Azken ikerketek adimen artifizialaren sistemek gaixotasun garrantzitsuak medikoki diagnostikatzeko duten gaitasuna erakutsi dute
Adimen Artifizialaren (AI) sistemak denbora dezente egon dira eta orain gero eta adimentsuak eta hobeak dira denborarekin. AI aplikazioak arlo ugari ditu eta gaur egun eremu gehienetan parte hartzen du. AI osagai ezinbesteko eta erabilgarria izan daiteke mediku zientzia eta ikerketa osasungintzan eragina izateko potentzial izugarria baitu.
Adimen artifiziala diagnostiko medikoan?
Denbora da osasungintzan baliabiderik baliotsuena eta diagnostiko egokia goiztiarra oso garrantzitsua da gaixotasun baten azken emaitza lortzeko. Osasun-laguntza prozesu luzea eta denbora eta baliabideak kontsumitzen dituena izaten da, diagnostiko eraginkorra atzeratzen du eta, aldi berean, tratamendu egokia atzeratzen du. AI medikuek erabilgarritasunaren eta denboraren kudeaketaren arteko hutsunea betetzen lagun dezake pazienteen diagnostikoan abiadura eta zehaztasuna txertatuz. Baliabideen eta osasun arloko profesionalen mugak gainditzen lagun dezake, batez ere errenta baxuko eta ertaineko herrialdeetan. AI bezalakoa ikasteko eta pentsatzeko prozesu bat da gizakiak deep-learning izeneko kontzeptuaren bidez. Deep learning-ek lagin-datu multzo zabalak erabiltzen ditu erabaki-zuhaitzak sortzeko. Ikaskuntza sakon honekin, AI sistema batek gizakiak bezala pentsa dezake, hobeto ez bada, eta, beraz, AI osasun-zereginak burutzeko egokitzat jo daiteke. Pazienteak diagnostikatzeko orduan, AI sistemek gaixotasun berdinak dituzten pazienteen artean ereduak bilatzen jarraitzen dute. Denborak aurrera egin ahala, eredu horiek gaixotasunak agertu baino lehen aurreikusteko oinarri bat eraiki dezakete.
Azken azterketa batean1 argitaratu Cell, erabili dute ikertzaileek artifiziala adimen eta ikaskuntza automatikoko teknikak tresna konputazional berri bat garatzeko, erretinako gaixotasun arruntak baina itsutzaileak dituzten pazienteak aztertzeko, diagnostikoak eta tratamenduak bizkortuz. Ikertzaileek AI-n oinarritutako neurona-sare bat erabili zuten erretinatik argia errebotatzen duen teknologia ez-inbaditzaile batekin egindako 200,000 begi-eskaera baino gehiago berrikusteko, ehunen 2D eta 3D irudikapenak sortzeko. Ondoren, 'transfer learning' izeneko teknika erabili zuten, arazo bat ebazteko lortutako ezagutza ordenagailu batek gorde eta arazo ezberdinetan baina erlazionatuta aplikatzen den. Adibidez, begiaren egitura anatomiko diskretuak ezagutzeko optimizatutako AI sare neuronal batek, hala nola erretina, kornea edo nerbio optikoa, azkarrago eta eraginkorrago identifikatu eta ebalua ditzake begi oso baten irudiak aztertzen ari denean. Prozesu honi esker, AI sistemak pixkanaka-pixkanaka datu multzo txikiago batekin ikastea ahalbidetzen du metodo tradizionalak baino datu-multzo handiak behar dituztenak, garestiak eta denbora eskatzen dutenak.
Ikerketa itzulezina den itsutasunaren bi arrazoi arruntetan zentratu zen, zeinak goiz detektatzen direnean tratagarriak diren. Makinaz eratorritako diagnostikoak miaketa berdinak berrikusi zituzten bost oftalmologoren diagnostikoekin alderatu ziren. Diagnostiko mediko bat egiteaz gain, AI plataformak erreferentzia eta tratamendu gomendio bat ere sortu zuen, aurreko ikerketan egin ez dena. Prestatutako AI sistema honek ondo trebatutako oftalmologo baten antzera jokatzen zuen eta 30 segundoko epean erabaki bat sor zezakeen pazientea tratamendura bidali behar den ala ez, ehuneko 95eko zehaztasunarekin. Haurtzaroko pneumonia diagnostikatzeko AI tresna ere probatu dute, mundu osoan haurren heriotza-kausa nagusia (5 urtetik beherakoak), bularreko X izpien makinaz egindako analisietan oinarrituta. Interesgarria da programa informatikoak biralak eta bereizteko gai izan zen bakterien pneumonia ehuneko 90eko zehaztasunarekin. Hau ezinbestekoa da, izan ere, pneumonia birikoa bere ibilbidearen ondoren gorputzak modu naturalean kentzen badu ere, bakterioen pneumonia, aldiz, osasunerako mehatxu larriagoa izan ohi da eta berehalako tratamendua behar du antibiotikoekin.
Beste jauzi handi batean2 diagnostiko medikorako adimen artifizialeko sistemetan, zientzialariek aurkitu zuten gizabanako bati erretinan ateratako argazkiak ikaskuntza automatikoko algoritmoen edo softwarearen bidez azter daitezkeela bihotzeko arrisku kardiobaskularra aurreikusteko, bihotzeko gaixotasunen adierazgarri diren seinaleak identifikatuz. Argazkietan ageri den begietako odol-hodien egoerak adina, generoa, etnia, odol-presioa, aurreko edozein bihotz-erasoa eta erretzeko ohiturak zehatz-mehatz iragartzen dituela erakutsi zen eta faktore horiek guztiek gizabanako baten bihotzarekin lotutako gaixotasunak iragartzen dituzte.
Begia informazio bloke gisa
Osasuna diagnostikatzeko begiko argazkiak begiratzearen ideia aspalditik dago. Ondo egiaztatuta dago giza begien atzeko barruko hormak gorputzaren osasun orokorra islatzen duten odol-hodi asko dituela. Odol-hodi horien itxura kamera batekin eta mikroskopio batekin aztertuz eta aztertuz, pertsona baten odol-presioari, adinari, erretzaileari edo ez-erretzaileei eta abarri buruzko informazio asko aurreikus daiteke eta hauek guztiak pertsona baten bihotzaren osasunaren adierazle garrantzitsuak dira. . Gaixotasun kardiobaskularra (KVD) mundu mailan heriotza-kausa lehena da eta pertsona gehiago hiltzen dira gaixotasun kardiobaskularrengatik beste edozein gaixotasun edo egoerarekin alderatuta. Hau errenta baxuko eta ertaineko herrialdeetan gehiago da eta zama handia da ekonomia eta gizadiarentzat. Arrisku kardiobaskularra hainbat faktoreren araberakoa da, hala nola, geneak, adina, etnia, sexua, ariketa eta dietarekin batera. Gaixotasun kardiobaskular gehienak saihestu daitezke jokabide-arriskuei aurre eginez, hala nola tabakoa erabiltzea, obesitatea, jarduera fisikoa eza eta elikadura ez osasungarria, bizimodu aldaketa garrantzitsuak eginez arrisku posibleei aurre egiteko.
Osasun-diagnostikoa erretinako irudiak erabiliz
Google-ko ikertzaileek eta Verily Life Sciences bere osasun-teknologia enpresak egindako ikerketa honek erakutsi zuen Adimen Artifizialaren algoritmo bat erabili zela 280,000 paziente inguruko erretinako argazkien datu-multzo handi batean, eta algoritmo honek bihotzeko arrisku-faktore bitan arrakastaz aurreikusteko gai izan zen erabat. 12000 eta 1000 paziente inguruko datu multzo independenteak zehaztasun nahiko ona dutenak. Algoritmoak erretinaren argazki osoa erabili zuen irudiaren eta bihotzekoak izateko arriskuaren arteko lotura kuantifikatzeko. Algoritmo honek gertakari kardiobaskular bat iragar zezakeen paziente baten %70ean eta, hain zuzen ere, proba honetan erretzaile bat eta ez-erretzaile bat ere bereizten ziren denboraren %71ean. Algoritmoak hipertentsio arteriala iragar dezake bihotzeko egoera adierazten duen eta odol-presioa sistolikoa (bihotzak taupadak direnean hodien presioa) iragar lezake hipertentsio arteriala duten edo ez duten paziente gehienen tartean. Iragarpen horren zehaztasuna, egileen arabera, laborategiko kontrol kardiobaskular baten oso antzekoa da, non pazienteari odola ateratzen zaion kolesterol-maila neurtzeko pazientearen historiarekin paraleloan begiratuz. urtean argitaratutako ikerketa honetako algoritmoa Natura Ingeniaritza Biomedikoa, ziurrenik gertaera kardiobaskular handien bat gertatuko dela ere iragar lezake, adibidez, bihotzekoak.
Ikerketa hauen alderdi oso interesgarri eta erabakigarria izan zen ordenagailuak irudi batean non bilatzen ari den esan dezakeela diagnostiko batera iristeko, iragarpen prozesua ulertzeko aukera emanez. Adibidez, Google-ren azterketak zehatz-mehatz erakutsi zuen "erretinaren zein atalek" lagundu zuten iragarpen-algoritmoan, hots, algoritmoak nola egiten zuen iragarpena. Ulermen hori garrantzitsua da kasu konkretu honetan ikaskuntza automatikoaren metodoa ulertzeko ez ezik, metodologia honen guztiarengan konfiantza eta fedea sortzeko ere gardena eginez.
Erronkak
Irudi mediko hauek bere erronkak dituzte, irudi horietan oinarritutako elkarteak behatzea eta gero kuantifikatzea ez baita erraza, batez ere, irudi horietako hainbat ezaugarri, kolore, balio, forma eta abarrengatik. Ikerketa honek ikaskuntza sakona erabiltzen du giza anatomiaren (gorputzaren barne-morfologia) eta gaixotasunaren aldaketen arteko loturak, asoziazioak eta erlazioak marrazteko. . Algoritmo hauek proba gehiago behar dituzte ingurune kliniko batean erabili ahal izateko.
Eztabaidak eta erronkak izan arren, AI-ak potentzial handia du gaixotasunen diagnostikoa eta kudeaketa iraultzeko, giza adituentzat zailak diren datu kopuru izugarriak dituzten analisiak eta sailkapenak eginez. Irudietan oinarritutako diagnostikorako tresna alternatibo azkarrak, errentagarriak eta ez inbaditzaileak eskaintzen ditu. AI sistemen arrakastarako faktore garrantzitsuak konputazio-potentzia handiagoa eta jendearen esperientzia handiagoa izango lirateke. Litekeena den etorkizun batean, ezagutza eta diagnostiko mediko berriak lor daitezke AIarekin giza norabiderik edo gainbegiratu gabe.
***
{Jatorrizko ikerketa-lana irakur dezakezu behean aipatzen den DOI estekan aipaturiko iturrien zerrendan}
Iturria (k)
1. Kermany DS et al. 2018. Diagnostiko medikoak eta trata daitezkeen gaixotasunak identifikatzea Irudian oinarritutako Deep Learning bidez. Zelula. 172 (5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. Arrisku kardiobaskularren faktoreen iragarpena erretinako fundusaren argazkietatik, ikaskuntza sakonaren bidez. Natura Ingeniaritza Biomedikoa. 2. https://doi.org/10.1038/s41551-018-0195-0
