Razem: 0,00 zł
Sztuczna inteligencja: Jak zmienia nauki medyczne i ich przyszłość?
W naukach medycznych komputerowe systemy sztucznej inteligencji znajdują szerokie zastosowanie. Typowe zastosowania obejmują diagnozowanie pacjentów, kompleksowe odkrywanie i opracowywanie leków, poprawę komunikacji między lekarzem a pacjentem, przepisywanie dokumentów medycznych, takich jak recepty oraz zdalne leczenie pacjentów. Systemy komputerowe często wykonują zadania bardziej wydajnie niż człowiek, a ostatnio najnowocześniejsze algorytmy komputerowe osiągnęły trafność równą ekspertom w dziedzinie nauk medycznych. Niektórzy spekulują, że to tylko kwestia czasu, zanim człowiek zostanie całkowicie zastąpiony w pewnych rolach w naukach medycznych. Celem tego artykułu jest omówienie jak sztuczna inteligencja zmienia krajobraz nauk medycznych i oddzielenie szumu medialnego od rzeczywistości.
Przykłady AI w codziennym życiu
Sztuczna inteligencja (AI) w różnych formach i różnym stopniu została wykorzystana do rozwoju i przyspieszeniu postępu w szerokim spektrum dziedzin, takich jak bankowość i rynki finansowe, edukacja, łańcuchy dostaw, produkcja, handel detaliczny i e-commerce oraz opieka zdrowotna. W branży technologicznej AI stała się ważnym czynnikiem umożliwiającym wprowadzenie wielu nowych innowacji biznesowych. Należą do nich wyszukiwarki internetowe (np. Google), systemy rekomendacji treści (np. Netflix), rekomendacji produktów (np. Amazon), reklama ukierunkowana (np. Facebook), superkomputery (np. NVIDIA DGX AI Supercomputer lub NVIDIA HGX AI Supercomputer) oraz pojazdy autonomiczne (np. Tesla).
Wnętrze samochodu autonomicznego Tesla
Ludzie każdego dnia czerpią korzyści z systemów wspieranych przez sztuczną inteligencję. Począwszy od wolnych od spamu wiadomości e-mail, które otrzymujemy w naszych skrzynkach mailowych, przez inteligentne zegarki, które wykorzystują dane z czujników akcelerometru, aby odróżnić prozaiczne czynności od aktywności aerobowej, po kupowanie produktów w internecie, na takich stronach jak Amazon, które polecają produkty na podstawie naszej historii zakupów. Przykłady te przedstawiają wykorzystanie AI w różnych dziedzinach, takich jak technologia i handel detaliczny. AI zmieniła nasze codzienne życie, wpływając na sposób postrzegania i przetwarzania informacji.
Niniejszy artykuł ma na celu przedstawienie różnych aspektów AI w odniesieniu do nauk medycznych. W artykule skupimy się na przeszłych i obecnych zastosowaniach w naukach medycznych oraz przedstawimy firmy, które obecnie wykorzystują systemy wspierane przez sztuczną inteligencję w opiece zdrowotnej. Ponadto, artykuł na koniec podkreśla krytyczne znaczenie interdyscyplinarnej współpracy skutkującej tworzeniem etycznych, bezstronnych systemów bazujących na sztucznej inteligencji.
Czym jest AI?
AI to szeroko pojęta gałąź informatyki zajmująca się budową inteligentnych maszyn zdolnych do wykonywania zadań, które zazwyczaj wymagają ludzkiej inteligencji. Niektóre zastosowania AI obejmują zautomatyzowane interfejsy percepcji wzrokowej, rozpoznawania mowy, podejmowania decyzji i tłumaczenia języków. AI jest nauką interdyscyplinarną[1]
Powszechnie przyjmuje się, że termin AI został po raz pierwszy ukuty w 1956 roku, kiedy to amerykański informatyk John McCarthy i inni zorganizowali konferencję w Dartmouth [2] Wcześniej prace w dziedzinie AI obejmowały test Turinga zaproponowany przez Alana Turinga [3], służący do mierzenia inteligencji maszyny oraz program do gry w szachy napisany przez Dietricha Prinza [4]
Systemy sztucznej inteligencji w opiece zdrowotnej mają następujący typowy schemat. Podstawą takiego systemu jest duża ilością danych, na podstawie których algorytmy uczenia maszynowego pozyskują informacje, które to następnie wykorzystywane są do generowania użytecznych danych wyjściowych w celu rozwiązania dobrze zdefiniowanego problemu w systemie medycznym. Rysunek 1 przedstawia typowy przebieg procesów zachodzących w AI. Zastosowania sztucznej inteligencji w dziedzinie nauk medycznych obejmują przypisanie objawów pacjenta do odpowiedniego lekarza, [ 5 ] diagnozę pacjenta, [ 6 ] rokowanie pacjenta, [ 7 ] odkrywanie leków, [ 8,9 ] wirtualnego asystenta, który potrafi tłumaczyć języki [ 10 ], przepisywanie notatek i organizowanie obrazów oraz plików.[ 11 ]
Rysunek 1 - Ilustracja przedstawiająca rozwój modelu sztucznej inteligencji
Historia AI w dziedzinie medycyny
Duży postęp dokonał się w systemach sztucznej inteligencji wykorzystywanych w diagnostyce pacjentów. Przykładowo, w zakresie specjalności wymagających oceny wzrokowej, takich jak dermatologia, [12,13] kliniczne dane obrazowe zostały wykorzystane przez Esteva i wsp.[6] oraz Heklera i wsp.[14] do opracowania modeli klasyfikacyjnych wspomagających lekarzy w diagnostyce raka skóry, zmian skórnych i łuszczycy. W szczególności, Esteva i wsp. ,[6] nauczyli model głębokiej konwolucyjnej sieci neuronowej (DCNN) przy użyciu 129 450 obrazów, aby zaklasyfikować obrazy do jednej z dwóch kategorii (znanych również jako binarny problem klasyfikacyjny w uczeniu maszynowym) jako rak keratynocytu lub rogowacenie łojotokowe; oraz czerniak złośliwy lub łagodne znamię. Ustalili oni ponadto, że DCNN osiągnął wydajność równą wydajności 21 wyspecjalizowanych dermatologów. Ich badania wykazały, że systemy AI były w stanie klasyfikować nowotwory skóry równie kompetentnie jak dermatolodzy i wymagały jedynie ułamka czasu na wytrenowanie modelu w porównaniu do czasu potrzebnego na wykształcenie lekarzy, którzy spędzają lata w szkole medycznej, a następnie polegają na doświadczeniu, które rozwijali poprzez diagnozowanie pacjentów przez dziesięciolecia.
Operacje z użyciem systemu robotycznego Flex (Flex Robotic System)
Wiele pracy wykonano również w sferze AI i określania rokowań pacjentów. Na przykład, badacze z Google [7] opracowali i wytrenowali DCNN przy użyciu 128 175 obrazów dna oka siatkówki, aby sklasyfikować obrazy jako przedstawiające retinopatię cukrzycową i obrzęk plamki u dorosłych osób z cukrzycą. Istnieje kilka zalet takiego modelu sztucznej inteligencji, takich jak:
- Zautomatyzowana klasyfikacja retinopatii cukrzycowej prowadząca do zwiększenia efektywności diagnozowania wielu pacjentów w krótszym czasie;
- Tworzenie drugiej opinii okulistycznej;
- Wykrycie retinopatii cukrzycowej we wczesnym stadium dzięki zdolności modelu do badania obrazów na poziomie ziarnistym - czego lekarz okulista nie jest w stanie przeprowadzić;
- Duży zasięg programów przesiewowych zmniejszających bariery dostępu.
Dokonano ogromnego postępu w zastosowaniu systemów AI do odkrywania leków [15] oraz dostarczania spersonalizowanych metod leczenia [16] Firmy, takie jak Verge Genomics, skupiają się na niskokosztowym zastosowaniu algorytmów uczenia maszynowego do analizy danych genomowych człowieka i identyfikacji leków do zwalczania chorób neurologicznych, takich jak choroba Parkinsona, Alzheimera i stwardnienie zanikowe boczne (ALS).
Systemy sztucznej inteligencji są również stosowane w sektorze opieki zdrowotnej w celu poprawy procesu obsługi pacjentów, opieki nad nimi oraz zapewnienia wsparcia lekarzom poprzez wykorzystanie asystentów AI. Firmy, takie jak BotMD zbudowały systemy, które stale wspomagają ludzi w kwestiach klinicznych takich jak:
- Natychmiastowe wyszukiwanie lekarzy, którzy są na dyżurze i planowanie następnego dostępnego terminu; system AI może również przeszukiwać wiele systemów planowania w różnych szpitalach
- Odpowiadanie na pytania związane z receptami, takie jak dostępność leków i tańszych zamienników
- Wspomaganie lekarzy w przeszukiwaniu wypisów, listy dostępnych narzędzi klinicznych oraz dostępnych leków za pomocą aplikacji mobilnej, poprawiając w ten sposób przepływ pracy w szpitalu.
Firmy wykorzystujące AI w naukach medycznych
Tabela poniżej wymienia tylko kilka z setek firm z dziedziny technologii, opieki zdrowotnej i farmacji, które prowadzą badania nad systemami sztucznej inteligencji i ich zastosowaniami w branży opieki zdrowotnej. Dodatkowo, zastosowania systemów sztucznej inteligencji w opiece zdrowotnej można ogólnie podzielić na trzy kategorie [17] (w przypadku firm w tabeli zaznaczono również rodzaj systemu AI):
Niektóre duże firmy na świecie wykorzystujące sztuczną inteligencję w naukach medycznych
Firma |
Cel |
Strona internetowa |
AiCure (Nowy Jork) Zorientowany na pacjenta |
Wykorzystuje wideo, audio i dane behawioralne, aby lepiej zrozumieć związek między pacjentami, chorobą i leczeniem. |
https://aicure.com |
Aidence (Amsterdam, Holandia) Zorientowana na lekarzy klinicznych |
AI dla radiologów: poprawa diagnostyki w leczeniu raka płuc |
https://www.aidence.com |
Aiva Health (Los Angeles) - administracyjno-operacyjna |
Pierwszy asystent opieki obsługiwany głosem: łączy pacjentów z właściwym lekarzem w celu ułatwienia komunikacji. |
https://aivahealth.com |
Babylon Health (Londyn) Zorientowany na administrację i działalność operacyjną |
Wykorzystuje NLP i AI, aby stworzyć międzynarodowo dostępny, przystępny cenowo i powszechny system opieki zdrowotnej. |
https://www.babylonhealth.com |
Bot MD (Singapur) Zorientowany na lekarza klinicznego |
Wirtualny asystent: odpowiada na pytania kliniczne, przepisuje dyktowane notatki dotyczące przypadków i automatycznie organizuje obrazy i pliki. |
https://www.botmd.io/en/ |
Suki (San Francisco) Zorientowany na lekarzy klinicznych |
Głosowy asystent dla lekarzy |
https://www.suki.ai |
Insitro (San Francisco) Zorientowany na pacjenta |
Wykorzystuje zaawansowane uczenie maszynowe z genomiką obliczeniową, aby zmniejszyć czas i koszty związane z odkrywaniem leków dla pacjentów. |
http://insitro.com/ |
- Sztuczna inteligencja zorientowana na pacjenta
- Sztuczna inteligencja zorientowana na lekarzy klinicznych i
- AI o charakterze administracyjnym i operacyjnym.
Współczesne wykorzystanie AI
Najnowszym zastosowaniem AI w globalnej opiece zdrowotnej jest przewidywanie pojawiających się punktów zapalnych na podstawie śledzenia kontaktów i danych o podróżujących samolotami w celu zwalczania pandemii nowego koronawirusa (COVID-19).
Śledzenie kontaktów jest środkiem kontroli choroby stosowanym przez władze państwowe w celu ograniczenia rozprzestrzeniania się choroby. Wykrycie kontaktu polega na skontaktowaniu się i poinformowaniu osób, które były narażone na kontakt z osobą, która zachorowała na daną chorobę i poinstruowaniu ich o konieczności przeprowadzenia kwarantanny, aby zapobiec dalszemu rozprzestrzenianiu się choroby. Jak donosi Apple Newsroom, [18] giganci technologiczni tacy jak Google i Apple połączyli siły, aby stworzyć platformę do śledzenia kontaktów, która będzie wykorzystywać systemy sztucznej inteligencji poprzez zastosowanie interfejsów programowania aplikacji potocznie zwanych API. Platforma umożliwi użytkownikom, którzy zdecydują się na niej zarejestrować, zgłaszanie swoich wyników badań laboratoryjnych. Usługi lokalizacyjne pozwolą następnie platformie skontaktować się z osobami, które mogły znajdować się w pobliżu zainfekowanej osoby.
Kanadyjska firma BlueDot tworzy oprogramowanie do zarządzania ryzykiem wybuchu epidemii, które zmniejsza narażenie na choroby zakaźne [19] BlueDot opublikował pierwszą pracę naukową [20] na temat COVID-19, która dokładnie przewidziała globalne rozprzestrzenianie się wirusa. Firma wykorzystuje techniki takie jak przetwarzanie języka naturalnego (NLP), uczenie maszynowe (ML), wraz z automatycznym nadzorem nad chorobami zakaźnymi, analizując codziennie około 100 000 artykułów z ponad 65 krajów, informacje o trasach podróży i lotach, klimat danego obszaru, temperaturę, a nawet dane na temat lokalnych zwierzęt gospodarskich, aby pomóc w przewidywaniu przyszłych epidemii.
Mit kontra rzeczywistość w AI
Istnieje duża nadzieja, że AI będzie w stanie rozwijać sektor opieki zdrowotnej na wiele sposobów, nie tylko w zakresie diagnozy pacjenta, określania rokowań pacjenta, odkrywania leków, ale także służyć jako asystent lekarza i zapewnić lepsze oraz bardziej spersonalizowaną opiekę nad pacjentami. Nadzieję tę podsyciły niektóre udane wdrożenia AI w opiece zdrowotnej. Równocześnie jednak pojawiają się nierealistyczne oczekiwania wobec AI i tego jak będzie wyglądał krajobraz branży opieki zdrowotnej w przyszłości.
Dr Anthony Chang był jednym z zaproszonych prelegentów w 2019 roku na konferencję Society for Artificial Intelligence in Medicine (AIME), która odbyła się w Poznaniu, gdzie wygłosił wykład zatytułowany: Common Misconceptions and Future Directions for AI in Medicine (Powszechne nieporozumienia i przyszłe kierunki rozwoju sztucznej inteligencji w medycynie): A Physician-Data Scientist Perspective (Perspektywa lekarza-badacza danych). Poniżej wymieniamy dwa z bardziej powszechnych mitów dotyczących zastosowania systemów sztucznej inteligencji w opiece zdrowotnej.
- Klinicyści zostaną zastąpieni przez AI:
Chociaż nikt nie może całkowicie przewidzieć przyszłości, faktem jest, że lekarze, którzy rozumieją rolę AI w opiece zdrowotnej, prawdopodobnie będą mieli przewagę w rozwoju swojej kariery. Na przykład American College of Radiology (ACR) zamieścił ogłoszenie o pracę dla radiologa wymieniając dwa wymagania dotyczące tego stanowiska:
- Musi posiadać certyfikat American Board of Radiology
- Musi być entuzjastycznym, dobrze wyszkolonym radiologiem podekscytowanym przyszłością, w której radiolodzy są wspierani przez światowej klasy AI i systemy uczenia maszynowego.
- Do skutecznego wykorzystania AI niezbędna jest wiedza programistyczna:
Wykorzystanie AI w dowolnej dziedzinie nauki składa się z wielu elementów, a programowanie jest tylko jednym z nich. Aby zapewnić stały wzrost, rozwój i sukces wdrożeń AI w opiece zdrowotnej, lekarze i naukowcy zajmujący się danymi muszą kontynuować współpracę, aby zbudować skuteczne systemy AI. Lekarze muszą zrozumieć, co AI jest w stanie osiągnąć i muszą ocenić, jak ich rola może zostać ulepszona dzięki AI. Lekarze muszą przekazać te informacje badaczom danych, którzy następnie mogą zbudować system AI. Na tym współpraca się nie kończy. Obie grupy muszą wspólnie ustalić, jakiego rodzaju dane są dostępne, aby wykorzystać je do uczenia modelu, a następnie, gdy model jest już zbudowany, jego działanie musi zostać przeanalizowane i zinterpretowane oraz odpowiednia architektura (składająca się z właściwych serwerów, procesorów czy oprogramowania) zbudowana. Kolejnym trendem jest znaczna komercjalizacja oprogramowania AI. Przykładowo, dziś możliwe jest wykorzystanie narzędzia wizualnego (niewymagającego kodowania) do budowy wizualnego klasyfikatora. Przykładem takiego narzędzia jest Teachable Machine firmy Google.
Ograniczenia i wyzwania w zastosowaniu systemów sztucznej inteligencji w naukach medycznych
Zastosowanie systemów sztucznej inteligencji w każdej dziedzinie, w tym w opiece zdrowotnej, wiąże się z pewnymi ograniczeniami i wyzwaniami. Nadszedł czas, aby zmienić nasz sposób myślenia z reaktywnego na proaktywny w odniesieniu do wad nowej technologii. Poniżej omawiamy te wyzwania, koncentrując się bardziej na tych, które dotyczą szczególnie opieki zdrowotnej.
Dostępność danych
Pierwszym krokiem do budowy systemu sztucznej inteligencji (po wyborze problemu i opracowaniu strategii rozwiązań) jest gromadzenie danych. Tworzenie dobrze działających modeli zależy od dostępności dużych ilości danych wysokiej jakości. Kwestia gromadzenia danych jest owiana kontrowersjami ze względu na prywatność pacjentów oraz ze względu na ostatnie przypadki naruszenia danych przez duże korporacje. Postęp technologiczny spowodował zwiększenie mocy obliczeniowej i analitycznej, a także możliwości przechowywania ogromnych ilości danych. Technologia taka jak rozpoznawanie twarzy i analiza genów pozwala na identyfikację konkretnych ludzi. Pacjenci i ogół społeczeństwa mają prawo do prywatności i prawo wyboru, jakie dane, jeśli w ogóle, chcieliby udostępnić. Naruszenia danych mogą prowadzić do przechwycenia danych pacjentów przez firmy ubezpieczeniowe, co może skutkować odmową zawarcia ubezpieczenia medycznego, ponieważ pacjent postrzegany jest przez ubezpieczyciela jako ryzyko ze względu na swój kod genetyczny. Prywatność pacjentów prowadzi do ograniczonej dostępności danych, co powoduje, że trening modelu jest ograniczony, co z kolei uniemożliwia wykorzystanie jego pełnego potencjału.
Każdego roku produkujemy coraz większą ilość danych
Tworzenie modeli nieobiektywnych
Nieobiektywne dane
Systemy sztucznej inteligencji są następnie szkolone z wykorzystaniem części zebranych danych (zwanych również zbiorem danych treningowych), a pozostałe dane są zarezerwowane na potrzeby prowadzenia testów (zwane również zbiorem danych testowych). Jeśli więc zebrane dane są nieobiektywne, czyli skierowane do konkretnej rasy, konkretnej płci, konkretnej grupy wiekowej to wynikowy model będzie nieobiektywny. Tak więc zebrane dane muszą stanowić rzetelną reprezentację populacji, dla której przeznaczone jest ich wykorzystanie.
Wstępne przetwarzanie danych
Nawet po zebraniu obiektywnych danych nadal możliwe jest stworzenie nieobiektywnego modelu. Zebrane dane muszą być wstępnie przetworzone, zanim zostaną użyte do trenowania algorytmu. Zebrane surowe dane często zawierają błędy wynikające z ręcznego wprowadzania danych lub wielu innych powodów. Po matematycznym uzasadnieniu zapisy takie bywają modyfikowane lub są po prostu usuwane. Należy zadbać o to, aby wstępne przetwarzanie danych nie spowodowało powstania nieobiektywnej puli danych.
Wybór modelu
Przy istnieniu kilku algorytmów i modeli do wyboru, należy wybrać algorytm, który najlepiej nadaje się do danego zadania. Dlatego też proces wyboru modelu jest niezwykle istotny. Modele nieobiektywne to takie, które są zbyt proste i nie wychwytują trendów obecnych w zbiorze danych.
Przedstawianie nieobiektywnych modeli
Ważne jest, aby użytkownik systemu sztucznej inteligencji miał podstawowe pojęcie o tym, jak takie modele są budowane. Dzięki temu użytkownik może lepiej zinterpretować dane wyjściowe modelu i zdecydować, jak je wykorzystać. Na przykład istnieje wiele metryk, których można użyć do oceny wydajności modelu, takich jak dokładność, precyzja, przywołanie, wynik F1 i wynik AUC. [21] Jednak nie każda metryka jest odpowiednia dla każdego problemu. Kiedy użytkownikowi systemu sztucznej inteligencji otrzymuje metryki wydajności modelu, musi on mieć pewność, że metryki te są odpowiednie dla danego problemu, a nie są tylko metrykami o najwyższymi wynikach.
Fragmentaryczne dane
Innym ograniczeniem zastosowania AI jest to, że modele, na których zaprojektowanie i wdrożenie do konkretnego zadania czas i wysiłek poświęca jedna organizacja (regresja, klasyfikacja, klastrowanie, NLP, itp.) nie mogą być płynnie przekazane do natychmiastowego użytku innej organizacji bez rekalibracji. Ze względu na ochronę prywatności, wymiana danych pomiędzy organizacjami opieki zdrowotnej jest często niedostępna lub ograniczona, co powoduje, że fragmentaryczne dane ograniczają wiarygodność modelu.
Czarne skrzynki
Systemy sztucznej inteligencji mają opinię czarnych skrzynek ze względu na złożoność zaangażowanych w nich algorytmów matematycznych. Istnieje potrzeba uczynienia modeli bardziej dostępnymi i możliwymi do interpretacji. Chociaż w ostatnim czasie podjęto pewne działania w tym kierunku, to jednak wciąż wymagany jest pewien postęp.[23]
Podsumowanie: Przyszłość AI w naukach medycznych
Pomimo powyższych ograniczeń, AI wygląda na dobrze przygotowaną do zrewolucjonizowania branży opieki zdrowotnej. Systemy AI mogą odciążyć zapracowanych lekarzy, przepisując notatki, wprowadzając i organizując dane pacjentów w portalach (takich jak EPIC) i diagnozując pacjentów, potencjalnie służąc jako druga diagnoza. Systemy sztucznej inteligencji mogą również pomóc pacjentom w dalszej opiece kontrolnej i dostępności alternatywnych leków na receptę. AI ma również możliwość zdalnego diagnozowania pacjentów, rozszerzając tym samym usługi medyczne na odległe obszary, poza główne ośrodki miejskie. Przyszłość AI w opiece zdrowotnej jest jasna i obiecująca, mimo że tak wiele pozostaje do zrobienia.
Zastosowanie systemów sztucznej inteligencji w opiece zdrowotnej do użytku powszechnego jest stosunkowo mało zbadane. Dopiero niedawno FDA (U.S. Food and Drug Administration) zatwierdziła Kardiaband firmy AliveCor (w 2017) oraz smartwatch Apple serii 4 (w 2018 roku) do wykrywania migotania przedsionków. Zastosowanie smartwatcha jest pierwszym krokiem w kierunku umożliwienia ludziom gromadzenia osobistych danych dotyczących zdrowia oraz umożliwienia szybkich interwencji ze strony zespołów wsparcia medycznego.
Istnieje wiele negatywnych skutków nowoczesnej technologii dla zdrowia psychicznego. Jednak badacze z Uniwersytetu Południowej Kalifornii (USC) we współpracy z Defense Advanced Research Projects Agency i U.S. Army (Agencja Zaawansowanych Projektów Badawczych Departamentu Obrony) odkryli, że osoby cierpiące na stres pourazowy i inne formy urazów psychicznych są bardziej otwarte na omawianie swoich problemów z wirtualnymi rozmówcami niż rzeczywistymi ludźmi w obawie przed osądem. Badania te [23] przynoszą obiecujące wyniki dotyczące roli wirtualnych asystentów skutkujące zbieraniem od pacjentów szczerych odpowiedzi, które mogłyby pomóc lekarzom w diagnozowaniu i leczeniu pacjentów w sposób bardziej adekwatny i z wykorzystaniem lepszych informacji.
Większość globalnych firm farmaceutycznych zainwestowała swój czas i pieniądze w wykorzystanie AI do rozwoju leków na takie choroby jak rak czy choroby układu krążenia. Jednak rozwój modeli diagnozowania zaniedbanych chorób tropikalnych (malarii i gruźlicy) oraz chorób rzadkich pozostaje w dużej mierze niezbadany. FDA zachęca teraz firmy do opracowywania nowych metod leczenia tych chorób poprzez specjalne kupony. [24]
Biorąc pod uwagę wpływ, jaki AI i uczenie maszynowe mają na nasz świat, ważne jest, aby AI stało się częścią programu nauczania dla wielu ekspertów w różnych domenach. Dotyczy to zwłaszcza zawodu lekarza, gdzie koszt błędnej decyzji może być śmiertelny. Jak wskazano, istnieje wiele niuansów w sposobie budowy systemu AI. Zrozumienie tego procesu i związanych z nim wyborów jest ważne dla właściwego wykorzystania tego zautomatyzowanego systemu. Dane wykorzystywane do uczenia się oraz zastosowana strategia optymalizacji mają głęboki wpływ na możliwość zastosowania systemu AI do rozwiązania konkretnego problemu. Zrozumienie i docenienie tych decyzji projektowych jest ważne z punktu widzenia zawodu lekarza.
AI ma potencjał, by pomóc w rozwiązaniu wielu największych problemów opieki zdrowotnej, ale wciąż jesteśmy daleko od urzeczywistnienia tego założenia. Jednym wielkim problemem i barierą przed wdrożeniem tego założenia są dane. Możemy wymyślić wszystkie obiecujące technologie i algorytmy uczenia maszynowego, ale bez wystarczających i dobrze reprezentowanych danych nie możemy zrealizować pełnego potencjału AI w opiece zdrowotnej. Branża ochrony zdrowia musi zdigitalizować dokumentację medyczną, musi się zjednoczyć, by uzgodnić standaryzację infrastruktury danych, musi stworzyć żelazny system ochrony poufności i obsługi zgody na udostępnianie danych przez pacjentów. Bez tych radykalnych zmian i współpracy w branży opieki zdrowotnej, wykorzystanie prawdziwego potencjału AI w ochronie zdrowia będzie wyzwaniem.
Sztuczna inteligencja każdego roku rozwija się coraz szybciej
Bibliografia:
1. Geeron A. Hands-On Machine Learning with Scikit-Learn & Tensor Flow. 1st ed. Sebastopol, CA, USA: O Reilly; 2017. [Google Scholar]
2. McCarthy J, Minsky M, Rochester N, Shannon C. A proposal for the Dartmouth summer research project on artificial intelligence 1956 [Google Scholar]
3. Turing AM. Computing Machinery and Intelligence. Mind, New Series. 1950;59:433–60. [Google Scholar]
4. Computer History Museum. Mountain View, California. [Last accessed on 2020 Jun 14]. Available from: https://wwwcomputerhistoryorg/chess/first-tests/
5. Guneş ED, Yaman H, Cekyay B, Verter V. Matching patient and physician preferences in designing a primary care facility network? J Oper Res Soc. 2017;65:483–96. doi: 10.1057/jors. 2012.71. [Google Scholar]
6. Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, et al. Dermatologist-level classification of skin cancer with deep neural networks? Nature. 2017;542:115–8. doi: 10.1038/nature21056. [PMC free article] [PubMed] [Google Scholar]
7. Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316:2402–10. [PubMed] [Google Scholar]
8. Ekins S. The next era: Deep learning in pharmaceutical research. Pharm Res. 2016;33:2594–603. [PMC free article] [PubMed] [Google Scholar]
9. Jing Y, Bian Y, Hu Z, Wang L, Xie X. Deep learning for drug design: An artificial intelligence paradigm for drug discovery in the big data era. AAPS J. 2018;20:58. [PMC free article] [PubMed] [Google Scholar]
10. AVIA. [Last accessed on 2020 Jun 14]. Available from: https://wwwaviahealthinnovationcom.
11. Bot MD. [Last accessed on 2020 Jun 14]. Available from: https://wwwbotmdio/en/
12. Caffery L, Clunie D, Curiel-Lewanddrowski C, Malvehy J, Soyer H, Halpern A. Transforming dermatologic imaging for the digital era: Metadata and standards. J Digit Imaging. 2018;31:568–77. [PMC free article] [PubMed] [Google Scholar]
13. Li C, Shen C, Xue K, Shen X, Jing Y, Wang ZY, et al. Artificial intelligence in dermatology: Past, present, and future. Chinese Med J. 2019;132:2017–20. [PMC free article] [PubMed] [Google Scholar]
14. Hekler A, Utikal J, Enk AH, Hauschild A, Weichenthal M, Maron RC, et al. Superior skin cancer classification by the combination of human and artificial intelligence. Eur J Cancer. 2019;120:114–21. [PubMed] [Google Scholar]
15. Verge Genomics. [Last accessed on 2020 Jun 14]. Available from: https://wwwvergegenomicscom.
16. Dilsizian S, Siegel E. Artificial intelligence in medicine and cardiac imaging: Harnessing big data and advanced computing to provide personalized medical diagnosis and treatment. Curr Cardiol Rep. 2014;16:2014. [PubMed] [Google Scholar]
17. Laura Craft. Emerging Applications of Ai for Healthcare Providers GARTNER. 2017. [Last accessed on 2019 Jun 24]. Available from: https://wwwgartnercom/en/documents/3753763/emerging-applications-of-ai-for-healthcare-providers.
18. Apple Newsroom. [Last accessed on 2020 Jun 14]. Available from: https://wwwapplecom/in/newsroom/
19. Blue Dot. [Last accessed on 2020 Jun 14]. Available from: https://bluedotglobal .
20. Bogoch L, Watts A, Thomas-Bachli A, Huber C, Kraemer MUG, Khan K. Pneumonia of unknown aetiology in Wuhan, China: Potential for international spread via commercial air travel. J Travel Med. 2020;27:2020:taaa008. [PMC free article] [PubMed] [Google Scholar]
21. Grus J. Data Science from Scratch First Principles with Python. 1st ed. Sebastopol, CA, USA: O Reilly; 2015. [Google Scholar]
22. Dhamnani S, Singal D, Sinha R, Mohandoss T, Dash M. RAPID: Rapid and Precise Interpretable Decision Sets. 2019 IEEE International Conference on Big Data (Big Data) IEEE. 2019:1292–301. [Google Scholar]
23. Lucas GM, Gratch J, King A, Morency LP. Its only a computer: Virtual humans increase willingness to disclose. Comput Human Behav. 201;;7:94–100. [Google Scholar]
24. Ridley DB. Priorities for the priority review voucher. Am J Trop Med Hyg. 2017;96:14–5. [PMC free article] [PubMed] [Google Scholar]