Azken ikerketek adimen artifizialaren sistemek gaixotasun garrantzitsuak medikoki diagnostikatzeko duten gaitasuna erakutsi dute
Adimen Artifizialeko (AA) sistemak denbora luzez egon dira eta denborarekin gero eta adimentsuagoak eta hobeak bihurtzen ari dira. AAk hainbat arlotan ditu aplikazioak eta orain arlo gehienen parte da. AA medikuntza zientziaren eta ikerketaren osagai ezinbestekoa eta erabilgarria izan daiteke, osasun-industrian eragiteko potentzial izugarria baitu.
Adimen artifiziala diagnostiko medikoan?
Denbora da osasungintzan baliabiderik baliotsuena, eta diagnostiko goiztiar egokia oso garrantzitsua da gaixotasun baten azken emaitzarako. Osasungintza askotan prozesu luzea eta denbora eta baliabide asko eskatzen dituena da, diagnostiko eraginkorra atzeratzen duena eta, aldi berean, tratamendu zuzena atzeratzen duena. Adimen Artifizialak medikuen eskuragarritasunaren eta denbora kudeaketaren arteko hutsunea betetzen lagun dezake, pazienteen diagnostikoan abiadura eta zehaztasuna txertatuz. Baliabideen eta osasun-profesionalen mugak gainditzen lagun dezake, batez ere errenta baxuko eta ertaineko herrialdeetan. Adimen Artifiziala gizakiek bezala ikasteko eta pentsatzeko prozesu bat da , ikaskuntza sakona izeneko kontzeptu baten bidez. Ikaskuntza sakonak lagin-datu multzo zabalak erabiltzen ditu erabaki-zuhaitzak sortzeko. Ikaskuntza sakon honekin, Adimen Artifizial sistema batek gizakiek bezala pentsa dezake, hobeto ez bada, eta, beraz, Adimen Artifiziala egokia dela uste da zeregin medikoak egiteko. Pazienteak diagnostikatzerakoan, Adimen Artifizial sistemek gaixotasun berdinak dituzten pazienteen artean ereduak bilatzen jarraitzen dute. Denborarekin, eredu horiek oinarri bat eraiki dezakete gaixotasunak agertu aurretik aurreikusteko.
Cell aldizkarian argitaratu berri den ikerketa batean 1 , ikertzaileek adimen artifiziala eta ikaskuntza automatikoaren teknikak erabili dituzte erretinako gaixotasun ohikoak baina itsutzaileak dituzten pazienteak aztertzeko tresna konputazional berri bat garatzeko, diagnostikoak eta tratamendua bizkortuz. Ikertzaileek adimen artifiziala oinarritutako sare neuronal bat erabili zuten 200,000 begi-eskaneatu baino gehiago berrikusteko, erretinan argia errebotatzen duen teknologia ez-inbaditzaile batekin egindakoak, ehunen 2D eta 3D irudikapenak sortzeko. Ondoren, "transferentzia-ikaskuntza" izeneko teknika bat erabili zuten, non arazo bat konpontzean lortutako ezagutza ordenagailu batek gordetzen duen eta arazo desberdin baina erlazionatuetan aplikatzen den. Adibidez, begiaren egitura anatomiko diskretuak, hala nola erretina, kornea edo nerbio optikoa, ezagutzeko optimizatutako adimen artifizialaren sare neuronal batek azkarrago eta eraginkorrago identifikatu eta ebaluatu ditzake begi oso baten irudiak aztertzen dituenean. Prozesu honek adimen artifizialaren sistemari pixkanaka ikastea ahalbidetzen dio datu-multzo askoz txikiago batekin, metodo tradizionalek baino, azken hauek datu-multzo handiak behar baitituzte, eta horrek garestiak eta denbora asko eskatzen ditu.
Ikerketak itsutasun itzulezinaren bi kausa ohikoetan jarri zuen arreta, goiz detektatzen direnean trata daitezkeenak. Makinaz lortutako diagnostikoak bost oftalmologoren diagnostikoekin alderatu ziren, eskaneatu berdinak berrikusi zituztenak. Diagnostiko medikoa egiteaz gain, IA plataformak erreferentzia eta tratamendu gomendio bat ere sortu zuen, aurreko inongo ikerketatan egin ez dena. IA sistema trebatu honek oftalmologo ondo trebatu baten antzera jokatu zuen eta 30 segundotan erabaki zezakeen pazientea tratamendura bideratu behar zen ala ez erabakitzeko, % 95eko zehaztasun baino gehiagorekin. IA tresna haurtzaroko pneumonia diagnostikatzeko ere probatu zuten, mundu osoan heriotza-kausa nagusia den haurrengan (5 urtetik beherakoak), bularreko erradiografien makinaz egindako analisietan oinarrituta. Interesgarria da, ordenagailu programak pneumonia birikoa eta bakterianoa bereizteko gai izan zela % 90eko zehaztasun baino gehiagorekin. Hau funtsezkoa da, pneumonia birikoa gorputzak bere ibilbidearen ondoren modu naturalean kentzen duen arren, pneumonia bakterianoa, berriz, osasun-mehatxu larriagoa izan ohi baita eta antibiotikoekin berehalako tratamendua behar baitu.
Medikuntzako diagnostikorako adimen artifizialeko sistemetan beste jauzi handi batean , zientzialariek aurkitu zuten pertsona baten erretinatik ateratako argazkiak makina-ikaskuntzako algoritmoen edo softwarearen bidez azter daitezkeela bihotzeko gaixotasunen adierazgarri diren seinaleak identifikatuz bihotzeko arrisku kardiobaskularra aurreikusteko. Argazkietan jasotzen den begiko odol-hodien egoerak zehatz-mehatz aurreikusten duela frogatu zen adina, sexua, etnia, odol-presioa, aurreko bihotzekoak eta erretzeko ohiturak, eta faktore horiek guztiek, batera, bihotzeko gaixotasunak aurreikusten dituzte pertsona batean.
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
Googleko ikertzaileek eta bere osasun-teknologiako enpresa den Verily Life Sciencesek egindako ikerketa honek erakutsi zuen Adimen Artifizialeko algoritmo bat erabili zela 280,000 paziente inguruko erretinako argazkien datu-multzo handi batean, eta algoritmo honek bihotzeko arrisku-faktoreak arrakastaz aurreikusteko gai izan zela 12000 eta 1000 paziente inguruko bi datu-multzo guztiz independentetan, zehaztasun nahiko onarekin. Algoritmoak erretinaren argazki osoa erabili zuen irudiaren eta bihotzekoaren arriskuaren arteko lotura kuantifikatzeko. Algoritmo honek gertaera kardiobaskular bat aurreikus zezakeen paziente batengan denboraren % 70ean, eta, hain zuzen ere, erretzaile bat eta ez-erretzaile bat ere bereizi ziren proba honetan denboraren % 71ean. Algoritmoak bihotzeko gaixotasun bat adierazten duen hipertentsioa ere aurreikus zezakeen, eta odol-presio sistolikoa ere aurreikus zezakeen (bihotzak taupada egiten duenean odol-hodietan dagoen presioa) hipertentsioa duten edo ez duten paziente gehienen tarte batean. Iragarpen honen zehaztasuna, egileen arabera, oso antzekoa da laborategian egiten den azterketa kardiobaskular batenarekin, non pazienteari odola ateratzen zaion kolesterol-mailak neurtzeko, pazientearen historiarekin paraleloan begiratuz. Nature Biomedical Engineering aldizkarian argitaratutako ikerketa honetako algoritmoak , ziurrenik, gertaera kardiobaskular garrantzitsu baten agerraldia ere aurreikus dezake, 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.
***
Iturria (k)
1. Kermany DS et al. 2018. Irudietan Oinarritutako Ikaskuntza Sakonaren bidez Diagnostiko Medikoak eta Tratagarriak diren Gaixotasunak Identifikatzea. Cell. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. Erretinaren begi-hondoaren argazkietatik abiatuta, ikaskuntza sakonaren bidez arrisku kardiobaskularreko faktoreen iragarpena. Nature Biomedical Engineering. 2. https://doi.org/10.1038/s41551-018-0195-0
***
