Wykorzystując sztuczną inteligencję i techniki uczenia maszynowego, naukowcy z Shiley Eye Institute University of California i School of Medicine w San Diego, wraz z kolegami z Chin, Niemiec i Teksasu, opracowali nowe narzędzie obliczeniowe do badania pacjentów z częstymi, ale prowadzącymi do ślepoty chorób siatkówki, potencjalnie przyspieszające rozpoznawanie i rozpoczęcie leczenia. Odkrycia opublikowano w wydaniu czasopisma naukowego "Cell" .
"Sztuczna inteligencja (artificial intelligence-AI) ma olbrzymi potencjał do zrewolucjonizowania diagnostyki i postępowania z chorobami poprzez przeprowadzanie analiz i klasyfikacji zawierających olbrzymie ilości danych, które są trudne do opracowania przez ekspertów ludzkich - i szybkie ich analizowanie" - powiedział starszy autor- okulista Kang Zhang, profesor w Shiley Eye Institute i założyciel Instytutu Medycyny Genomowej w UC San Diego School of Medicine.
Obecne metody obliczeniowe są pracochłonne i kosztowne oraz wymagają użycia milionów obrazów do szkolenia systemu sztucznej inteligencji. W swoim nowym artykule Zhang i współpracownicy wykorzystali wykorzystali splotową sieć neuronową do przeglądu ponad 200 000 skanów oka przeprowadzonych za pomocą optycznej tomografii koherencyjnej, czyli nieinwazyjnej technologii, która odbija światło od siatkówki i tworzy dwu- i trójwymiarowe obrazy tej tkanki.
Następnie naukowcy zastosowali technikę zwaną transferem umiejętności, w której wiedza zdobyta podczas rozwiązywania jednego problemu jest przechowywana przez komputer i stosowana do różnych, ale pokrewnych problemów. Na przykład, sieć neuronowa AI zoptymalizowana pod kątem rozpoznawania dyskretnych struktur anatomicznych oka, takich jak siatkówka, rogówka lub nerw wzrokowy, może szybciej i skuteczniej identyfikować i oceniać je podczas badania obrazów całego oka. To pozwala systemowi AI na efektywną naukę przy znacznie mniejszym zestawie danych niż tradycyjne metody.
Naukowcy dodali następnie test okluzyjny, w którym komputer identyfikuje obszary na każdym obrazie, które są najbardziej interesujące i stanowią podstawę do podania wniosków. "Uczenie maszynowe często przypomina czarną skrzynkę, w której nie wiemy dokładnie, co się dzieje", powiedział Zhang. "Dzięki testom okluzyjnym komputer może nam powiedzieć, gdzie patrzy na obrazie, aby uzyskać diagnozę, dzięki czemu możemy ustalić, dlaczego system uzyskał taki wynik. To sprawia, że system jest bardziej przejrzysty i zwiększa nasze zaufanie do diagnozy. "
W badaniu skupiono się na dwóch częstych przyczynach nieodwracalnej ślepoty: zwyrodnieniu plamki żółtej i cukrzycowym obrzęku plamki. Obie choroby są jednak uleczalne, jeśli zostaną wcześnie wykryte. Rozpoznania pochodzące z komputera porównano z diagnozami pięciu okulistów, którzy dokonali analizy tych samych obrazów. Oprócz przeprowadzenia diagnostyki medycznej, platforma sztucznej inteligencji wygenerowała również zalecenie dotyczące skierowania i leczenia, które nie zostało wykonane we wcześniejszych badaniach.
Dzięki prostemu szkoleniu autorzy zauważyli, że maszyna działa podobnie do dobrze wyszkolonego okulisty i może podjąć decyzję, czy pacjent powinien zostać skierowany na leczenie już w ciągu 30 sekund, z dokładnością większą niż 95 procent.
Taka prędkość i dokładność byłyby ogromnym krokiem naprzód w diagnozach medycznych i leczeniu, jak twierdzi Zhang, zauważając, że obecna opieka zdrowotna jest często długotrwała, ponieważ pacjenci są kierowani do lekarzy specjalistów, pochłaniając czas i zasoby oraz opóźniając skuteczne leczenie. Zhang zauważył również, że uproszczone i stosunkowo niedrogie narzędzie oparte na sztucznej inteligencji byłoby dobrodziejstwem w miejscach i częściach świata, w których zasoby medyczne, w szczególności specjaliści, są ograniczone.
Naukowcy nie ograniczali swoich badań do chorób oczu. Badacze przetestowali także swoje narzędzie AI w diagnozowaniu zapalenia płuc w dzieciństwie, wiodącej przyczyny zgonów na świecie u dzieci poniżej 5 roku życia, na podstawie analizy maszynowej zdjęć rentgenowskich klatki piersiowej. Odkryli, że komputer był w stanie rozróżnić wirusowe i bakteryjne zapalenie płuc z dokładnością większą niż 90 procent. Wirusowe zapalenie płuc jest leczone przede wszystkim objawowo, ponieważ organizm w naturalny sposób pozbywa się wirusa. Bakteryjne zapalenie płuc jest poważniejszym zagrożeniem dla zdrowia i wymaga natychmiastowego leczenia antybiotykami.
Zhang powiedział, że odkrycia pokazują, iż technologia sztucznej inteligencji ma wiele potencjalnych zastosowań, w tym prawdopodobnie rozróżnienie łagodnych i złośliwych zmian wykrytych na obrazach diagnostycznych. Naukowcy opublikowali swoje dane i narzędzia, którymi się posługiwali, aby inni mogli dalej ulepszać, udoskonalać i rozwijać ten potencjał.
"Przyszłość przyniesie więcej danych, większą moc obliczeniową i większe doświadczenie ludzi korzystających z tego systemu, abyśmy mogli zapewnić najlepszą możliwą opiekę nad pacjentem, przy jednoczesnej opłacalności" - powiedział Zhang.
Komentarze
[ z 6]
Temat sztucznej inteligencji od kilku lat przewija się już w Polsce. Posiada ona zwolenników jak i przeciwników. Niemniej jednak wszyscy chyba się zgodzą, że sztuczna inteligencja szybciej i dokładniej rozwiązuje zagadki, znajduje błędy i rozwiązania. Mam nadzieję, że dobrze się ona sprawdzi w medycynie i diagnostyce. Oko ludzkie i mózg nie wychwycą wszystkiego tak jak komputer. Kolejnym plusem jest szybkość pracy. Technologia pozwala na bardzo szybkie wykonywanie obliczeń i porównań - zwłaszcza jeśli ma do przeanalizowania miliony danych. Człowiek nie jest w stanie się z nią równać. Oby wprowadzenie tych metod przyniosło jak najlepsze efekty.
Uczenie transferowe to rozwiązanie, które ma olbrzymi potencjał w medycynie. Naukowcy udowodnili, że tego rodzaju sztuczna inteligencja może zapewniać bardzo wysoką skuteczność w diagnozie, na przykład chorób siatkówki oka. Nie od dziś szuka się dla sztucznej inteligencji zastosowania w medycynie. Może ona pomagać w diagnozowaniu rzadkich chorób czy też do pewnego stopnia odciążać lekarzy. Najnowsze dokonanie naukowców z Uniwersytetu w Kalifornii jest zaś najlepszym dowodem na to, że zakres, w jakim nowe technologie mogą być wykorzystane, jest znacznie szerszy.Stworzona przez naukowców z Kalifornii platforma stała się dzięki uczeniu transferowemu niezwykle precyzyjna. Po przeanalizowaniu około 200 tysięcy zdjęć jest dziś w stanie z 95-procentową skutecznością postawić diagnozę. Program informuje nie tylko o tym, czy choroba występuje, ale też jaki jest to rodzaj degeneracji siatkówki i jaki jest poziom jego zaawansowania. Prawidłowa (w 95 proc. przypadków) diagnoza jest bowiem stawiana po upływie zaledwie pół minuty, co jest wynikiem więcej niż zadowalającym. Nie oszukujmy się, maszyny zastępują ludzi na wielu stanowiskach, a wraz z biegiem czasu, będą także zastępować lekarzy. Należy tylko przeprowadzać jak najwięcej badań i unowocześniać istniejące już programy, by jak najlepiej pomagać ludziom.
To prawda, że żyjemy w czasach komputerów i maszyn i niestety, nie mamy na to wpływu. Jednak, gdy sztuczna inteligencja wchodzi w zakres medycyny - ja osobiście pozostaję nieco sceptyczna. Obecnie jesteśmy w stanie zaufać sztucznej inteligencji w takich obszarach jak np. samodzielne parkowanie samochodu, jednak poleganie na niej w tak skomplikowanych sytuacjach jak diagnozy medyczne nie było do tej pory powszechną praktyką. Naukowcy z Uniwersytetu w Kalifornii chcą to zmienić – stworzona przez nich platforma wykorzystująca sztuczną inteligencję potrafi nie tylko zdiagnozować i rozróżnić dwie najpopularniejsze choroby siatkówki (zwyrodnienie plamki żółtej i cukrzycowy obrzęk plamki), ale także ocenić stopień zaawansowania schorzenia.Kluczem do tego sukcesu była zmiana sposobu uczenia się sztucznej inteligencji. Jak trafnie zauważyła Sesenka - naukowcy wykorzystali nowy, specyficzny typ uczenia maszynowego nazwany uczeniem transferowym. Dzięki niemu skuteczność diagnozy wynosi ok. 95 proc., co twórcy porównują z trafnością dobrze wyszkolonego okulisty. Co więcej, zadbano też, by proces diagnozowania był jak najbardziej przejrzysty, aby nawet pacjenci nieobeznani z technologią mogli mu zaufać. Komputer na bieżąco pokazuje, na jaki obszar patrzy oraz na jakiej podstawie wystawia swoją diagnozę. Zastosowanie transferowego systemu uczenia się pozwala już teraz kalifornijskiej sztucznej inteligencji diagnozować obrazy rentgenowskie klatki piersiowej i z 90-proc. dokładnością rozróżniać wirusowe i bakteryjne zapalenie płuc. Najbliższym planem twórców jest zastosowanie jej także w innych obszarach medycyny, ponieważ każdorazowe zwiększenie bazy danych skutkuje według nich zwiększeniem efektywności diagnozy. Finalnie, celem jest pokazanie lekarzom, że sztuczna inteligencja jest cennym narzędziem pozwalającym usprawnić pracę, a pacjentom – że szybka i trafna diagnoza dokonana przez komputer pozwoli im szybciej poddać się niezbędnemu leczeniu. Myślę, że czas pokaże, czy taka ingerencja maszyn w nasze życie sprawdza się i czy maszyna zastąpi człowieka nawet w gabinecie lekarskim.
Sztuczna inteligencja to temat bardzo na czasie, którym interesuje się coraz więcej osób. Niedawno dało się wyszukać artykuł informujący o innym udziale maszyn w diagnostyce chorób . Mianowicie, wybrane portale medyczne podawały, że sztuczna inteligencja opracowana przez Google'a jest w stanie przewidzieć ewentualne problemy z układem krążenia. Kluczem metody są najnowsze algorytmy AI (Artificial Intelligence – sztuczna inteligencja) przeznaczone do analizowania skanów siatkówki oka. Na tej podstawie opracowany przez Google’a system jest w stanie określić kluczowe dla zdrowia pacjenta dane, w tym na przykład jego wiek, ciśnienie krwi, a nawet to, czy pali papierosy. Te informacje mogą posłużyć do określenia ryzyka powikłań zdrowotnych, takich jak na przykład zawał serca. Pierwsze próby pokazały, że AI jest w tym równie dobra jak stosowane do tej pory tradycyjne metody oceny ryzyka problemów z krążeniem wykorzystujące np. badania krwi.. Także wydaje mi się, że jesteśmy świadkami nowej ery medycyny - ery sztucznej inteligencji ! Oby służyła nam jak najlepiej!
Uczeni w dziedzinie medycyny oraz technologii pochodzący ze Stanów Zjednoczonych, Chin i Niemiec to niewątpliwe czołówka światowa. Jest wiele doniesień na temat sztucznej inteligencji. Bardzo niepokojące są doniesienie, że niedługo maszyny będą miały władze nad światem, ja jednak podchodze do tego na spokojnie ponieważ wszystko jednak zależy od ludzi i pewnym niebezpiecznym momencie można będzie po prostu zaprzestać dalsze badania. Wracając jednak do tematów medycznych. Nie od dzisiaj słyszymy przy okazji błędów człowieka jego porównań do komputera, że nie ma takiej osoby która nigdy się nie pomyli. Inaczej jest z komputerami, czy też sztuczną inteligencją. Jeżeli zaprogramuje mu się odpowiedni algortym to nie ma szans, że pominie on jakąś niedoskonałość co w wielu przypadkach stawia go ponad człowiekiem. Każdy z nas ma gorszy dzień, lub jest zmęczony po dyżurze. Zachowanie przez cały czas trzeźwego umysłu jest zwyczajnie niemożliwe. Osobiście nie widze, żadnych przeciwskazań by wykorzystywać je w medycynie w każdej możliwej sytuacji aby wyręczały lekarzy, skoro są w stanie zrobić coś dużo lepiej. Szybkość i skuteczność działania to kolejny argument, który do mnie przemawia. Lekarze w szpitalach często nie mają czasu, żeby należycie poświęcić go pacjentom. To pozwoli na zaoszczędzenie czasu i pozwoli lekarzom na lepsze skupienie się na poszczególnych pacjentach. Czytając ten artykuł w głowie tworzyła mi się myśl, że skoro urządzenie jest tak doskonałe i praktycznie nie posiada żadnych wad, to jego cena musi być na prawdę bardzo duża i minął lata zanim na dobre pojawi się on w większości placówek. A tutaj bardzo miła niespodzianka! Okulista Zhang niesie mówi optymistyczne rzeczy. Problem z pomocą medyczną w krajach trzeciego świata jest bardzo duży. Jeżeli te rozwiązania są faktycznie niedrogie, to standard życia i opieka medyczna w tych miejscach będzie na coraz lepszym poziomie, ponieważ wydaje mi się, że z czasem sztuczna inteligencja zostanie użyta w wielu gałęziach medycyny. Miejmy nadzieję, że naukowcy z głową będą rozwijąć sztuczną inteligencję i nie będzie ona wykorzystywana do celów, które mogą zaszkodzić ludziom, tylko tak jak w tym przypadku nieść pomoc, szczególnie w krajach, które do tej pory takiej możliwości nie miały.
Coraz częściej można przeczytać w sieci o zastosowaniu sztucznej inteligencji w medycynie. Sama natknęłam się na parę ciekawostek. Otóż: 1. Jedną z metod oceny stanu pacjenta ze zdiagnozowaną chorobą PD jest wykonanie przez lekarza specjalistę serii znormalizowanych testów klinicznych, znanych jako Ujednolicona Skala Oceny Choroby Parkinsona(ang. UPDRS -Unified Parkinson’s Disease Rating Scale) [33]. Jednak wyniki tych testów są obarczone błędem wynikającym z subiektywnego charakteru tych testów. Oceny stanu pacjenta uzyskane w serii testów UPDRS, przeprowadzonych w odstępach trzymiesięcznych czy półrocznych, pozwalają na ocenę postępu choroby. Przeprowadzanie badań wymaga jednak regularnych wizyt u lekarza prowadzącego, co nie zawsze jest możliwe m.in. z powodów organizacyjnych czy trudności z dostępem do specjalisty. Dodatkową przeszkodą w tym przypadku może być nie w pełni możliwe odtworzenie godziny przyjęcia lekarstw oraz efekty uboczne przyjmowanych środków, które objawiają się w postaci dyskinez (mimowolne ruchy pląsawicze). Niektóre z późnych objawów choroby Parkinsona wiążą się z wieloletnim leczeniem lewodopą lubantagonistami receptora dopaminowego. Początek terapii lewodopą powoduje z reguły dużą poprawę sprawności chorych, która utrzymuje się przez kilka lat. Zazwyczaj jednak po 3-5 latach leczenia aż u 50% chorych pojawiają się specyficzne zaburzenia ruchowe zwane fluktuacjami i dyskinezami. Fluktuacje polegają na występowaniu wyraźnych zmian sprawności ruchowej chorych w ciągu doby. Z upływem czasu skuteczność działania leku zaczyna się stopniowo skracać i występują naprzemienne stany dobrej sprawności ruchowej, zwane stanami „on” i znacznie gorszej sprawności ruchowej, zwane stanami „off”. Zmiany sprawności są wyraźnie związane z rytmem przyjmowania leku i dają się przewidzieć w przypadku stanu „on”. U niektórych chorych występują jednak nagłe stany „off”bez wyraźnego związku z lekiem, a dodatkowo może pojawić się zjawisko „on-off” polegające na wielokrotnym, szybkim przejściu z jednego stanu w drugi . Dlatego zbyt rzadkie lub nieregularne wizyty kontrolne nie dają informacji o ewentualnym pogorszeniusię stanu pacjenta, nie zapewniają też możliwości stwierdzenia czy dany lek (i dawka) jest właściwy, a przede wszystkim nie dają odpowiedzi na pytanie czy pacjent zgłaszający się do specjalisty jest w tzw. stanie „on”, czy „off”. Brak możliwości stwierdzenia tego faktu jest przeszkodą w pełnej ocenie stanu pacjenta z PD. Większość proponowanych obiektywnych rozwiązań diagnostyki choroby Parkinsona bazuje obecnie na technologiach wymagających montowania na palcach lub na dłoni pacjenta różnego rodzaju czujników, np. akcelerometrów lub czujników zbliżeniowych. Podejście tego typu może być stosowane wcelu wspomagania procesu oceny stanu pacjenta dotkniętego PD. Tworzone są też systemy monitorujące w sposób ciągły jego stan. Przykładem takiego typu monitoringu może być system opracowanyw ramach projektu PERFORM (A soPhisticatEd multi-paRametric system FOR the continuous effective assessment and Monitoring of motor status in Parkinson's disease (PD) and other neurodegenerative diseases progression and optimizing patients’ quality of life). Jest to wieloczujnikowy system, służący do ciągłego monitorowania i oceny funkcji motorycznych osób z zaburzeniami neurodegeneracyjnymi . Zadaniem systemu jest 24-godzinny monitoring stanu pacjenta na podstawie analizy sygnałów biomedycznych rejestrowanych przez specjalnie zaprojektowane czujniki umieszczone na jego ciele oraz przez serię testów przeprowadzanych z wykorzystaniem urządzeń diagnostycznych. Pacjent monitorowany jest w swoim domu, a informacje uzyskane po wstępnym przetworzeniu zebranych sygnałów, przesyłane są do jednostki centralnej znajdującej się w szpitalu. Jednostka centralna wykonuje szczegółową analizę odebranych danych. W wyniku analizy lekarz nadzorujący ma możliwość obserwacji bieżącego stanu pacjenta, zgodnie ze skalą UPDRS na podstawie analizy motoryki pacjenta i testów wykonanych z wykorzystaniem urządzeń diagnostycznych. Może to zapewnić zdalne obserwowanie bieżącego stanu pacjentów oraz ocenę poprawności i efektywności indywidualnie dobranego schematu leczenia, a także ewentualnej jego korekty. Podczas monitorowania osób z PD wykorzystuje się głównie informacje pochodzące z czujników przyspieszenia (akcelerometrów), żyroskopów, elektrookulogramu, spirometru, czujników nacisku oraz wykonuje się analizę obrazu wideo rejestrowanego podczas wykonywania wymienionych wcześniej testów. 2. Klasyfikator ruchu rąk został zaprojektowany w celu rozpoznawania aktywności polegającej na poruszaniu się jednej lub obu rąk. Informacje na temat aktualnie wykonywanej czynności mogą zostać wykorzystane np. procesie oceny spowolnienia ruchowego (bradykinezja). Klasyfikator ten analizował jedynie te fragmenty sygnału, które nie zostały oznaczone przez detektor chodu, jako chód. Wykorzystana sieć neuronowa posiadała strukturę niemal identyczną, jak w przypadku klasyfikacji chodu. Różnica pomiędzy strukturami występowała w liczbie wyjść sieci. Zastosowano cztery wyjścia odpowiadające możliwym klasom rozpoznawanego ruchu rąk: lewa, prawa, obie ręce, brak ruchu. Kodowanie wyjść odbywało się w sposób analogiczny, jak w przypadku klasyfikacji chodu. Użyto, także tego samego algorytm treningu oraz funkcji aktywacji neuronów, co w przypadku detekcji chodu.Ponieważ klasyfikator oparty o maszynę wektorów nośnych, z definicji jest klasyfikatorem dwuklasowym (k=2), w przypadku detekcji aktywności rąk wymagał on uzupełnienia o możliwość klasyfikacji wielu klas ruchu. Zastosowano w tym przypadku metodę one-versus-all. Metoda ta wymaga stworzenia wielu (klasyfikatorów dwuklasowych (liczba klasyfikatorów jest równa liczbie klas), z których każdy ma za zadanie odróżnić jedną z klas od wszystkich pozostałych. Podczas rozpoznawania ruchu wektor parametrów podawany jest na wejście wielu klasyfikatorów, a końcowa decyzja, dotycząca przynależności do danej klasy, podejmowana jest na podstawie informacji dotyczącej np. pewności decyzji podjętej przez klasyfikator. Jeżeli kilka klasyfikatorów podejmie decyzję, iż wektor należy do klasy przez niego rozpoznawanej, ostatecznie wybierana jest ta klasa, dla której podjęta została decyzja z najwyższym estymowanym prawdopodobieństwem. 3. Narząd głosu składa się z trzech połączonych systemów –systemu oddechowego, generatora krtaniowego i traktu głosowego. Systemy te są ściśle uzależnione od siebie, lecz każdy z nich pełni oddzielną funkcję. Dodatkowo w skład elementów uczestniczących wwytwarzaniu i kształtowaniu mowy wchodzi również część centralna. Współdziałanie wszystkich struktur traktu głosowego jest konieczne w procesie fonacji, a osłabienie któregokolwiek z elementów prowadzi do zaburzeń wytwarzania głosu, dlatego proces parametryzacji powinien pozwolić na różnicowanie wartości parametrów w zależności od elementu struktury i jego prawidłowego/bądź nieprawidłowego działania.Trakt głosowy obejmuje następujące elementy:a)klatkę piersiową i płuca; ich rolą jest tłoczenie strumienia powietrza przez krtań;b)krtań, która jest generatorem dźwięku i podstawowym narządem głosu;c)przedsionek krtani, gardło, jamę ustną i nosową, zatoki przynosowe, których funkcją jest wzmocnienie i kształtowanie dźwięku.Zgodnie z analizą procesów biomechanicznych w narządzie głosu do wytworzenia mowy potrzebne jest współistnienie następujących elementów:mechanizmu drgającego powodującego rytmiczne otwieranie i zamykanie się głośni,podgłośnieniowego ciśnienia wydechowego wytwarzającego podmuch powietrza,przestrzeni rezonansowej klatki piersiowej oraz gardła, które nadają dźwiękowi barwę.O barwie dźwięku decydują jego cechy widmowe, a ściślej rozkład i zmiany harmonicznych w czasie. Ton krtaniowy stanowi generator sygnału mowy, dlatego widmo tonu krtaniowego jest jednym z ważniejszych czynników kształtujących barwę dźwięku. Jednym z parametrów określających właściwości tonu krtaniowego jest szybkość spadku amplitud harmonicznych ze wzrostem częstotliwości. Widmo tonu krtaniowego nie jest jednak jedynym czynnikiem kształtującym barwę głosu. Trakt głosowy oprócz funkcji artykulacyjnych posiada funkcję kształtowania barwy, jest to szczególnie zauważalne w kształtowaniu barwy śpiewu. Dźwięk wytworzony w wyniku drgania strun głosowych jest słaby i wymaga wzmocnienia. Możliwe jest ono dzięki rezonatorom traktu głosowego. Należą do nich: przedsionek krtani, gardło, jama ustna i nosowa, zatoki przynosowe. Każde z nich ma charakterystyczny zakres częstotliwości, które wzmacnia, i które tłumi. W ten sposób modelują one wytwarzany dźwięk. Kształt i pojemność wymienionych przestrzeni rezonacyjnych tworzy pośrednio barwę i bezpośrednio siłę powstającego głosu. W procesie artykulacji mowy można wpływać na wynikowy głos poprzez ruch warg, języka, żuchwy oraz podniebienia miękkiego, powoduje to zmiany wnęk rezonacyjnych, co z kolei skutkuje wzmacnianiem innych składowych sygnału i powstaniem odpowiedniego dźwięku. ( Autorzy: prof. dr hab. inż. Bożena Kostek,dr inż. Piotr Szczuko, Politechnika Gdańska )