Obawiasz się sztucznej inteligencji? Co jeśli ocali ci życie?

0
366

Szybkość i precyzja z jaką maszyny potrafią diagnozować chorobę jest nieporównywalna z możliwościami specjalistów. Inteligentna maszyna IBM o nazwie Watson przetwarza 30 miliardów zdjęć medycznych wspierając wczesną diagnozę i leczenie nowotworów. Analiza danych genetycznych umożliwia oszacowanie ryzyka wystąpienia dziedzicznych chorób, a komputerowa analiza składników leków i znajdywanie relacji między chorobą a symptomami na podstawie historycznych danych chorobowych pozyskanych od dużej liczby pacjentów, pozwala na bardziej spersonalizowane leczenie. Medycyna precyzyjna i analityka predykcyjna to nie tylko automatyzacja diagnozy. To przede wszystkim szansa na zwiększenie prewencji, a także skuteczniejszą terapię, w tym także skomplikowanych w leczeniu i rzadkich chorób.

Patomorfolog dziennie analizuje tysiące obrazów tkanek pacjentów. W każdym fragmencie obrazu może znajdować się ledwo uchwytny przejaw patologii świadczącej o chorobie. Lekarze na podstawie tego wyniku często opierają decyzję o leczeniu (lub jego braku). Tymczasem trafność diagnoz dla jednego najczęściej występujących nowotworów (raka piersi) wynosi 73%. Tam, gdzie ludzkie możliwości są ograniczone, z pomocą przychodzi sztuczna inteligencja (AI). GoogLeNet AI nauczyła się rozpoznawać nowotwór złośliwy piersi na podstawie tysiąca obrazów medycznych dostarczonych przez holenderski uniwersytet. Trafność diagnoz wynosiła 89% zatem były one bardziej precyzyjne niż rozpoznanie postawione przez człowieka. Mimo, że to jednak wciąż nie 100%, sztuczna inteligencja staje się coraz doskonalsza z każdą iteracją i w miarę jak dostarczamy jej więcej danych (zupełnie inaczej niż w przypadku człowieka, kiedy zbyt duża ilość informacji utrudnia wyłuskanie tych istotnych dla podjęcia decyzji). Z wykorzystaniem algorytmu o którym mowa, przypadki potencjalnie zagrożone rozwojem nowotworu zostały oflagowane dając lekarzom możliwość wstępnej diagnozy i zajęcia się tylko tymi przypadkami, co do których rokowania nie wypadły pomyślnie.

Bardziej spektakularne wyniki osiągnięto z wykorzystaniem wspomnianego komputera Watson, który po przeanalizowaniu danych medycznych 1000 pacjentów chorujących na raka, opracował plan leczenia w 99% zgodny z zaleceniami onkologów. Co więcej, dla około 30% przypadków komputer dostarczył dodatkowych zaleceń, tzn. ponad to co zarekomendowali lekarze. Było to możliwe dzięki dostępowi do najnowszych badań medycznych, do których lekarze mogli jeszcze nie dotrzeć z uwagi na to, że dziennie pojawia się tysiące nowych publikacji medycznych, a możliwości poznawcze i czas ludzki są ograniczone.

W innym przypadku, sztuczna inteligencja przeszkolona w oparciu o 16 tys. obrazów tomografii komputerowej wskazujących na objawy chorób, była w stanie stwierdzić z 69% dokładnością czy pacjent umrze w ciągu 5 lat. Nie chodzi tu o prognozowanie śmierci, a o skuteczność przewidywania stanu zdrowia pacjenta. Artetys wykorzystuje przetwarzanie chmurowe i głębokie uczenie (deep learning) do analizowania tysiąca obrazów z rezonansu magnetycznego serca. Na zdjęciu z badania zaznaczane są liniami poszczególne części serca – na podstawie tego wykonywana jest następnie wizualizacja (4D Flow) umożliwiająca rozpoznanie nieprawidłowości w budowie czy przepływie krwi przez serce. Obliczenie ilości krwi transportowanej z każdym skurczem serca zajmuje około godziny lekarzowi, a tylko 15 sekund – komputerowi. Łącznie taka kompleksowa ocena serca zajmuje tylko 10 minut i pozwala na trafniejszą diagnozę anomalii. Algorytm uzyskał ostatnio akceptację Amerykańskiej Agencji ds. Żywności i Leków (Food and Drug Administration- FDA).

Na początku 2017 roku Amerykańskie Stowarzyszenie Badań nad Rakiem i grupa ośmiu międzynarodowych organizacji badawczych opublikowało ponad 19.000 danych genomowych dotyczących 59 typów raka w celu przyspieszenia badań nad spersonalizowanymi terapiami. W genomie ludzkim znajduje się ponad 3 miliardy par zasad DNA. Im więcej danych genomowych komputer przeanalizuje, tym skuteczniej będzie w stanie rozpoznać rodzaj nowotworu.

Z wykorzystaniem sztucznej inteligencji można interpretować ryzyko wystąpienia poszczególnych chorób, w tym rzadkich dziedziczonych genetycznie. Najważniejsze startupy w dziedzinie genomiki to Illumina, 23andMe, Pathway Genomics, Counsyl, Helix, Color. 23andMe była pierwsza firmą, która otrzymała zgodę Food and Drug Administration na bezpośrednią sprzedaż konsumentom testów genetycznych (direct-to-consumer tests, DCT), tj. bez konieczności skierowania od lekarza.

AI i uczenie maszynowe zmniejsza koszt i skraca czas potrzebny na prowadzenie badań medycznych oraz umożliwia szybsze odkrywanie leków. Firma Atomwise stworzyła wirtualny system analizy składników, które na poziomie komórkowym mogłyby blokować procesy chorobowe. Algorytm deep learning analizuje miliony struktur molekularnych celem dopasowania najbardziej odpowiedniej kombinacji leku działającej na daną chorobę.

CureMatch na podstawie indywidualnych danych chorobowych pacjenta jest w stanie zarekomendować optymalną dla danego typu nowotworu kombinację chemioterapeutyków. Za pomocą sztucznej inteligencji system przeprowadza analizę miliona kombinacji składników pod kątem wykluczenia niepożądanych interakcji między lekami oraz koreluje je z danymi genetycznymi, tak aby dobrać najskuteczniejsze leczenie ukierunkowane na tkankę nowotworową, minimalizujące wpływ na cały organizm.

Obecnie trwają badania czy za pomocą metodologii deep learning możliwe jest wczesne wykrywanie sepsy – głównej przyczyny zgonów pacjentów na oddziałach intensywnej terapii. Możliwości i szanse  jakie daje wykorzystanie algorytmów komputerowych w medycynie są ogromne, przy jednoczesnej oszczędności czasu i coraz mniejszym koszcie. Sztuczna inteligencja może w przyszłości nie tyle zastąpić lekarzy, ale raczej wykluczyć tych, którzy nie używają jej jako narzędzia wsparcia w swojej pracy.

Źródła: