Пациент чака тревожно в кабинета на лекаря. Специалистът влиза, за да им съобщи, че са диагностицирани с рак. Но има добри новини. Открит е на ранен етап. Те имат отлични перспективи за пълно възстановяване.
Инструмент с изкуствен интелект е анализирал цялата медицинска история на пациента за червени знамена. Забелязвайки няколко ранни индикатора, той заключава, че пациентът има висок риск от развитие на рак. И така, пациентът беше изпратен за образни изследвания.
Изображенията бяха анализирани от друга AI програма и бяха класифицирани като показателни за ранен стадий на рак. Още една платформа проверява съществуващите състояния на пациента и свързаните с тях предписания, за да помогне на лекаря да избегне комбинации от лекарства, които биха могли да взаимодействат неблагоприятно. И още една система с изкуствен интелект помогна за рационализиране на административната документация и подобряване на ефективността на планирането на срещи със специалисти.
В момента този образ на AI, безпроблемно интегриран във всеки аспект на здравеопазването, е до голяма степен научна фантастика. Но редица изследователи и компании се надяват да превърнат това в реалност до няколко години.
Появата на генериращи AI платформи, като ChatGPT, разпали глобалния дебат за бъдещето на отношенията човек-машина. Тези програми могат да обработват и генерират езиково съдържание и са интерактивни и разбираеми по начини, които са по-интуитивни от предишните поколения AI. Хората също се обърнаха към платформи като ChatGPT за терапия.
Докато генеративният AI доведе до множество заглавия, много зъбни колела в машината на съвременната медицина стават по-интелигентни, като възприемат различен вид AI – такъв, който би могъл фундаментално да трансформира здравеопазването, но също така повдигна сложен набор от въпроси които биха могли да определят бъдещето на сектора.
Може ли AI наистина да помогне на лекарите да предскажат болести? Може ли също да помогне за подобряване на лечението? Какви са правилата на тази игра? И какви са рисковете?
Краткият отговор: AI показа обещание при диагностициране, прогнозиране и потенциално дори лечение на редица медицински състояния, казват водещи учени и предприемачи, управляващи технологията. Но е рано. Имало е – и ще има – спънки. А основните технически ограничения, както и етичните проблеми остават неразрешени.
Не е ново пътуване
ИИ в здравеопазването съществува по-дълго, отколкото повечето биха очаквали. През 70-те години Станфордският университет за първи път създава инструмент за изкуствен интелект, наречен MYCIN, чиято цел е да помогне на лекарите при диагностицирането и лечението на бактериални кръвни инфекции и менингит. Той използва наличните знания и способности на експерт в определена област, представени от изявления ако-тогава – функциониращи като интелигентна блок-схема, където отговорите „да“ или „не“ на ситуацията на пациента водят по пътя към един от набор от предварително определени отговори.
Използван за ограничената цел да поиска информация от пациентите и да се опита да диагностицира инфекцията, MYCIN се представи наравно с експертите по бактериални заболявания. Но този базиран на правила подход му даде малка способност за учене.
Формата и гъвкавостта на AI в здравеопазването се промениха драматично след MYCIN. Сега има множество видове AI, които се изследват за различни отговорности в здравеопазването. В Съединените щати от 2018 г. до 2019 г. използването на AI сред организациите в областта на науките за живота и доставчиците на здравни услуги се е увеличило повече от два пъти.
Пандемията само ускори тази тенденция. В световен мащаб през 2021 г. инвестициите в AI в здравеопазването се удвоиха спрямо предходната година. Миналата година международният пазар на медицински изкуствен интелект беше оценен на над 4 милиарда долара и се очаква да нараства с близо една четвърт годишно през следващото десетилетие.
Голяма част от напредъка се дължи на машинното обучение, при което AI има за цел да имитира постепенните методи, чрез които човешките умове учат. Водещи в шоуто са изкуствените невронни мрежи (ANN) – с множество възли, свързани като неврони и организирани в слоеве. Всеки слой анализира информация и извършва операции, преди да я предаде на следващия.
Помолете невронна мрежа да идентифицира тумор, например, и програмата може да започне с подчертаване на ръбове и градиенти, помагайки за „идентифицирането на границите между тумора и околната тъкан“, казва Нафисех Гафар Ниа, докторски изследовател в Университета на Tennessee, който наскоро публикува анализ на AI техниките в диагностиката и прогнозирането.
Докато тази информация тече напред, следващите слоеве ще анализират функциите още по-задълбочено, проследявайки неправилните текстури на тумора и моделите на растеж, докато слоевете съберат цялата тази информация за сложни туморни характеристики, като форма, размер и разположение, като в крайна сметка диагностицират растежа като доброкачествени или злокачествени.
Тъй като тези ANN могат да се обучават с по-малко наблюдение, те са се превърнали в стандартен подход за много медицински приложения, включително диагностика на рак, въпреки че много инструменти използват смесица от техники на ИИ.
В основата на всичко това е ясен набор от медицински цели, срещу които AI се тества, предположи Нигам Шах, главен специалист по данни за Stanford Health Care. „Всеки AI gizmo, който гледате, ще се свежда до извършването на три неща: класифициране, предсказване или препоръчване – на медицински език, диагностициране, прогнозиране или лечение.“
Обещанието
Изключителното предимство, което изкуственият интелект предлага в диагностиката, е медицинското изобразяване – то е добро в разпознаването на образи.
В крайна сметка, каза Санджив Агравал, президент на компанията за предсказуем анализ на здравеопазването LeanTaaS в Силиконовата долина, тя може да бъде обучена на обем от образни данни, който е с няколко порядъка повече, отколкото който и да е човек някога ще анализира .
И невронните мрежи имат значителна практика с изображения. През 2012 г. ImageNet Large Scale Visual Recognition Challenge – който оценява алгоритмите за откриване на обекти – за първи път видя програма, която правилно класифицира изображения по-добре от човешки наблюдател.
Оттогава AI напредна до точката, в която може да се справи с наистина сложни проблеми с изображенията. Agrawal посочва моделирането на човешката протеинова структура и сгъване на платформата DeepMind на Google AI като едно от най-големите постижения на такива инструменти за медицински изображения. Моделирането на поведението на протеините, както направи DeepMind, „е проблем с изображенията, но проблем с триизмерните изображения, който хората никога не биха могли да разберат сами“, каза Агравал.
Освен изображения, изкуственият интелект може да използва други данни, записани в електронното здравно досие на пациента, за да направи изводи за това колко вероятно е някой да има дадено заболяване.
Самира Абасголизаде-Рахими, професор в университета Макгил, наскоро направи преглед на приложенията на ИИ в първичното здравеопазване. Тя каза пред Al Jazeera, че е намерила AI за особено обещаващ за диагностициране на сърдечно-съдови заболявания, очни заболявания, диабет, рак, ортопедични заболявания и инфекциозни заболявания.
Предсказуемите AI са още по-разнообразни в приложението. Изследователите са открили, че изкуственият интелект може да бъде използван за прогнозиране на вероятността от много състояния – като диабет тип 2, сърдечни заболявания, болест на Алцхаймер и бъбречни заболявания – въз основа на начина на живот, медицинските досиета, генетичните фактори и други.
През последните няколко месеца се наблюдават значителни пробиви в използването на AI за идентифициране на рисковете от рак. Може да победи стандартните модели при прогнозиране на рак на гърдата, показа изследване, публикувано през юни. През януари изследователи от Масачузетския технологичен институт представиха базирана на изкуствен интелект машина за оценка на риска от рак на белия дроб. А през май учени от Харвард показаха, че инструмент с изкуствен интелект може да идентифицира хората с най-висок риск от рак на панкреаса до три години преди истинската диагноза.
Това не е всичко. През март учени от Университета на Британска Колумбия демонстрираха, че програма с изкуствен интелект може да предскаже нивата на преживяемост при рак по-добре от предишни инструменти.
По същия начин изкуственият интелект може да предвиди потенциалната токсичност и ефектите на различни лекарства, като помага за рационализиране на процеса на тестването им и пускането им на пазара.
Но инструментите за машинно обучение също могат да го объркат сериозно.
Неуспешен тест
ИИ има потенциала, поне на теория, да прогнозира тежестта на инфекциите и да моделира разпространението на огнища. Пандемията от COVID-19 видя експлозия от AI инструменти, които обещаха да направят точно това. Но резултатите бяха ужасяващи.
Две значими рецензии на близо 650 базирани на изкуствен интелект програми за диагностика и лечение на COVID-19 установиха, че нито една от тях не е подходяща за клинична употреба. Други прегледи на платформи с изкуствен интелект за прогнозиране на разпространението на COVID-19 ги намират като цяло неефективни – вероятно поради проблеми с наличността на данни.
Тези резултати представляват реална проверка на ИИ в здравеопазването – инструментите за действителното му интегриране в областта на медицината все още са в зародиш.
„Над 95 процента от изкуствения интелект“, който Абасголизаде-Рахими изучава в прегледа си, „са разработени, тествани пилотно, след което никога не са преминали към етап на внедряване“, каза тя.
В центъра на предизвикателствата, пред които е изправен ИИ в медицината, са три основни ограничения в данните, използвани за разработването му: недостиг, ограничения за достъп и качество.
За да функционира повечето изкуствени интелекти, те трябва да бъдат обучени на данни, които са коментирани от експерти. Много заболявания просто нямат достатъчно такива данни, въпреки че се проучват няколко техники за намаляване на зависимостта на AI от големи суми от експертно анотирани данни.
И все пак, дори когато има данни, те не са непременно достъпни за разработчиците на AI. Всеки пациент, каза Шах, има медицинска история с многобройни данни: прегледи, показания, диагнози и предписания между другото. Различни здравни организации обаче – от болници до застрахователни и фармацевтични компании – регистрират различни точки от данни. Така медицинските данни се разделят и заключват в различни силози.
В още по-голям мащаб усилията за използване на ИИ за моделиране и прогнозиране на разпространението на пандемията бяха възпрепятствани от непрозрачността от страна на страните по отношение на жизненоважни статистически данни като нива на инфекция и смъртност. Организации като Алианса за споделяне на данни от клинични изследвания – консорциум от университети, фармацевтични фирми, групи за защита на пациентите и платформи за споделяне на данни с нестопанска цел – се опитват да настояват за промяна. Но в момента областта на медицинските данни с ИИ е един от изолираните острови, които се носят по течението в призивите за откритост.
Накрая, дори когато данните са налице и са налични, има продължаваща трудност да се извлече качество от инфраструктура, която често е лошо проектирана, за да го осигури. Електронните здравни досиета, основен източник на данни за пациенти, често предлагат много шум със сигнала, каза Абасголизадех-Рахими.
Шумът може да приеме много форми. Това могат да бъдат данни за изображения, анотирани по начин, който ги прави нечетливи за AI платформа. Данните могат да бъдат форматирани или записани по несъвместими начини.
И все пак има още по-дълбоки предизвикателства и рискове, които ИИ в здравеопазването трябва да преодолее, за да се превърне в наистина надежден партньор на медицинската общност, посочват експертите.
Когато изкуственият интелект греши, кого обвинявате?
Наборите от данни могат да бъдат предубедени. Анализът на Abbasgholizadeh-Rahimi на изследванията на ИИ в първичното здравеопазване, например, установи, че пол, пол, възраст и етническа принадлежност рядко се вземат предвид. По-малко от 35 процента от изследваните програми са имали данни, разделени по пол – набори от данни, събрани и таблицирани отделно за жени и мъже.
Някои етнически групи могат да бъдат недостатъчно представени или неправилно подчертани в наборите от данни. Само преди две години Националната бъбречна фондация на САЩ и Американското дружество по нефрология препоръчаха премахване на расовите пристрастия в начина, по който се оценява креатинина в кръвта, което доведе до подценяване на тежестта на бъбречната недостатъчност на много чернокожи американци.
Инструментите за изкуствен интелект, обучени на такива пристрастни данни и насоки, вероятно ще запазят тези пристрастия, въпреки че Шах твърди, че „същото качество на данните също влияе върху вземането на решения от човека“.
Като се има предвид потенциалът за пристрастия и естеството на черната кутия на патентованите невронни мрежи, медицинското пространство с ИИ е свидетел на нарастващ тласък за обясним ИИ или XAI. Това движение има за цел да подчертае значението на това да се направят по-прозрачни разсъжденията, чрез които инструментът на ИИ достига до диагноза, прогноза или препоръки за лечение.
Много експерти виждат обяснимостта като неразривно преплетена с един от най-належащите етични въпроси, стоящи в основата на медицинския ИИ днес: лекарите правят грешки, но когато ИИ прави грешки, кого ще обвиняваме повече – ИИ или лекаря, който го използва?
Разбирането на мисълта зад инструмент с изкуствен интелект, който съветва лекар, може да информира за степента на отговорност, която всеки има.
По същия начин, областта на медицинския изкуствен интелект се бори с балансирането на отговорността за защита на данните на пациентите с необходимостта от повече споделяне на данни.
Този страх не е неоснователен. В САЩ през първата половина на 2023 г. са регистрирани 295 пробиви в сигурността на здравните данни, които са засегнали 39 милиона американци. Като оставим настрана нарушенията на киберсигурността, здравните компании не са свидетели на недостиг на скандали за споделяне на данни на пациенти неправилно или без анонимност. През 2017 г. лондонската Royal Free Hospital беше въвлечена в спор относно споделянето на здравни данни, заедно с лична информация, на 1,6 милиона пациенти с DeepMind на Google.
Съвсем наскоро Федералната търговска комисия на САЩ глоби популярното приложение за психична терапия BetterHelp със 7,8 милиона долара за споделяне на информация на 7 милиона потребители с платформи на трети страни за реклама.
Няма лесни отговори на проблемите, свързани с поверителността. Шах отбелязва, че въпреки че хората може да не искат да споделят данните си, те често са нетърпеливи да се възползват от AI, обучен върху данните на други хора.
Изследователите също работят за усъвършенстване на подходи за анализ, които позволяват на инструментите за изкуствен интелект да се обучават върху по-малко данни от реалния свят на пациентите, отколкото тези платформи се нуждаят в момента.
На фона на бързите иновации и нарастващите инвестиции, тази надпревара между медицинския AI и инфраструктурата, която го информира, може да се окаже решаваща за оформянето на бъдещето на здравните системи.
В момента инфраструктурата е наваксваща. Само ако го направи, този потенциален пациент с рак в клиниката може да разчита, че изкуственият интелект наистина ще направи интелигентна, точна и безопасна прогноза.
Източник: Ал Джазира