ в здравоохранении и на то, как он уже используется.
Обновление: Nvidia любезно указала на некоторые неточности в нашем исходном отчете, которые теперь исправлены. Основное существенное изменение заключается в том, что Nvidia в настоящее время производит два компьютера — один на базе Arm в Кембридже и суперкомпьютер Cambridge-1, который будет расположен в технологическом коридоре Кембридж-Лондон и, как ожидается, будет установлен к первому кварталу 2021 года.
В связи с пандемией стали ясны две вещи. Во-первых, необходима сильная, национальная и общедоступная система общественного здравоохранения, а во-вторых, расходы на продвижение исследований в области медицины и здравоохранения должны быть главным приоритетом как для национальных государств, так и для частного сектора.
В последнем случае основное внимание уделяется ИИ. Например, если бы существующий ИИ был более продвинутым, то, возможно, для создания вакцины Covid потребовалось бы гораздо меньше средств, чтобы спасти тысячи жизней.
Nvidia, которая в сентябре объявила, что платит 40 миллиардов долларов британскому производителю микросхем ARM, базирующемуся в Кембридже, делает именно такие инвестиции — строит в Кембридже суперкомпьютер на базе Arm стоимостью 52 миллиона долларов (40 миллионов фунтов стерлингов). Вдобавок к этому Nvidia строит суперкомпьютер «Кембридж-1», который будет расположен в технологическом коридоре Кембридж-Лондон и должен быть введен в эксплуатацию к первому кварталу 2021 года. Показывает ли схема именования, что там также будет « Кембридж-2 »и так далее? Это вполне могло быть так, учитывая, что, как говорят, приобретение было вызвано намерением NVIDIA разработать платформу для центров обработки данных, ориентированную на искусственный интеллект.
Новый суперкомпьютер будет доступен исследователям и учреждениям, в первую очередь нескольким лондонским больницам, Королевскому колледжу, AstraZeneca, GlaxoSmithKline и Oxford Nanopore, для приложений здравоохранения и открытия лекарств, включая исследования, связанные с Covid.
Текущее состояние ИИ в медицинских исследованиях
Сначала давайте проясним, что ИИ не является полностью автономным, и ему нельзя доверять самим принимать решения, поскольку он преобладает над человеческими врачами. Как таковая, она пока не уничтожит радиологов и другие медицинские работники. Это почему?
Возьмем, к примеру, SkinVision, мобильное приложение, которое, сфотографировав родинку, может определить, злокачественная она или нет. Постановка неверного диагноза, неверная интерпретация злокачественной родинки как доброкачественной, может иметь тяжелые последствия. Но и обратное не лишено недостатков. Это вызовет непрошенный стресс у пользователей и превратит их в армию псевдопольных, которые будут стучаться в дверь их уже сгоревшего практикующего.
Чтобы такой алгоритм ИИ был успешным, крайне важно иметь возможность копировать действия врача. Другими словами, он должен уметь действовать как врач, используя свои знания:
Алгоритм проверяет наличие неровностей цвета, текстуры и формы поражения. Он указывает, какие пятна на коже следует отслеживать с течением времени, и дает индикацию низкого, среднего или высокого риска в течение 30 секунд.
Но поскольку мы все еще не можем полностью доверять самому алгоритму, вмешательство врача все еще необходимо, чтобы вручную проверить результаты. Таким образом, алгоритм дополняет врача, но не заменяет его:
Наши дерматологи осуществляют постоянный контроль качества оценок, оценивая результаты оценки рисков на основе своего профессионального опыта. Все фотографии, относящиеся к группе высокого риска, получают от наших врачей дополнительную личную консультацию о дальнейших действиях, которые необходимо предпринять в течение двух рабочих дней, с указанием, следует ли им расслабиться, продолжить наблюдение за поражением или немедленно обратиться за медицинской помощью.
Но почему необходимо слепо доверять алгоритму, чтобы диагностика была автономной?
Во всем мире системы здравоохранения сталкиваются с проблемой роста населения, увеличения числа случаев рака кожи и нехватки ресурсов. Мы считаем, что такие технологии, как наша, становятся все более интегрированными в систему здравоохранения, чтобы гарантировать, что те, кто нуждается в лечении, будут осведомлены о нем, и чтобы те, у кого есть необоснованные опасения, не отнимали драгоценное время и ресурсы. Эта интеграция не только сэкономит деньги, но и будет иметь жизненно важное значение для снижения уровня смертности из-за более ранней диагностики и поможет в дальнейшем расширении специализации.
Скептики 4-й промышленной революции сказали бы, что машины заменят врачей. Но не об этом; на самом деле речь идет об автоматизации процесса диагностики, чтобы его можно было сделать быстрее и охватить больше. Или, как сказал New York Times Дерек Лоу, давний исследователь открытий новых лекарств:
Дело не в том, что машины заменят химиков. Дело в том, что химики, использующие машины, заменят тех, кто этого не делает.
С другой стороны, почему бы также не позволить ИИ изменить ситуацию с пандемическим выгоранием врачей?
Почти половина из 10 миллионов врачей в мире имели симптомы выгорания, включая эмоциональное истощение, межличностное разобщение и низкое чувство собственного достоинства. Это продолжает негативно влиять на качество медицинской помощи и сокращать продолжительность жизни врача.
Это ужасная ситуация, которую можно несколько исправить, применив ИИ:
мы ожидаем, что искусственный интеллект значительно снизит административную нагрузку и улучшит опыт работы медицинских специалистов в будущем.
С другой стороны, «можем ли мы доверять решению, если мы не понимаем факторов, которые повлияли на него?»
Чтобы врач пришел к диагностическому заключению, он должен учитывать несколько факторов. Например, типичный клинический отчет может включать такую информацию, как:
в верхнем наружном квадранте груди появляется образование неправильной формы с микрокальцификацией. Результаты соответствуют злокачественному новообразованию.
Неравномерная масса и микрокальцификация — это факторы, которые побудили врача сделать вывод о злокачественных новообразованиях. Сравнивая с нейронной сетью, можем ли мы наблюдать, какие факторы и в какой степени (вес) были приняты во внимание, чтобы NN пришла к своим собственным выводам?
Наиболее распространенный подход к объяснению того, что модель ищет при принятии решения, — это создание визуализации определенных функций, которые она обнаруживает. Каждый нейрон в нейронной сети изучает определенный фильтр, детектор признаков, который реагирует на определенный паттерн в изображениях. Галлюцинации — это визуализация самих признаков, то, что ищет каждый нейрон в модели.
Но когда дело доходит до объяснений с помощью этих методов, возникает огромная проблема; вам все еще нужно интерпретировать получаемые картинки, но не совсем очевидно, каковы ключевые элементы решений.
То есть, несмотря на все усилия, все еще слишком сложно понять, как машина думает, и проверить это тоже.
С учетом этих предостережений давайте взглянем на некоторые из текущих приложений ИИ в здравоохранении.
Сортировка вирусов с помощью машинного обучения
Исследователи из Японии продемонстрировали новую систему для идентификации обычных респираторных патогенов с помощью одного вириона с использованием алгоритма машинного обучения, обученного изменениям тока через кремниевые нанопоры. Эта работа может привести к быстрым и точным скрининговым тестам на такие заболевания, как COVID-19 и грипп.
Модель искусственного интеллекта выявляет бессимптомные инфекции Covid-19 через кашель, записанный на мобильный телефон
Модель искусственного интеллекта, которая отличает бессимптомных людей от здоровых людей с помощью записей принудительного кашля, которые люди добровольно отправляют через веб-браузеры и устройства, такие как мобильные телефоны и ноутбуки.
IBM и Pfizer заявляют, что искусственный интеллект может предсказать начало болезни Альцгеймера с точностью 71%
Исследователи Pfizer и IBM утверждают, что разработали метод машинного обучения, который может предсказать болезнь Альцгеймера за годы до появления симптомов. Анализируя небольшие образцы языковых данных, полученных в результате клинических вербальных тестов, команда утверждает, что их подход достиг точности 71% при тестировании на группе когнитивно здоровых людей.
Роль искусственного интеллекта в лечении рака
С тех пор, как в 1997 году Ритуксимаб был одобрен Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов, на рынке было представлено более 40 целевых препаратов. Но они покрывают только дюжину целей. Количество генов, вызывающих рак, исчисляется тысячами, поэтому лекарств не хватает. Ученые выдвинули идею «разработки новых возможностей лечения с помощью старых лекарств». Например, неудавшийся химиотерапевтический препарат азидотимидин также использовался для лечения ВИЧ-инфекции. Часто используемые лекарства также могут действовать на цели рака.
Чтобы сопоставить лекарство и цель, обычно необходимо снова и снова тестировать путем экспериментов. Благодаря увеличению вычислительной мощности и машинного обучения появилась новая возможность в решении этой проблемы, то есть замена естественнонаучного процесса случайного открытия алгоритмами. С помощью определенного алгоритма платформа может сопоставить более 1400 одобренных FDA лекарств с примерно 10 000 потенциальных целей.
Машинное обучение открывает новые потенциальные противотуберкулезные препараты
Вычислительный метод скрининга лекарственных соединений может помочь предсказать, какие из них лучше всего работают против туберкулеза или других заболеваний.
Модель машинного обучения помогает характеризовать соединения для открытия новых лекарств
Новаторы Университета Пердью создали новый метод применения концепций машинного обучения к процессу тандемной масс-спектрометрии, чтобы улучшить поток информации при разработке новых лекарств.
Университет Миннесоты разрабатывает алгоритм искусственного интеллекта для анализа рентгеновских снимков грудной клетки на COVID-19
Когда пациент поступает в отделение неотложной помощи с подозрением на симптомы COVID-19, врачи назначают рентген грудной клетки как часть стандартного протокола. Алгоритм автоматически оценивает рентгеновский снимок сразу после получения изображения. Если алгоритм распознает закономерности, связанные с COVID-19, на рентгеновском снимке грудной клетки — в течение нескольких секунд — команда медперсонала сможет увидеть в Epic, что у пациента, вероятно, есть вирус.
Использование обучения с подкреплением для персонализации МРТ-сканирования с ускорением искусственного интеллекта
Метод, использующий обучение с подкреплением для улучшения сканирования с помощью магнитно-резонансной томографии (МРТ) с ускорением ИИ. Эксперименты с использованием набора данных fastMRI, созданного NYU Langone, показывают, что наши модели значительно уменьшают ошибки реконструкции за счет динамической корректировки последовательности измерений k-пространства, процесса, известного как активное получение MRI.
А для тех, кто хочет заняться этим вопросом из ИТ-среды, есть бесплатное машинное обучение для здравоохранения от Массачусетского технологического института, которое поможет вам начать работу в полевых условиях.