ווטסון לא נשך את הרופא, וטוב מאוד

למרות שכמו בתחומים רבים אחרים, ההתלהבות להחליף רופאים בבינה מלאכותית דעכה במקצת לאחר שורה של כשלים באבחון, העבודה על פיתוח רפואה מבוססת בינה מלאכותית עדיין נמשכת. מכיוון שלמרות זאת, הם עדיין מציעים הזדמנויות גדולות והזדמנות לשפר את יעילות הפעילות ברבים מתחומיה.

IBM הוכרזה ב-2015, וב-2016 היא קיבלה גישה לנתונים מארבע חברות עיקריות לנתוני חולים (1). המפורסם ביותר, הודות לדיווחים רבים בתקשורת, ובמקביל הפרויקט השאפתני ביותר באמצעות בינה מלאכותית מתקדמת מ-IBM היה קשור לאונקולוגיה. מדענים ניסו להשתמש במשאבים העצומים של הנתונים כדי לעבד אותם על מנת להפוך אותם לטיפולים אנטי סרטניים מותאמים היטב. המטרה לטווח ארוך הייתה לגרום לווטסון לשפוט ניסויים קליניים ותוצאות כפי שרופא היה עושה.

1. אחת ההדמיות של המערכת הרפואית של Watson Health

עם זאת, התברר כי ווטסון אינו יכול להתייחס באופן עצמאי לספרות רפואית, וכן אינו יכול לחלץ מידע מרשומות רפואיות אלקטרוניות של מטופלים. עם זאת, האשמה החמורה ביותר נגדו הייתה זו חוסר יכולת להשוות ביעילות חולה חדש עם חולי סרטן מבוגרים אחרים ולזהות תסמינים שאינם נראים במבט ראשון.

היו, אמנם, כמה אונקולוגים שטענו שיש להם אמון בשיקול דעתו, אם כי בעיקר מבחינת הצעותיו של ווטסון לטיפולים סטנדרטיים, או כחוות דעת רפואית נוספת. רבים ציינו שמערכת זו תהיה ספרנית אוטומטית נהדרת עבור רופאים.

כתוצאה מביקורות לא מאוד מחמיאות של IBM בעיות במכירת מערכת ווטסון במוסדות רפואיים בארה"ב. נציגי מכירות של IBM הצליחו למכור אותו לכמה בתי חולים בהודו, דרום קוריאה, תאילנד ומדינות נוספות. בהודו, רופאים () העריכו את ההמלצות של ווטסון ל-638 מקרים של סרטן השד. שיעור ההיענות להמלצות הטיפול הוא 73%. רע יותר ווטסון נשר מהמרכז הרפואי גאצ'ון בדרום קוריאה, שם המלצותיו הטובות ביותר עבור 656 חולי סרטן המעי הגס תאמו את המלצות המומחים רק ב-49 אחוז מהמקרים. הרופאים העריכו זאת ווטסון לא הסתדר עם חולים מבוגריםבכך שלא הציע להם תרופות סטנדרטיות מסוימות, ועשה את הטעות הקריטית של מעקב טיפול אגרסיבי עבור חלק מהחולים עם מחלה גרורתית.

בסופו של דבר, למרות שעבודתו כמאבחן וכרופא נחשבת כלא מוצלחת, ישנם תחומים שבהם הוא הוכיח את עצמו כיעיל ביותר. מוצר ווטסון לגנומיקהנעשה שימוש ב- , אשר פותח בשיתוף פעולה עם אוניברסיטת צפון קרוליינה, אוניברסיטת ייל ומוסדות נוספים מעבדות גנטיות להכנת דוחות לאונקולוגים. ווטסון הורדת קובץ רשימה מוטציות גנטיות בחולה ויכול להפיק דוח תוך דקות הכולל הצעות לכל התרופות והניסויים הקליניים החשובים. ווטסון מטפל במידע גנטי בקלות יחסיתכי הם מוצגים בקבצים מובנים ואינם מכילים עמימות - או שיש מוטציה או שאין מוטציה.

שותפי IBM באוניברסיטת צפון קרוליינה פרסמו מאמר על יעילות ב-2017. ווטסון מצא מוטציות פוטנציאליות חשובות שלא זוהו במחקרים בבני אדם ב-32% מהן. חולים למדו, מה שהפך אותם למועמדים טובים לתרופה החדשה. עם זאת, עדיין אין ראיות לכך ששימוש מוביל לתוצאות טיפול טובות יותר.

ביות חלבונים

זה ועוד דוגמאות רבות תורמות לאמונה הגוברת שכל הליקויים בשירותי הבריאות מטופלים, אבל אנחנו צריכים לחפש תחומים שבהם זה באמת יכול לעזור, כי אנשים לא מצליחים שם. תחום כזה הוא, למשל, מחקר חלבונים. בשנה שעברה, עלה מידע שהוא יכול לחזות במדויק את צורת החלבונים על סמך הרצף שלהם (2). זוהי משימה מסורתית, מעבר לכוחם של לא רק אנשים, אלא אפילו מחשבים רבי עוצמה. אם נשלוט במודל המדויק של פיתול מולקולות חלבון, יהיו הזדמנויות ענקיות לטיפול גנטי. מדענים מקווים שבעזרת AlphaFold נלמד את הפונקציות של אלפים, וזה, בתורו, יאפשר לנו להבין את הגורמים למחלות רבות.

איור 2. פיתול חלבון בדגם עם AlphaFold של DeepMind.

עכשיו אנחנו מכירים מאתיים מיליון חלבונים, אך אנו מבינים היטב את המבנה והתפקוד של חלק קטן מהם. חלבונים זהו אבן הבניין הבסיסית של אורגניזמים חיים. הם אחראים לרוב התהליכים המתרחשים בתאים. איך הם עובדים ומה הם עושים נקבע על ידי המבנה התלת מימדי שלהם. הם לובשים את הצורה המתאימה ללא כל הוראות, מונחות על ידי חוקי הפיזיקה. במשך עשרות שנים, שיטות ניסוי היו השיטה העיקרית לקביעת צורת החלבונים. בשנות ה-50, השימוש שיטות קריסטלוגרפיות בקרני רנטגן. בעשור האחרון הוא הפך לכלי המחקר המועדף. מיקרוסקופ קריסטל. בשנות ה-80 וה-90 החלה העבודה על שימוש במחשבים לקביעת צורת החלבונים. עם זאת, התוצאות עדיין לא סיפקו את המדענים. שיטות שעבדו עבור חלבונים מסוימים לא עבדו עבור אחרים.

כבר ב-2018 AlphaFold קיבל הכרה ממומחים בתחום דוגמנות חלבון. עם זאת, בזמנו הוא השתמש בשיטות דומות מאוד לתוכניות אחרות. המדענים שינו טקטיקה ויצרו טקטיקה נוספת, שהשתמשה גם במידע על ההגבלות הפיזיקליות והגיאומטריות בקיפול מולקולות חלבון. AlphaFold נתן תוצאות לא אחידות. לפעמים הוא הצליח יותר, לפעמים גרוע יותר. אבל כמעט שני שליש מהתחזיות שלו עלו בקנה אחד עם התוצאות שהושגו בשיטות ניסוי. בתחילת שנה 2, האלגוריתם תיאר את המבנה של מספר חלבונים של נגיף SARS-CoV-3. מאוחר יותר, נמצא כי התחזיות לחלבון Orf2020a תואמות את התוצאות שהתקבלו בניסוי.

זה לא רק על לימוד הדרכים הפנימיות של קיפול חלבונים, אלא גם על עיצוב. חוקרים מיוזמת NIH BRAIN השתמשו למידת מכונה לפתח חלבון שיכול לעקוב אחר רמות הסרוטונין במוח בזמן אמת. סרוטונין הוא חומר נוירוכימי הממלא תפקיד מפתח באופן שבו המוח שולט במחשבות וברגשות שלנו. לדוגמה, תרופות נוגדות דיכאון רבות נועדו לשנות את אותות הסרוטונין המועברים בין נוירונים. במאמר בכתב העת Cell, מדענים תיארו כיצד הם משתמשים במתקדם שיטות הנדסה גנטית להפוך חלבון חיידקי לכלי מחקר חדש שיכול לעזור לעקוב אחר העברת סרוטונין בדיוק רב יותר מהשיטות הנוכחיות. ניסויים פרה-קליניים, בעיקר בעכברים, הראו שהחיישן יכול לזהות באופן מיידי שינויים עדינים ברמות הסרוטונין במוח במהלך שינה, פחד ואינטראקציות חברתיות, ולבדוק את היעילות של תרופות פסיכואקטיביות חדשות.

המאבק במגיפה לא תמיד הצליח

אחרי הכל, זו הייתה המגיפה הראשונה שכתבנו עליה ב-MT. עם זאת, למשל, אם אנחנו מדברים על עצם תהליך התפתחות המגיפה, אז בשלב הראשוני נראה היה שה-AI היה כישלון. חוקרים התלוננו על כך בינה מלאכותית לא יכול לחזות נכון את היקף התפשטות נגיף הקורונה על סמך נתונים ממגיפות קודמות. "הפתרונות האלה עובדים היטב באזורים מסוימים, כמו זיהוי פנים שיש להם מספר מסוים של עיניים ואוזניים. מגיפת SARS-CoV-2 אלו אירועים לא ידועים בעבר ומשתנים חדשים רבים, כך שבינה מלאכותית המבוססת על הנתונים ההיסטוריים ששימשו לאימון אותה לא עובדת טוב. המגיפה הראתה שאנחנו צריכים לחפש טכנולוגיות וגישות אחרות", אמר מקסים פדורוב מסקולטק בהצהרה באפריל 2020 לתקשורת הרוסית.

עם הזמן היו עם זאת, אלגוריתמים שנראים מוכיחים את התועלת הגדולה של AI במאבק נגד COVID-19. מדענים בארה"ב פיתחו מערכת בסתיו 2020 לזהות דפוסי שיעול אופייניים אצל אנשים עם COVID-19, גם אם לא היו להם תסמינים אחרים.

כשהופיעו חיסונים, נולד הרעיון לעזור לחסן את האוכלוסייה. היא יכולה, למשל לעזור לדגמן הובלה ולוגיסטיקה של חיסונים. כמו כן בקביעה אילו אוכלוסיות יש לחסן קודם כדי להתמודד עם המגיפה מהר יותר. זה גם יעזור לחזות את הביקוש ולמטב את התזמון והמהירות של החיסון על ידי זיהוי מהיר של בעיות וצווארי בקבוק בלוגיסטיקה. השילוב של אלגוריתמים עם ניטור רציף יכול גם לספק במהירות מידע על תופעות לוואי אפשריות ואירועים בריאותיים.

эти מערכות המשתמשות בבינה מלאכותית במיטוב ושיפור שירותי הבריאות כבר ידועים. היתרונות המעשיים שלהם זכו להערכה; לדוגמה, מערכת הבריאות שפותחה על ידי Macro-Eyes באוניברסיטת סטנפורד בארה"ב. כפי שקורה במוסדות רפואיים רבים אחרים, הבעיה הייתה מחסור בחולים שלא הגיעו לתורים. עיניים מאקרו בנתה מערכת שיכולה לחזות בצורה מהימנה אילו מטופלים לא צפויים להיות שם. במצבים מסוימים, הוא יכול גם להציע זמנים ומיקומים חלופיים למרפאות, מה שיגדיל את הסיכוי של מטופל להופיע. מאוחר יותר, טכנולוגיה דומה יושמה במקומות שונים מארקנסו ועד ניגריה עם תמיכה, בפרט, הסוכנות האמריקאית לפיתוח בינלאומי i.

בטנזניה, Macro-Eyes עבדה על פרויקט שמטרתו הגדלת שיעורי חיסוני הילדים. התוכנה ניתחה כמה מנות חיסונים יש לשלוח למרכז חיסונים נתון. הוא גם הצליח להעריך אילו משפחות עלולות להירתע לחסן את ילדיהן, אך ניתן היה לשכנע אותן באמצעות טיעונים מתאימים ומיקום מרכז חיסונים במיקום נוח. באמצעות תוכנה זו הצליחה ממשלת טנזניה להגביר את יעילות תוכנית החיסונים שלה ב-96%. ולהפחית את בזבוז החיסונים ל-2,42 לכל 100 איש.

בסיירה לאון, שם חסרו נתוני הבריאות של התושבים, ניסתה החברה להתאים זאת למידע על חינוך. התברר שמספר המורים ותלמידיהם בלבד הספיק כדי לחזות 70 אחוז. הדיוק האם למרפאה המקומית יש גישה למים נקיים, שהם כבר טביעת רגל של נתונים על בריאותם של האנשים החיים בה (3).

3. איור מאקרו של תוכניות בריאות מונעות בינה מלאכותית באפריקה.

המיתוס של רופא המכונה לא נעלם

למרות כישלונות ווטסון גישות אבחון חדשות עדיין מפותחות ונחשבות למתקדמות יותר ויותר. השוואה שנעשתה בשוודיה בספטמבר 2020. משמש לאבחון הדמיה של סרטן השד הראו שהטובים שבהם פועל באותו אופן כמו רדיולוג. האלגוריתמים נבדקו באמצעות כמעט תשעת אלפים תמונות ממוגרפיות שהתקבלו במהלך בדיקה שגרתית. שלוש מערכות, המוגדרות כ-AI-1, AI-2 ו-AI-3, השיגו דיוק של 81,9%, 67%. ו-67,4%. לשם השוואה, עבור רדיולוגים המפרשים את התמונות הללו כראשונות, נתון זה היה 77,4%, ובמקרה של רדיולוגיםמי שהיה השני שתיאר את זה, זה היה 80,1 אחוז. מיטב האלגוריתמים הצליחו לזהות גם מקרים שרדיולוגים פספסו במהלך ההקרנה, ונשים אובחנו כחולות תוך פחות משנה.

לדברי החוקרים, התוצאות הללו מוכיחות זאת אלגוריתמים של בינה מלאכותית לעזור לתקן אבחנות שליליות שגויות שנעשו על ידי רדיולוגים. שילוב היכולות של AI-1 עם רדיולוג ממוצע העלה את מספר מקרי סרטן השד שהתגלו ב-8%. הצוות במכון המלכותי שעורך את המחקר הזה מצפה שהאיכות של אלגוריתמי הבינה המלאכותית תמשיך לגדול. תיאור מלא של הניסוי פורסם ב-JAMA Oncology.

W בסולם של חמש נקודות. נכון להיום אנו עדים להאצה טכנולוגית משמעותית והגעה לרמת IV (אוטומציה גבוהה), כאשר המערכת מעבדת באופן עצמאי באופן אוטומטי את הנתונים המתקבלים ומספקת למומחה מידע מנותח מראש. זה חוסך זמן, מונע טעויות אנוש ומספק טיפול יעיל יותר בחולה. זה מה שהוא קבע לפני כמה חודשים סטן א.אי. בתחום הרפואה הקרוב אליו, פרופ. יאנוש בראז'ביץ' מהאגודה הפולנית לרפואה גרעינית בהצהרה לסוכנות העיתונות הפולנית.

4. צפייה מכונה בתמונות רפואיות

אלגוריתמים, על פי מומחים כמו פרופ. בראזיביץ'אפילו חיוני בתעשייה זו. הסיבה היא העלייה המהירה במספר בדיקות הדמיה אבחנתיות. רק לתקופה 2000-2010. מספר הבדיקות והבדיקות MRI גדל פי עשרה. למרבה הצער, מספר הרופאים המומחים הזמינים שיכולים לבצע אותם במהירות ובאמינות לא גדל. יש גם מחסור בטכנאים מוסמכים. הטמעת אלגוריתמים מבוססי בינה מלאכותית חוסכת זמן ומאפשרת סטנדרטיזציה מלאה של נהלים, כמו גם הימנעות מטעויות אנוש וטיפולים יעילים יותר בהתאמה אישית למטופלים.

כפי שהתברר, גם רפואה משפטית יכול להפיק תועלת פיתוח בינה מלאכותית. מומחים בתחום זה יכולים לקבוע את שעת המוות המדויקת של הנפטר על ידי ניתוח כימי של הפרשות של תולעים ויצורים אחרים הניזונים מרקמות מתות. בעיה מתעוררת כאשר נכללות בניתוח תערובות של הפרשות מסוגים שונים של נמקים. כאן נכנסת לתמונה למידת מכונה. מדענים מאוניברסיטת אלבני פיתחו שיטת בינה מלאכותית המאפשרת זיהוי מהיר יותר של מיני תולעים על סמך "טביעות האצבע הכימיות" שלהם. הצוות אימן את תוכנית המחשב שלהם באמצעות תערובות של שילובים שונים של הפרשות כימיות משישה מיני זבובים. הוא פענח את החתימות הכימיות של זחלי חרקים באמצעות ספקטרומטריית מסה, המזהה כימיקלים על ידי מדידה מדויקת של היחס בין המסה למטען החשמלי של יון.

אז, כמו שאתה יכול לראות, עם זאת AI כבלש חוקר לא מאוד טוב, זה יכול להיות מאוד שימושי במעבדה משפטית. אולי ציפינו ממנה ליותר מדי בשלב הזה, ציפינו לאלגוריתמים שיוציאו את הרופאים מעבודתם (5). כשאנחנו מסתכלים על בינה מלאכותית באופן מציאותי יותר, תוך התמקדות ביתרונות מעשיים ספציפיים ולא בכלל, הקריירה שלה ברפואה נראית שוב מבטיחה מאוד.

5. ראיית רכבו של הרופא